一种时序特征的估计方法及系统

本发明涉及无线通信感知，特别是指一种时序特征的估计方法及系统。

背景技术：

1、时序特征是指从随时间变化的数据序列中提取的关键属性，能够揭示数据的趋势、周期性、波动性等规律。随着物联网、智能家居、自动驾驶等领域的快速推进，不仅需要高效、稳定的数据传输，还需要智能理解和处理信号中蕴含的丰富时序特征信息，以实现更加精准和高效的数据分析及决策支持。

2、现有技术中主要依赖于循环神经网络(rnn)、长短期记忆网络(lstm)和门控循环单元(gru)等深度学习模型进行处理和预测时序数据。但这些模型参数较多，对计算资源的需求高，当面对复杂的、高维的时序数据时，难以捕捉到所有维度上的动态变化，对数据中的异常值和噪声敏感，模型泛化性差，预测准确率低。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种时序特征的估计方法及系统，以解决现有时序数据分析中存在的噪声与干扰、局部与长时间依赖性捕捉困难以及环境变化适应性不足的问题。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一方面，提供了一种时序特征的估计方法，所述方法包括以下步骤：

4、s1、采集信道状态信息(csi)时序数据，利用基于窗函数的加权移动平均滤波器对所述时序数据进行滤波处理；

5、s2、对于滤波处理后的时序数据，利用结合深度可分离卷积、空洞卷积和transformer模型的深度学习框架提取局部特征，并利用transformer模型中的多头自注意力机制和前馈网络捕捉所述局部特征之间的长时间依赖关系；

6、s3、利用基于贝叶斯优化、五折交叉验证、超参数调优和少样本学习的自适应微调算法对所述深度学习框架进行离线学习与在线应用优化；

7、s4、基于优化后的深度学习框架对输入的csi时序数据进行时序特征的估计，建立指纹库。

8、可选地，所述步骤s1具体包括：

9、设输入信号为x[n]，其中n表示时间步，对于每个时间步n，计算局部标准差s[n]：

10、

11、其中n是窗口大小，w是窗口大小的一半，是窗口内信号的均值；根据计算得到的局部标准差s[n]和预先定义的阈值t来调整窗口大小n；如果s[n]＞t，选择较小的窗口大小nmin；如果s[n]≤t，选择较大的窗口大小nmax；调整过程用以下公式表示：

12、

13、使用调整后的窗口大小n'，计算当前时间步n的加权平均值y[n]：

14、

15、y[n]即为滤波器的输出信号的值。

16、可选地，所述步骤s2具体包括：

17、设x为滤波处理后的时序数据，其形状为(n,l)，其中n为批量大小，l为序列长度，所述深度学习框架的处理顺序为：

18、s21、对时序数据x进行批标准化：

19、xbn＝bn(x)

20、其中，bn代表批标准化层；

21、s22、将批标准化后的xbn输入深度可分离卷积和标准卷积的组合：

22、xconv＝pool(af(bn(dsc(pool(af(bn(dsc(xbn))))))))

23、其中，dsc代表深度可分离卷积层，af代表激活函数，pool代表池化操作；

24、s23、将xconv输入空洞卷积：

25、xdil＝pool(af(bn(convdil(xconv))))

26、其中，convdil表示具有扩大感受野的空洞卷积；

27、s24、将xdil输入适配层转换：

28、xadapt＝wad·flatten(xdil)+bad

29、其中，wad是适配层的权重矩阵，bad是偏置项，flatten是将多维卷积输出展平为一维的操作；

30、s25、将xadapt输入transformer模型：

31、xtrans＝transformer(xadapt)

32、其中，transformer模型用于捕捉长时间依赖关系；

33、s26、将xtrans输入全连接层进行输出：

34、y＝wfc·xtrans+bfc

35、其中y是最终输出的预测结果，wfc是全连接层的权重矩阵，bfc是偏置项；

36、所述深度学习框架的前向传播可以用以下复合函数表示：

37、y＝wfc·transformer(wad·flatten(pool(af(bn(convdil(pool(af(bn(dsc(bn(x))))))))))+bad)+bfc

38、可选地，所述步骤s3具体包括：

39、s31、利用贝叶斯优化选择最优超参数组合；

40、s32、通过五折交叉验证对贝叶斯优化选择的每个最优超参数组合的性能进行评估；

41、s33、通过少样本学习提升所述深度学习框架对新环境的适应能力。

42、可选地，所述步骤s31具体包括：

43、设超参数空间为θ，对于超参数空间θ中的超参数组合θ，利用贝叶斯优化找到最优超参数组合θ*使得性能指标f(θ)最大化或最小化：

44、θ*＝argmaxθ∈θf(θ)

45、或者，

46、θ*＝argminθ∈θf(θ)。

47、可选地，所述步骤s32具体包括：

48、通过五折交叉验证对贝叶斯优化选择的每个最优超参数组合θ*的性能f(θ*)进行评估：

49、

50、其中，fi(θ*)表示在第i折上用最优超参数组合θ*训练后的模型性能。

51、可选地，所述步骤s33具体包括：

52、设dnew为新环境下的少量样本数据集，通过少样本学习提升所述深度学习框架对新环境的适应能力：

53、

54、其中，是损失函数，用于衡量所述深度学习框架在dnew上的性能。

55、另一方面，提供了一种时序特征的估计系统，用于实现上述任一项所述的方法，所述系统包括：

56、数据处理模块，用于采集信道状态信息(csi)时序数据，利用基于窗函数的加权移动平均滤波器对所述时序数据进行滤波处理；

57、深度学习模块，用于对于滤波处理后的时序数据，利用结合深度可分离卷积、空洞卷积和transformer模型的深度学习框架提取局部特征，并利用transformer模型中的多头自注意力机制和前馈网络捕捉所述局部特征之间的长时间依赖关系；

58、自适应微调模块，用于利用基于贝叶斯优化、五折交叉验证、超参数调优和少样本学习的自适应微调算法对所述深度学习框架进行离线学习与在线应用优化；

59、估计模块，用于基于优化后的深度学习框架对输入的csi时序数据进行时序特征的估计，建立指纹库。

60、另一方面，提供了一种电子设备，所述电子设备包括：

61、处理器；

62、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器加载并执行时，实现如上述估计方法的步骤。

63、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述估计方法的步骤。

64、本发明提供的技术方案带来的有益效果至少包括：

65、(1)本发明提出的估计方法能够解决现有时序数据分析中存在的噪声与干扰、时间依赖关系捕捉困难和环境变化适应性不足等问题，实现对时序数据的高效、准确和自适应处理。

66、(2)本发明提出的结合深度可分离卷积、空洞卷积和transformer模型的深度学习框架(cnn-ddt)能够有效提取时序数据的局部特征并捕捉这些局部特征之间的时间依赖关系，在处理复杂的时序数据方面显示出显著的效率和准确度。

67、(3)本发明提出的基于窗函数的加权移动平均滤波器——智能自适应滤波器(smartadaptive filter,saf)能够有效去除时序数据中的噪声并进行平滑处理，保证了信号处理的灵活性和准确性。

68、(4)本发明提出的基于贝叶斯优化、五折交叉检验、超参数调优和少样本学习的自适应微调算法，可显著减少模型对大量训练数据的依赖，提高模型泛化能力和适应性。