技术摘要：
本发明公开一种信号处理方法、装置、计算机设备及存储介质，该信号处理方法包括获取携带时间标签的原始信号数据；对所述原始信号数据进行预处理以得到待处理样本数据；对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特征；采用改进Transformer  全部
背景技术：
随机信号是信息的一种载体，如电信号可以通过幅度、频率、相位的变化来传递不 同的信息，在日常生产生活中信号处理和分类有着广泛的应用。 目前，信号分类方法主要包括两大类，第一类方法：基于领域知识人工提取特征， 然后使用分类算法(如逻辑回归)，对信号数据进行分类。该类方法主要依赖于工程师对信 号的理解和先验知识，人工对信号提取特征，并且独立于后续的分类模型。然而，并不是所 有的工程师都可以掌握充足的领域知识，即使具备一定的信号处理知识，人工提取出的特 征也不一定有利于分类，很可能遗漏某些具有较好区分度的隐藏特征。第二类方法：通过深 度学习模型(如卷积神经网络(CNN)及循环神经网络(RNN))将特征提取与分类算法两部分 有机结合；其中，CNN结构虽然并行程度高但是没有考虑信号采样点间的时序关系；RNN中诸 如长短时记忆网络(LSTM)和门控循环单元(GRU)虽然可以捕获信号采样点的时间先后关系 但网络训练耗时。
技术实现要素：
本发明实施例提供一种信号处理方法、装置、计算机设备及存储介质，以解决目前 信号分类方法训练耗时且模型分类精度低的问题。 一种信号处理方法，包括： 获取携带时间标签的原始信号数据； 对所述原始信号数据进行预处理以得到待处理样本数据； 对所述待处理样本数据进行频域转换，得到与所述待处理样本数据对应的信号特 征； 采用改进Transformer模型对所述信号特征进行处理，得到原始分类模型；所述改 进Transformer模型包括双向LSTM层、池化层以及融合层；所述双向LSTM层和所述池化层用 于提取数据特征；所述融合层用于将所述双向LSTM层和所述池化层提取的数据特征进行融 合； 采用灰狼优化算法对所述原始分类模型进行优化，得到目标分类模型。 一种信号处理装置，包括： 原始信号数据获取模块，用于获取携带时间标签的原始信号数据； 待处理样本数据获取模块，用于对所述原始信号数据进行预处理以得到待处理样 本数据； 信号特征获取模块，用于对所述待处理样本数据进行频域转换，得到与所述待处 理样本数据对应的信号特征； 4 CN 111582020 A 说　明　书 2/11 页 原始分类模型获取模块，用于采用改进Transformer模型对所述信号特征进行处 理，得到原始分类模型；所述改进Transformer模型包括双向LSTM层、池化层以及融合层；所 述双向LSTM层和所述池化层用于提取数据特征；所述融合层用于将所述双向LSTM层和所述 池化层提取的数据特征进行融合； 目标分类模型获取模块，用于采用灰狼优化算法对所述原始分类模型进行优化， 得到目标分类模型。 一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理 器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述信号处理方法的步 骤。 一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序 被处理器执行时实现上述信号处理方法的步骤。 上述信号处理方法、装置、计算机设备及存储介质中，通过在输入端对原始信号进 行频域转换，以将时域信号转换为频域特征，相较于现有的使用原始时序信号或者频谱作 为输入，将信号进行时频域变换后获取时序梅尔频谱作为网络输入，既能获得指定数量的 频谱特征又能保持一定的时序关系；再将获取到的梅尔频谱输入至改进Transformer模型 中提取高层特征表示。然后，通过在原有的Transformer模型中加入双向lstm层、池化层以 及融合层，通过将二者提取到的特征在融合层进行特征融合，以充分获取高层特征表示，既 提升了模型的分类精度，又提高了算法并行度。最后，采用灰狼优化算法进行全流程联合调 优，可以灵活选择每个环节中的待优化参数，联合搜索最优解，相较于各个环节独立调试， 有助于进一步优化模型的整体表现。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施 例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图 获得其他的附图。 图1是本发明一实施例中信号处理方法的一应用环境示意图； 图2是本发明一实施例中信号处理方法的一流程图； 图3是改进Transformer模型的模型结构示意图； 图4是图2中步骤S20的一具体流程图； 图5是图2中步骤S30的一具体流程图； 图6是图5中步骤S35的一具体流程图； 图7是图2中步骤S40的一具体流程图； 图8是本发明一实施例中信号处理装置的一示意图； 图9是本发明一实施例中计算机设备的一示意图。