一种电磁信号的开集识别方法和装置与流程

本发明涉及信号识别技术领域，具体涉及一种电磁信号的开集识别方法和装置。

背景技术：

随着科技的迅猛发展，电磁信号识别在国防安全、智慧交通、安防行业等方面有着广泛的应用和重要的研究价值。通常意义上的电磁信号识别是指通过计算输入电磁信号样本与已知信号库中样本的相似度来给出输入信号的识别结果。因此，存在两类识别问题：1)无拒识的闭集(closeset)电磁信号识别，即假定输入的电磁信号样本一定属于信号库中的某个个体；2)有拒识的开集(openset)识别，即首先对输入电磁信号样本是否属于已知信号库做出判断，在确定的基础上再给出识别结果。相对无拒识的闭集信号识别，开集的信号识别能有效区分未知信号和已知信号，因而更加符合识别系统在现实应用场景。同时，在实际应用中，如果样本数量过少，识别系统的泛化能力往往很难接受，从而影响识别结果，因此小样本条件下的开集识别具有重大的研究意义。

针对闭集电磁信号识别，目前已有众多性能良好的识别算法，如fisher线性判别，garbor特征判别分类法，都能达到较高的正确识别率，但将这些算法用在开集识别的表现却不尽如人意，因此开集电磁信号识别问题受到更多关注。目前有最近邻算法用于开集识别，最近邻算法求取测试样本与已知类别各样本之间距离最小者，通过与预设的阈值进行比较，来确定接收或拒绝测试样本所属的类，但是识别效果受噪声、扰动等因素的严重影响。为消除这些变化，研究人员提出归一化的方法，利用最小的归一化距离进行开集判别以提高判别准确率。

尽管上述开集识别方法都在同等错误拒绝率的情况下降低了错误接受率，但这些方法只利用距离最小者或是置信度最大者这一个维度的信息进行开集判别，舍弃了测试样本与各已知类样本之间的距离或置信度在空间中的分布中包含大量的判别信息。同时，上述开集识别方法，在小样本情况下，性能更是不令人满意。

技术实现要素：

本发明提供了一种电磁信号的开集识别方法和装置，利用卷积神经网络强大的特征表征能力，在小样本条件下，通过选取的特征参数构造韦布尔分布模型，同时引入开集分类器进行识别结果判断，实现了在已知样本识别正确率降低较少的情况下，较好的未知样本拒识效果。

根据本申请的一个方面，提供了一种电磁信号的开集识别方法，包括：

利用信号类别已知的样本集训练卷积神经网络，得到训练完成的卷积神经网络，所述训练完成的卷积神经网络包括依次连接的基本层、全连接层和softmax层；

根据所述全连接层输出的与测试样本对应的第一系数以及所述测试样本的信号类别数，获得韦布尔分布模型；其中，所述第一系数指示所述测试样本在各已知信号类别上的概率；

将待识别电磁信号输入到训练完成的所述卷积神经网络中，得到所述全连接层输出的与待识别电磁信号对应的第二系数，根据所述韦布尔分布模型以及所述第二系数，获得未知信号类别的第三系数；其中，所述第二系数指示所述待识别电磁信号在各已知信号类别上的概率；

依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果；其中，所述开集分类器包括一个未知信号类别以及多个已知信号类别。

根据本申请的另一个方面，提供了一种电磁信号的开集识别装置，包括：

训练模块，用于利用信号类别已知的样本集训练卷积神经网络，得到训练完成的卷积神经网络，所述训练完成的卷积神经网络包括依次连接的基本层、全连接层和softmax层；

分布拟合模块，用于根据所述全连接层输出的与测试样本对应的第一系数以及所述测试样本的信号类别数，获得韦布尔分布模型；其中，所述第一系数指示所述测试样本在各已知信号类别上的概率；

识别模块，用于将待识别电磁信号输入到训练完成的所述卷积神经网络中，得到所述全连接层输出的与待识别电磁信号对应的第二系数，根据所述韦布尔分布模型以及所述第二系数，获得未知信号类别的第三系数；其中，所述第二系数指示所述待识别电磁信号在各已知信号类别上的概率；依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果；其中，所述开集分类器包括一个未知信号类别以及多个已知信号类别。

根据本申请的又一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现本申请一个方面所述的方法。

根据本申请的再一个方面，提供了一种电子设备，所述电子设备包括：存储器和处理器，所述存储器和所述处理器之间通过内部总线通讯连接，所述存储器存储有能够被所述处理器执行的程序指令，所述程序指令被所述处理器执行时能够实现本申请一个方面所述的方法。

本发明实施例的有益效果是：本发明实施例的电磁信号开集识别方案，克服了传统开集识别中利用softmax层输出的参数，单纯根据阈值判断待检测信号是否未知导致拒识率较低的缺点，引入开集分类器，充分利用已正确检测样本参数的分布情况，构造未知类别的系数，将已知类别和未知类别共同作为分类器的类别得到拒识模型，在已知样本识别正确率降低较少的情况下，得到较好的未知样本拒识结果，从而达到较好的电磁信号开集识别效果。针对电磁信号尤其是小样本信号的部分类别信号数量较少，无法拟合分布模型的情况，利用多个样本进行韦布尔分布拟合，得到分布模型。

附图说明

图1是本发明一个实施例的电磁信号的开集识别方法的流程图；

图2是本发明另一个实施例的电磁信号的开集识别方法的流程示意图；

图3是本发明一个实施例的卷积神经网络的实现流程图；

图4是本发明一个实施例的电磁信号的开集识别装置的框图；

图5是本发明一个实施例的电子设备的结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明一个实施例的电磁信号的开集识别方法的流程图，参见图1，本实施例的电磁信号的开集识别方法包括下列步骤：

步骤s101，利用信号类别已知的样本集训练卷积神经网络，得到训练完成的卷积神经网络；

所述训练完成的卷积神经网络包括依次连接的基本层、全连接层和softmax层；

步骤s102，根据所述全连接层输出的与测试样本对应的第一系数以及所述测试样本的信号类别数，获得韦布尔分布模型；

其中，所述第一系数指示所述测试样本在各已知信号类别上的概率；

步骤s103，将待识别电磁信号输入到训练完成的所述卷积神经网络中，得到所述全连接层输出的与待识别电磁信号对应的第二系数，根据所述韦布尔分布模型以及所述第二系数，获得未知信号类别的第三系数；

其中，所述第二系数指示所述待识别电磁信号在各已知信号类别上的概率；

步骤s104，依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果；

其中，所述开集分类器包括一个未知信号类别以及多个已知信号类别

由图1所示可知，本实施例的电磁信号的开集识别方法，利用信号类别已知的样本集训练卷积神经网络，得到训练完成的卷积神经网络，根据全连接层输出的与测试样本对应的第一系数以及信号类别数，获得韦布尔分布模型，将待识别电磁信号输入到卷积神经网络中得到第二系数，根据韦布尔分布模型以及第二系数获得未知信号类别的第三系数，依据第二系数、第三系数以及构造的开集分类器，得出待识别电磁信号的识别结果。由此，本实例的基于卷积神经网络的电磁信号开集识别方法，克服了传统开集识别中利用softmax层输出参数，单纯根据阈值判断待检测信号是否未知导致拒识率较低的问题，在卷积神经网络中引入openmax判别模型(即开集分类器)，充分利用已正确检测样本的分布情况，构造未知类别样本的概率得到拒识模型，在已知类别样本识别正确率降低较少的情况下，得到较好的未知类别的拒识结果，从而达到较好的电磁信号开集识别效果。

下面对应用本发明实施例的电磁信号的开集识别方法进行一次识别的过程进行说明。

参见图2，首先执行步骤一、输入信号数据斌得到样本幅度特征。

这里是获取数据。具体的，获取数据包括：获取模拟信号，将获取模拟信号的经a/d采样得到数字信号，将所述数字信号进行正交变换后得到两路信号，所述两路信号分别是i路信号xi(n)和q路信号xq(n)；利用所述i路信号xi(n)和q路信号xq(n)，并通过下列公式计算得到信号幅度特征的时间序列a(n)：其中n为正整数，n≥1。

本实施例中采用超外差中频数字化的接收机制，模拟信号经模数转换器采样后，进行正交变换，获得i路信号xi(n)和q路信号xq(n)，接着，计算信号幅度特征的时间序列a(n)，并对所述时间序列a(n)进行归一化得到序列数据a(n)。

在获取数据之后，利用信号类别已知的样本集训练卷积神经网络，具体包括步骤二和步骤三，步骤二是将所述信号类别已知的样本集按照预设比例划分为训练集和测试集，步骤三是训练卷积神经网络，下面分别进行说明。

参见图2，步骤二、将样本集分为训练集和测试集。

如前述，本实施例中以信号幅度特征作为样本，样本集即信号幅度特征集中共b个幅度特征，b个样本(即幅度特征)分属于c个信号类别，对样本集中的b个样本进行标注，则每个辐射源的样本可标注为{xk⁽ⁱ⁾,k＝1,2,...,b},i＝1,2,...,c。

将样本集按照预设比例(如6比4)分为训练集和测试集，即，将样本集平均分成10份，训练集样本数量比测试集样本数量多2份。

划分之后，训练集中含m个样本(m<b)，训练样本标注为：测试集中含b-m个样本，测试样本标注为：{zk⁽ⁱ⁾,k＝1,2,...,b-m},i＝1,2,...,c。

步骤三、训练卷积神经网络。

参见图2，这里，利用信号类别已知的样本集训练卷积神经网络，具体包括：利用所述训练集中的样本训练卷积神经网络。所述卷积神经网络包含k个基本层、一个全连接层和一个softmax层，每个基本层，包含卷积层、relu层和池化层，其中，所述全连接层连接所有的特征，并将所述全连接层的输出值通过所述softmax层进行分类；利用所述测试集中的样本{zk⁽ⁱ⁾,k＝1,2,...,b-m},i＝1,2,...,c，评估训练的所述卷积神经网络的性能，并根据测试结果的准确率调整所述卷积神经网络的学习率，当所述准确率达到预设准确阈值时，训练停止，得到训练完成的卷积神经网络。

参见图3，卷积神经网络包含k个基本层、一个全连接层和一个softmax层，每个基本层包含卷积层、relu层和池化层，其中，卷积层用于对信号进行卷积处理、提取特征；relu层提供系数进行非线性变换；池化层对输入特征图进行压缩，提取主要特征，降低网络计算复杂度。全连接层的作用是连接所有的特征并将输出值通过softmax层的分类器进行分类。

为了保证训练的卷积神经网络性能，本实施例中利用测试集中的样本{zk⁽ⁱ⁾,k＝1,2,...,b-m},i＝1,2,...,c评估训练过程中卷积神经网络，并根据测试结果的准确率调整学习率，并作为训练算法结束的依据，即当准确率达到一定阈值(一般准确率要达到95％以上)时，算法训练停止迭代更新，得到最终卷积神经网络。需要说明的是，卷积神经网络的学习率影响均方根误差，学习率不同，均方根误差也不同。均方根误差与卷积神经网络模型的准确率密切相关，评估训练过程中卷积神经网络的性能，也就是将指示性能的准确率与一个阈值(或称准确率阈值)比较并作为训练算法结束的依据。

步骤四、构造韦布尔分布模型

参见图2，构造测试样本的激活层系数的韦布尔分布模型。参见图3，本实施例中针对处理测试集的卷积神经网络，将softmax层前一层的全连接层称为激活层，并将与各测试样本对应的第一系数v(x)取出：v(x)＝v1(x)...vn(x)，其中n为测试结果类别数。选取分类结果正确的测试样本作为基准测试样本，并将所述基准测试样本的第一系数表示为si,j＝vj(xi,j)，其中i为一个所述基准测试样本的第一系数的序号，j为所述基准测试样本信号类别序号,j＝1,2,...,n；根据所述基准测试样本的第一系数si,j＝vj(xi,j)计算与每一信号类别对应的均值中心uj＝meani(si,j)；计算所述基准测试样本中每一信号类别下的元素与所述均值中心的距离；对所述距离进行降序排列，选取排在前面的η个所述距离进行韦布尔分布拟合，得到韦布尔分布模型ρj＝(τj,κj,λj)＝weibullfit(||sj-μj||,η)，其中，τj,κj,λj分别为韦布尔分布模型的位移参数、形状参数和尺度参数，weibullfit表示对所述距离进行韦布尔分布拟合。第一系数(即激活层系数)指示所述测试样本在各已知信号类别上的概率。

比如，信号类别数等于20，每一类信号的样本数为10，那么对于某一类信号，将这类信号的10个样本数分别与这类信号的均值中心计算距离，得到10个距离，依次计算每个类别直至20类计算完毕，可得200个距离，对这200个距离按从大到小排序，取前η个(比如80个)距离进行韦布尔分布拟合，得到这些距离的韦布尔分布模型。

步骤五、待识别电磁信号的开集识别。

本实施例中，开集识别是将待识别电磁信号输入到训练完成的卷积神经网络中，得到所述全连接层输出的与待识别电磁信号对应的第二系数，根据所述韦布尔分布模型以及所述第二系数，获得未知信号类别的第三系数；其中，所述第二系数指示所述待识别电磁信号在各已知信号类别上的概率；依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果；其中，所述开集分类器包括一个未知信号类别以及多个已知信号类别。

所述依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果包括：利用所述开集分类器，计算各所述第二系数在总数中的占比，得到与所述第二系数对应的已知类别概率，所述总数由所述第二系数和所述第三系数之和确定；利用所述开集分类器，计算所述第三系数在总数中的占比，得到与所述第三系数对应的未知类别概率，通过所述开集分类器输出的类别概率，判断类别概率最大值指示的信号类别是否为未知信号类别；是则，确定所述待识别电磁信号属于未知信号类别，否则，确定所述待识别电磁信号属于已知信号类别之一。或者，所述依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果包括：利用所述开集分类器，计算各所述第二系数在总数中的占比，得到与所述第二系数对应的已知类别概率，所述总数由所述第二系数和所述第三系数之和确定；利用所述开集分类器，计算所述第三系数在总数中的占比，得到与所述第三系数对应的未知类别概率，通过所述开集分类器输出的类别概率，判断与所述已知信号类别对应的类别概率的和是否小于预设阈值，是则，确定所述待识别电磁信号属于未知信号类别，否则，确定所述待识别电磁信号属于已知信号类别之一。

由此，本发明实施例通过构造开集分类器，将未知类别作为单独的一类与多个已知类别共同用于分类，解决了现有技术通过softmax分类时只利用距离最小者或是置信度最大者这一个维度的信息进行开集判别，舍弃了测试样本与各已知类样本之间的距离或置信度在空间中的分布中包含大量的判别信息的问题，取得较好的未知样本拒识结果。

具体实现时，将待识别电磁信号输入步骤三中得到的卷积神经网络中，获得与待识别电磁信号对应的激活层系数v(x)＝v1(x),...,vn(x)，对激活层系数按从大到小进行排序，并取出前α个激活层系数，记为s(i)＝argsort(vj(x))，其中i＝1,2,...,α，j＝1,2,...,n，argsort表示对系数从大到小进行排序。对排序好的每个系数计算对应的权值，权值计算公式为：

其中uj是第j类样本的均值中心，τj,κj,λj为步骤四中获得的韦布尔分布模型的拟合参数。

则利用权值更新后的激活层系数，记为：

根据选取出的较大的多个激活层系数构造第0类(即，需要拒识的未知信号类别)的系数，记为：

参见图2，构造开集分类器openmax，开集分类器openmax定义如下：

计算使最大的信号类别y^*，记为

如果y^*＝0或判定该待识别信号属于需要拒识的未知类别，否则，判定属于已知类别并确定具体类别。

需要说明的是，本实施例中的开集分类器openmax用于替代现有技术卷积神经网络的softmax层，即softmax分类器，这是由于现有技术的softmax分类器只针对已知信号类别进行识别，不能满足开集识别的需求。通过在卷积神经网络中引入openmax层，将全连接层的输出值输入给openmax分类器进行识别，由于openmax分类器既包括未知类别又包括已知类别，从而能够取得较好的拒识效果。

由上可知，本实施例的电磁信号开集识别方法，针对小样本电磁信号的单类信号数量较少，无法拟合分布模型的情况，将测试样本集中每一类样本对应参数与相应类中心的距离进行排序，取最大的若干距离并进行weibull分布拟合，得到参数分布模型；同时克服传统开集识别中利用softmax层输出参数，单纯根据阈值判断待检测信号是否未知，拒识率较低的缺点，引入openmax判别模型，充分利用已正确检测样本参数的分布情况，构造未知类样本相关参数，得到拒识模型，在已知样本识别正确率降低较少的情况下，得到较好的未知样本拒识结果，从而达到较好的小样本电磁信号开集识别效果。

图4是本发明一个实施例的电磁信号的开集识别装置的框图，参见图4，本实施例的电磁信号的开集识别装置400包括：

训练模块401，用于利用信号类别已知的样本集训练卷积神经网络，得到训练完成的卷积神经网络，所述训练完成的卷积神经网络包括依次连接的基本层、全连接层和softmax层；

分布拟合模块402，用于根据所述全连接层输出的与测试样本对应的第一系数以及所述测试样本的信号类别数，获得韦布尔分布模型；其中，所述第一系数指示所述测试样本在各已知信号类别上的概率；

识别模块403，用于将待识别电磁信号输入到训练完成的所述卷积神经网络中，得到所述全连接层输出的与待识别电磁信号对应的第二系数，根据所述韦布尔分布模型以及所述第二系数，获得未知信号类别的第三系数；其中，所述第二系数指示所述待识别电磁信号在各已知信号类别上的概率；依据所述第二系数、所述第三系数以及构造的开集分类器，得出所述待识别电磁信号的识别结果；其中，所述开集分类器包括一个未知信号类别以及多个已知信号类别。

在本发明一个实施例，所述识别模块403具体用于利用所述开集分类器，计算各所述第二系数在总数中的占比，得到与所述第二系数对应的已知类别概率，所述总数由所述第二系数和所述第三系数之和确定；利用所述开集分类器，计算所述第三系数在总数中的占比，得到与所述第系数对应的未知类别概率，通过所述开集分类器输出的类别概率，判断类别概率最大值指示的信号类别是否为未知信号类别；是则，确定所述待识别电磁信号属于未知信号类别，否则，确定所述待识别电磁信号属于已知信号类别之一。

在本发明一个实施例中，所述识别模块403具体利用所述开集分类器，计算各所述第二系数在总数中的占比，得到与所述第二系数对应的已知类别概率，所述总数由所述第二系数和所述第三系数之和确定；利用所述开集分类器，计算所述第三系数在总数中的占比，得到与所述第三系数对应的未知类别概率，通过所述开集分类器输出的类别概率，判断与所述已知信号类别对应的类别概率的和是否小于预设阈值，是则，确定所述待识别电磁信号属于未知信号类别，否则，确定所述待识别电磁信号属于已知信号类别之一。

在本发明一个实施例中，所述识别模块403具体利用所述开集分类器，计算各所述第二系数在总数中的占比，得到与所述第二系数对应的已知类别概率，所述总数由所述第二系数和所述第三系数之和确定；利用所述开集分类器，计算所述第三系数在总数中的占比，得到与所述第三系数对应的未知类别概率，通过所述开集分类器输出的类别概率，判断与所述已知信号类别对应的类别概率的和是否小于预设阈值，是则，确定所述待识别电磁信号属于未知信号类别，否则，确定所述待识别电磁信号属于已知信号类别之一。

在本发明一个实施例中，分布拟合模块402，用于根据所述全连接层输出的与各测试样本对应的第一系数，选取分类结果正确的测试样本作为基准测试样本，并将所述基准测试样本的第一系数表示为si,j＝vj(xi,j)，其中i为一个所述基准测试样本的第一系数的序号，j为所述基准测试样本信号类别序号,j＝1,2,...,n，n为测试样本信号类别数，根据所述基准测试样本的第一系数si,j＝vj(xi,j)计算与每一信号类别对应的均值中心uj＝meani(si,j)；计算所述基准测试样本中每一信号类别下的元素与所述均值中心的距离；对所述距离进行降序排列，选取排在前面的η个所述距离进行韦布尔分布拟合，得到韦布尔分布模型ρj＝(τj,κj,λj)＝weibullfit(||sj-μj||,η)，其中，τj,κj,λj分别为韦布尔分布模型的位移参数、形状参数和尺度参数，weibullfit表示对所述距离进行韦布尔分布拟合。

在本发明一个实施例中，识别模块403具体用于对第二系数v(x)进行降序排列，并选取排在前面的α个所述第二系数，v(x)＝v1(x),...,vn(x)，n为测试样本信号数；对选取的每个所述第二系数，计算与选取的每个所述第二系数对应的权值：其中，uj是第j类信号类别的均值中心，τj,κj,λj分别是所述韦布尔分布模型的位移参数、形状参数和尺度参数；计算所述权值与选取的每个所述第二系数的乘积，得到更新后的所述第二系数；根据所述更新后的所述第二系数，通过下列公式获得未知信号类别的第三系数其中，表示第三系数，i为选取的所述第二系数的序号，1＜i＜α，为更新后的所述第二系数，wi(x)表示所述第二系数的权值。

在本发明一个实施例中，训练模块401具体用于将所述信号类别已知的样本集按照预设比例划分为训练集和测试集{zk⁽ⁱ⁾,k＝1,2,...,b-m},i＝1,2,...,c，其中，所述样本集中的样本为信号幅度特征，所述样本集中的样本数量为b，所述信号类别的总数为c，所述训练集中的样本数量为m，利用所述训练集中的样本训练卷积神经网络。所述卷积神经网络包含k个基本层、一个全连接层和一个softmax层，每个基本层，包含卷积层、relu层和池化层，其中，所述全连接层连接所有的特征，并将所述全连接层的输出值通过所述softmax层进行分类；利用所述测试集中的样本{zk⁽ⁱ⁾,k＝1,2,...,b-m},i＝1,2,...,c，评估训练的所述卷积神经网络的性能，并根据测试结果的准确率调整所述卷积神经网络的学习率，当所述准确率达到预设准确阈值时，训练停止，得到训练完成的卷积神经网络。

在本发明一个实施例中，训练模块401在所述利用信号类别已知的样本集训练卷积神经网络之前，还用于将获取模拟信号的经a/d采样得到数字信号，将所述数字信号进行正交变换后得到两路信号，所述两路信号分别是i路信号xi(n)和q路信号xq(n)；利用所述i路信号xi(n)和q路信号xq(n)，并通过下列公式计算得到信号幅度特征的时间序列a(n)：其中n为正整数，n≥1。

需要说明的是，关于图4所示装置中的各模块所执行的各功能的举例解释说明，与前述方法实施例中的举例解释说明一致，这里不再一一赘述。

图5是本发明一个实施例的电子设备的结构示意图。如图5所示，该电子设备包括存储器501和处理器502，存储器501和处理器502之间通过内部总线503通讯连接，存储器501存储有能够被处理器502执行的程序指令，程序指令被处理器502执行时能够实现上述的方法。此外，上述的存储器501中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明的另一个实施例提供一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令使所述计算机执行上述的时序信号预测方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图的一个流程或多个流程和/或方框图的一个方框或多个方框中指定的功能的装置。需要说明的是术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，正如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围以权利要求的保护范围为准。