买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请涉及一种基于语义学习的时序信号处理方法、装置和设备。所述方法包括：采用时序语义生成模块对时序序列进行采样、划分和加权；特征提取模块利用自注意机制能够捕捉加权后的划分样本之间的局部相关性和全局相关性；采用对比学习模块计算编码特征的对比学习损失，使该模型学习正样本之间的共有特征和负样本之间的可分性特征，得到时序语义特征；将时序语义特征输入到预设时序目标分类任务的分类头中，得到目标识别结果。本方法能够实现对时序序列的语义特征学习，提升了模型对于时序序列所包含的时序语义信息的理解，最终使得模型能够获取具有良好表征的时序特征，有效提高了分类识别的效率和准确率，并在多种干扰条件下取得良好识别性能。

主权项：1.一种基于语义学习的时序信号处理方法，其特征在于，所述方法包括：获取时序序列；所述时序序列是由多种传感器对周围的环境或人体情况进行监测感知得到的数据；采用所述时序序列对预构建的基于语义学习的时序序列特征表征模型进行训练，得到训练好的时序序列特征表征模型；所述基于语义学习的时序序列特征表征模型包括：时序语义生成模块、特征提取模块以及对比学习模块；所述时序语义生成模块用于对所述时序序列进行采样划分，根据每一个划分样本计算其对应的语义权重，采样所述语义权重对划分样本进行加权，得到加权后的划分样本；所述特征提取模块用于对加权的划分样本进行投影编码，将编码结果采用自注意力机制进行局部相关性和全局相关性特征提取，得到编码特征；所述对比学习模块用于将源于同一序列的编码特征视作同一批正样本，将不同序列得到的编码特征视作负样本，计算正样本和负样本的对比学习损失，采用对比学习损失使模型学习正样本之间的共有特征和负样本之间的可分性特征，得到时序语义特征；将预设时序目标分类任务中的待处理时序序列采用训练好的时序序列特征表征模型进行处理，将得到的时序语义特征输入到预设时序目标分类任务的分类头中，得到目标识别结果；其中，时序语义生成模块包括采样划分模块、权重生成网络；权重生成网络包括线性化层、ReLU激活函数和Sigmoid激活函数；所述时序语义生成模块，还用于将时序序列输入到采样划分模块中，通过基于马尔科夫蒙特卡洛采样方式对时序序列进行采样，得到多个划分样本；将所有划分样本输入到权重生成网络中，经过线性化层处理后，再经过ReLU激活函数和Sigmoid激活函数后，得到与每个划分样本对应的语义权重；将划分样本与对应的语义权重相乘，得到加权后的划分样本。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 基于语义学习的时序信号处理方法、装置和设备