小波动态选择网络用于惯性传感器信号增强

作为姿态和运动传感组件，惯性传感器广泛应用于各种便携设备中。但惯性传感器的严重误差限制了其功能，尤其是在轨迹恢复和语义识别方面。作为一种主流信号处理方法，小波因丰富多样的小波基函数而被誉为信号的数学显微镜。然而，惯性传感器复杂的噪声类型和应用场景使得小波基的选择令人困惑。为此，我们提出了一种小波动态选择网络（WDSNet），它能智能地为可变的惯性信号选择合适的小波基。此外，现有的深度学习架构擅长从输入数据中提取特征，但忽略了学习目标类别的特征，这对于增强类别感知能力从而改进小波基的选择至关重要。因此，我们提出了一种类别表示机制（CRM），它使网络能够在不增加可训练参数的情况下提取和表示类别特征。此外，CRM将常见的全连接网络转换为类别表示，与遥远且琐碎的独热分类标签相比，这些表示为特征提取器提供了更接近的监督。我们将这种为网络赋予可解释性并利用其监督特征提取器的过程称为特征监督机制，本文通过实验和理论证明了其有效性。增强后的惯性信号可以执行原始信号无法完成的任务，例如轨迹重建。定量和可视化结果均表明WDSNet优于现有方法。值得注意的是，WDSNet作为一种弱监督方法，在所有对比的全监督方法中达到了最先进的性能。