1.一种基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,其步骤如下:步骤一、将扰动信号进行数据预处理,分别对各种扰动行为产生的一维时间序列信号进行去基线和去噪预处理;
步骤二、基于格拉姆角场的原理将经过预处理的一维时间序列信号转化成二维时序图,并且按照扰动的种类制作数据总集;再将数据总集按照3:1:1的比例分成训练集、验证集和测试集;
步骤三、建立ConvNeXt模型,包括ConvNeXt Block、Downsample、全局平均池化层、全连接层和输出层;
步骤四、利用AdamW优化器结合余弦退火算法优化学习率,利用迁移学习中微调的方法,先利用较大的源数据集在模型上训练,以此获取预训练权重,再将预训练权重载入到ConvNeXt模型,为训练自己的目标数据集做准备;
步骤五、将步骤二中的训练集导入ConvNeXt模型中进行训练,在训练过程中引入交叉熵损失函数,用来求目标与预测值之间的差距,并且利用验证集调整训练参数,以此获取训练权重文件;
步骤六、利用步骤二中的测试集来测试模型分类识别的准确率。
2.根据权利要求1所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述一维时间序列信号转化成二维时序图的具体步骤如下:
1)将经过预处理的一维时间序列信号数据进行归一化处理;
2)将归一化处理的时间序列数据转换成极坐标形式数据;
3)基于格拉姆角场的原理将极坐标形式的时间序列数据转换为保留时间特征的二维图像。
3.根据权利要求2所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述归一化处理的操作如下:其中为第i时刻的数值缩放后一维时序信号,xi为一维时序信号中第i时刻的信号值,Max(X)为一维时序信号中的最大值,Min(X)为一维时序信号中的最小值。
4.根据权利要求2所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述极坐标形式数据的转换操作如下:式中,σi为第i时刻在极坐标系的极角;ri为第i时刻在极坐标系的极半径;为归一化的信号序列,N为时间戳的总数;ti为第i时刻对应的时间戳。
5.根据权利要求1或2所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述格拉姆角场的编码采用GASF图像编码方式,其转化方法具体分为两种,分别是格拉姆求和场(GASF)与格拉姆做差场(GADF);具体操作如下:GASF具体转换公式如下:
GADF具体转换公式如下:
式中的I=[1,1,…1]是单位行向量,与分别是与的转置向量。
6.根据权利要求1所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述ConvNeXt Block的组成过程如下:先经过深度卷积模块,其中卷积核大小为7×7、步距为1,并经过Layer Normalization;再引入逆残差结构,其中先使用1×1卷积核升维,加入GELU激活函数,然后再使用1×1卷积核降维;之后引入可学习的向量gama,利用layerscale对特征图的每一个通道数据进行缩放,缩放比例gama;最后引入Dropout层随机失活部分神经元,且设为0.2;Downsample先经过一个Layer Normalization,再经过一个大小为2×2的卷积核,且步距为2。
7.根据权利要求6所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述GELU激活函数的公式为:GeLu(X)=x×p(X≤x)=x×φ(x),x~N(0,1)
其中x是输入值,X是具有零均值和单位方差的高斯随机变量,p(X≤x)是X小于或等于给定值x的概率;
它的近似计算公式为:
。
8.根据权利要求1所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述余弦退火算法表示如下:式中ηt是当前t时刻增加的学习率值,ηMin是设置的最小学习率,ηMax是设置的最大学习率,Tcur是当前训练的Epoch数,TMax是设置的最大Epoch数。
9.根据权利要求1所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述步骤五的训练过程如下:先对训练集和验证集进行图像预处理,包括随机裁剪、随机水平翻转、转换成Tensor格式和标准化处理;在训练的过程中引入交叉熵损失函数,用来求目标与预测值之间的差距;训练参数设置为:确定AdamW优化器的两个超参数β1为0.9,β2为0.999,batch size设置为32,训练100个Epochs;最高学习率设置为0.0005,为防止训练发生过拟合现象,先利用Warmup的方式进行预热,使学习率上升至最大值,然后学习率衰减方式按照余弦函数的1/4个周期的形式,从设置的最大值开始进行衰减。
10.根据权利要求1所述的基于GAF-ConvNeXt-TF的周界安防扰动识别算法,其特征在于,所述AdamW优化器为:mt=β1*mt-1+(1-β1)*gt
vt=β2*vt-1+(1-β2)*gt2
其中,β1和β2两个超参数分别是梯度的一阶矩估计和二阶矩估计的指数衰减率,它的作用是权重的分配以及梯度平方的影响情况;gt表示t时刻步的梯度;mt和vt分别是对梯度的一阶矩估计和二阶矩估计;t表示时间步长;和分别是对mt和vt的偏执修正结果;θt表示优化器输出参数在t时刻的值;λ是权重衰减因子;ηt代表学习率;ε代表一个极小数,防止分母为零。