Artificial intelligence 信号分类-使用AI识别信号

我无法识别信号。假设信号是一个准周期信号，周期时间是有限的。信号的“形状”必须符合某些标准，因此实际算法使用信号处理技术，如滤波、推导信号、寻找最大值和最小值。它能很好地找到好的信号，但问题是它也能检测出错误的形状

所以我想用人工智能——主要是神经网络——来解决这个问题。我认为有一些平均输入（信号可以减少）和一个输出的多层网络将显示0..1之间的“匹配”。但是问题是我从来没有做过这样的事情，所以我请求帮助，如何实现这样的事情？如何教授神经网络以获得预期的结果？（假设我有输入向量，输入向量应为1）

或者整个想法是对问题的错误近似？我对任何学习算法或想法持开放态度，可以学习并使用它们来克服这个问题

这是一个测量信号的图（现在不关心值和时间），你可以看到很多“错误”信号，大多数检测到的信号如上所述是好的。

---

您可以尝试使用。你可以从中得到启发。

---

另一方面，可以使用傅里叶变换来近似信号

你的问题可以得到广泛的回答。你应该考虑编辑它以防止它被关闭。

但无论如何，它有很多内置函数和工具箱来支持人工智能，有很多示例代码，可以修改和参考。你可以在里面找到一些

---

我知道阅读大量人工智能技术论文是一项艰巨的任务，祝你好运

您可以尝试一维卷积。基本思想是在每个时间戳为每个信号值指定一个标签0:bad，1:good。在此之后，您可以建模

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', padding = 'same', input_shape=(1,1)))
model.add(Bidirectional(LSTM(20, return_sequences=True)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', padding = 'same'))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(100, activation='sigmoid'))
model.add(Dense(2, activation='softmax'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

---

训练模型，然后给它一个新的信号进行预测。它将预测给定系列的0和1值。如果计数0大于计数1，则信号不好。

这可以作为起点吗？有很多方法可以做到这一点——用关键词进行搜索：机器学习分类。无论如何，谢谢你，我现在明白了。