本技术涉及数据处理，尤其涉及一种基于自注意力机制的多源磁场脉冲信号识别方法及系统。
背景技术：
1、现有的磁场脉冲信号识别技术主要依赖于传统的信号处理方法和机器学习算法。这些方法通常包括傅里叶变换、小波分析等时频域分析技术，以及支持向量机(svm)、随机森林等分类算法。在多源信号处理方面，常用的技术包括阵列信号处理、波束形成和空间滤波等。这些方法在一定程度上能够实现基本的信号识别和源定位功能，特别是在信噪比较高、干扰较少的理想环境中。
2、然而，现有技术在处理复杂电磁环境下的多源磁场脉冲信号时存在明显不足。首先，传统方法难以有效捕捉信号的非线性和非平稳特性，导致在复杂背景下的识别准确率不高。其次，现有的多源信息融合技术往往采用简单的特征拼接或加权平均，无法充分利用不同传感器之间的相关性和互补性。再者，传统方法缺乏自适应学习能力，难以应对动态变化的信号环境。最后，现有技术通常将信号识别和源定位作为独立任务处理，未能充分利用任务间的潜在关联性，限制了系统的整体性能。
技术实现思路
1、本技术提供了一种基于自注意力机制的多源磁场脉冲信号识别方法及系统，用于提升基于自注意力机制的多源磁场脉冲信号识别的效率及准确率。
2、第一方面，本技术提供了一种基于自注意力机制的多源磁场脉冲信号识别方法，所述基于自注意力机制的多源磁场脉冲信号识别方法包括：对多个磁场传感器采集的原始信号集进行小波阈值去噪和带通滤波预处理，得到三维张量形式的预处理信号特征表示数据；对所述预处理信号特征表示数据进行多尺度时频分析，得到时频特征矩阵；通过多头自注意力机制对所述时频特征矩阵进行特征增强和依赖关系捕捉，得到增强特征表示数据；通过跨传感器自注意力层和双向长短时记忆网络，对所述增强特征表示数据进行多源信息融合和时间上下文建模，得到时空综合上下文特征表示数据；对所述时空综合上下文特征表示数据进行对抗重构处理，得到目标特征表示数据；对所述目标特征表示数据进行信号分类和源定位，得到信号识别数据和位置信息，其中，所述信号识别数据包括：磁场脉冲信号的类别数据以及信号源的三维空间坐标数据。
3、结合第一方面，在本技术第一方面的第一种实现方式中，所述对多个磁场传感器采集的原始信号集进行小波阈值去噪和带通滤波预处理，得到三维张量形式的预处理信号特征表示数据，包括：对所述原始信号集进行时间同步校准，得到时间对齐原始信号数据；通过自适应小波阈值算法对所述时间对齐原始信号数据进行去噪处理，得到初始去噪信号数据；通过自适应带通滤波器对所述初始去噪信号数据进行频带优化，得到频带优化信号数据；对所述频带优化信号数据进行幅度归一化处理，得到幅度一致性信号数据；将所述幅度一致性信号数据按照获取的传感器编号、时间序列和信号特征进行数据结构调整，得到三维张量结构数据；对所述三维张量结构数据进行稀疏表示变换，得到所述三维张量形式的预处理信号特征表示数据。
4、结合第一方面，在本技术第一方面的第二种实现方式中，所述对所述预处理信号特征表示数据进行多尺度时频分析，得到时频特征矩阵，包括：对所述预处理信号特征表示数据进行小波变换，得到初始时频分布数据；对所述初始时频分布数据进行自适应尺度调整，得到多尺度时频表示数据；通过经验模态分解算法对所述多尺度时频表示数据进行分解，得到固有模态函数数据；对所述固有模态函数数据进行希尔伯特变换，得到瞬时频率和瞬时幅度数据；将所述瞬时频率和所述瞬时幅度数据与所述多尺度时频表示数据进行融合，得到时频特征数据；对所述时频特征数据进行非线性映射和降维处理，得到所述时频特征矩阵。
5、结合第一方面，在本技术第一方面的第三种实现方式中，所述通过多头自注意力机制对所述时频特征矩阵进行特征增强和依赖关系捕捉，得到增强特征表示数据，包括：对所述时频特征矩阵进行分块处理，得到多个子矩阵数据；对所述多个子矩阵数据进行线性投影变换，得到查询向量、键向量和值向量；通过点积运算对所述查询向量和键向量进行相似度计算，得到注意力权重数据；对所述注意力权重数据进行归一化处理，得到归一化注意力权重数据；将所述归一化注意力权重数据与所述值向量进行加权求和，得到单头注意力输出数据；通过多头并行处理机制对所述单头注意力输出数据进行拼接和线性变换，得到所述增强特征表示数据。
6、结合第一方面，在本技术第一方面的第四种实现方式中，所述通过跨传感器自注意力层和双向长短时记忆网络，对所述增强特征表示数据进行多源信息融合和时间上下文建模，得到时空综合上下文特征表示数据，包括：对所述增强特征表示数据进行传感器维度展开，得到多源特征序列数据；通过跨传感器自注意力层对所述多源特征序列数据进行空间相关性计算，得到空间注意力权重数据；将所述空间注意力权重数据与所述多源特征序列数据进行加权融合，得到空间融合特征数据；对所述空间融合特征数据进行时间维度重排，得到时序特征数据；通过双向长短时记忆网络算法对所述时序特征数据进行前向和后向隐状态提取，得到双向上下文特征数据；对所述双向上下文特征数据和所述空间融合特征数据进行特征拼接和非线性变换，得到所述时空综合上下文特征表示数据。
7、结合第一方面，在本技术第一方面的第五种实现方式中，所述对所述时空综合上下文特征表示数据进行对抗重构处理，得到目标特征表示数据，包括：对所述时空综合上下文特征表示数据进行自适应权重分配，得到加权特征数据；通过生成对抗网络算法对所述加权特征数据进行重构，得到重构特征数据；对所述重构特征数据和所述加权特征数据进行差异计算，得到重构误差数据；基于所述重构误差数据对所述加权特征数据进行反向调整，得到优化特征数据；对所述优化特征数据进行特征筛选，得到筛选特征数据；将所述筛选特征数据输入对抗判别器进行真实性评估，得到所述目标特征表示数据。
8、结合第一方面，在本技术第一方面的第六种实现方式中，所述对所述目标特征表示数据进行信号分类和源定位，得到信号识别数据和位置信息，其中，所述信号识别数据包括：磁场脉冲信号的类别数据以及信号源的三维空间坐标数据，包括：对所述目标特征表示数据进行任务分解，得到分类特征数据和定位特征数据；通过多层感知机对所述分类特征数据进行非线性映射，得到信号类别概率分布数据；对所述信号类别概率分布数据进行数据分类，得到所述磁场脉冲信号的类别数据；通过深度回归网络对所述定位特征数据进行坐标预测，得到粗略空间坐标数据；对所述粗略空间坐标数据进行自适应细化处理，得到信号源的三维空间坐标数据；通过多任务联合优化算法对所述磁场脉冲信号的类别数据和所述信号源的三维空间坐标数据进行数据合并，得到所述信号识别数据和位置信息。
9、第二方面，本技术提供了一种基于自注意力机制的多源磁场脉冲信号识别系统，所述基于自注意力机制的多源磁场脉冲信号识别系统包括：
10、处理模块，用于对多个磁场传感器采集的原始信号集进行小波阈值去噪和带通滤波预处理，得到三维张量形式的预处理信号特征表示数据。
11、分析模块，用于对所述预处理信号特征表示数据进行多尺度时频分析，得到时频特征矩阵。
12、增强模块，用于通过多头自注意力机制对所述时频特征矩阵进行特征增强和依赖关系捕捉，得到增强特征表示数据。
13、建模模块，用于通过跨传感器自注意力层和双向长短时记忆网络，对所述增强特征表示数据进行多源信息融合和时间上下文建模，得到时空综合上下文特征表示数据。
14、重构模块，用于对所述时空综合上下文特征表示数据进行对抗重构处理，得到目标特征表示数据。
15、定位模块，用于对所述目标特征表示数据进行信号分类和源定位，得到信号识别数据和位置信息，其中，所述信号识别数据包括：磁场脉冲信号的类别数据以及信号源的三维空间坐标数据。
16、本技术的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于自注意力机制的多源磁场脉冲信号识别方法。
17、本技术提供的技术方案中，通过引入自适应小波阈值去噪和自适应带通滤波预处理，大幅提高了原始信号的质量，为后续分析奠定了坚实基础；多尺度时频分析的应用，结合连续小波变换和经验模态分解，使得方法能够有效捕捉信号的非线性和非平稳特性，显著提升了特征提取的精度和全面性；多头自注意力机制的引入不仅增强了特征表示，还能够有效捕捉长程依赖关系，极大地提高了模型对复杂信号模式的理解能力；跨传感器自注意力层和双向长短时记忆网络的结合，实现了多源信息的高效融合和时间上下文的全面建模，大幅提升了系统对多源信号时空特性的理解能力，对抗重构处理的引入，通过生成对抗网络算法，不仅提高了特征表示的鲁棒性，还能有效抑制噪声和干扰的影响，显著增强了模型在复杂电磁环境下的适应能力；多任务联合优化算法的应用，将信号分类和源定位任务有机结合，充分利用了任务间的潜在关联性，显著提高了系统的整体性能和效率；此外，本方法的模块化设计和自适应机制，使得系统具有良好的可扩展性和泛化能力，能够适应不同的应用场景和信号类型；同时，通过引入动态阈值机制和特征筛选，本方法还具有出色的计算效率，能够在保证高精度的同时，满足实时处理的需求；多源融合策略和深度学习框架的结合，不仅提高了信号识别和源定位的准确性，还大大增强了系统对复杂干扰和多径效应的抵抗能力，提升了基于自注意力机制的多源磁场脉冲信号识别的效率及准确率。
1.一种基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述基于自注意力机制的多源磁场脉冲信号识别方法包括：
2.根据权利要求1所述的基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述对多个磁场传感器采集的原始信号集进行小波阈值去噪和带通滤波预处理，得到三维张量形式的预处理信号特征表示数据，包括：
3.根据权利要求1所述的基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述对所述预处理信号特征表示数据进行多尺度时频分析，得到时频特征矩阵，包括：
4.根据权利要求1所述的基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述通过多头自注意力机制对所述时频特征矩阵进行特征增强和依赖关系捕捉，得到增强特征表示数据，包括：
5.根据权利要求1所述的基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述通过跨传感器自注意力层和双向长短时记忆网络，对所述增强特征表示数据进行多源信息融合和时间上下文建模，得到时空综合上下文特征表示数据，包括：
6.根据权利要求1所述的基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述对所述时空综合上下文特征表示数据进行对抗重构处理，得到目标特征表示数据，包括：
7.根据权利要求6所述的基于自注意力机制的多源磁场脉冲信号识别方法，其特征在于，所述对所述目标特征表示数据进行信号分类和源定位，得到信号识别数据和位置信息，其中，所述信号识别数据包括：磁场脉冲信号的类别数据以及信号源的三维空间坐标数据，包括：
8.一种基于自注意力机制的多源磁场脉冲信号识别系统，其特征在于，用于执行如权利要求1-7中任一项所述的基于自注意力机制的多源磁场脉冲信号识别方法，所述基于自注意力机制的多源磁场脉冲信号识别系统包括：
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于自注意力机制的多源磁场脉冲信号识别方法。
