具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1为本发明实施例提供的基于神经网络的MEMS传感器（MEMS,Micro-Electro-Mechanical System，微电子机械系统）的检测方法的流程示意图。本发明实施例的所述的基于神经网络的MEMS传感器的检测方法应用于终端设备中，该方法通过安装于终端设备中的应用软件进行执行。其中，终端设备为具备接入互联网功能的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等设备。

下面对所述的基于神经网络的MEMS传感器的检测方法进行详细说明。如图1所示，该方法包括以下步骤S110~S150。

S110、接收预置的MEMS传感器的检测请求。

具体的，所述检测请求为终端设备接收到需对所述MEMS传感器进行异常检测的指令信息，终端设备在接收到所述检测请求后，便可执行检测所述MEMS传感器是否处于异常状态的步骤。

在其他发明实施例中，如图2所示，步骤S110之前还包括：S210和S220。

S210、获取预置的正常MEMS传感器、预置的异常MEMS传感器输出的多组第二输出信号。

在本实施例中，所述正常MEMS传感器为信号输出正常的传感器，所述异常MEMS传感器为信号输出异常的传感器，由于正常MEMS传感器输出的信号与异常MEMS传感器输出的信号差异性较大，只需将两种差异性较大的信号输入至所述生成式对抗网络中，便可快速完成对所述生成式对抗网络的训练。

在其他发明实施例中，如图3所示，步骤S210之前还包括：S310和S320。

S310、将预设的多组压力信号输入任意MEMS传感器中，得到多组第一信号。

在本实施例中，任意MEMS传感器为正常MEMS传感器，该MEMS传感器接收到的多组压力信号由压力生成装置生成，压力生成装置生成的多组压力信号输入至任意一个正常MEMS传感器中后，便可得到该MEMS传感器输出的多组第一信号，其中，多组所述第一信号在输入到正常MEMS传感器和异常MEMS传感器中后，既存在差异性较大的信号，也存在差异性较小的信号。

S320、根据预设的筛选规则对多组所述第一信号进行筛选，得到输入至所述正常MEMS传感器、所述异常MEMS传感器中的多组筛选信号。

具体的，所述筛选规则为用于对多组所述第一信号进行筛选以使得正常MEMS传感器和异常MEMS传感器输出差异性较大的信号的规则信息。在本实施例中，在对多组所述第一信号进行筛选时，只需将所有的第一信号分别输入至异常MEMS传感器和正常MEMS传感器中，然后比较同一个第一信号在异常MEMS传感器和正常MEMS传感器中输出的差异性是否达到预设的阈值，若达到预设的阈值，便可将该第一信号进行保留，若未达到预设的阈值，则剔除该第一信号。

S220、根据所述第二输出信号对所述第一生成式对抗网络进行训练，得到训练后的第一生成式对抗网络。

其中，生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，生成式对抗网络通过网络中的生成器和判别器的互相博弈学习产生输出，即训练过程中通过相互竞争让生成器和判别器同时得到增强。而生成器通过对联合概率进行建模并从统计的角度表示数据的分布情况刻画数据的生成，其收敛速度快，包括朴素贝叶斯，GDA，HMM等模型，判别器通过对条件概率P(Y|X)进行建模，其主要是寻找不同类别之间的最优分类面，包括LR，SVM等模型。在本实施例中，所说第二输出信号对所述第一生成式对抗网络进行训练时，先将所述第二输出信号输入至所述第一生成式对抗网络中的生成器中，然后根据所述第一生成式对抗网络中的判别器对该生成器生成的信号进行判别，最后根据判别器的损失函数对该判别器进行参数更新，同时根据生成器的损失函数对该生成器进行参数更新，直至所述生成式对抗网络收敛，即采用反向传播算法，利用最小化损失函数去优化网络里的参数。

在其他发明实施例中，如图4所示，步骤S220包括子步骤S221和S222。

S221、对所述第二输出信号进行预处理，得到预处理后的第二输出信号。

在本实施例中，所述第二输出信号的预处理为将所述第二输出信号进行相应的归纳，即将正常MEMS传感器输出的信号归纳为一组，将异常MEMS传感器输出的信号归纳为另一组，然后进行相应的组合，便可得到所述预处理后的第二输出信号。其中，由于所述第二输出信号的预处理的框架基于Tensorflow（TensorFlow是一个基于数据流编程的符号数学系统）来构建，因此需将所述第二输出信号转换成32位浮点型后再输入至相应的MEMS传感器中。

在其他发明实施例中，如图5所示，步骤S221包括子步骤S2211、S2212和S2213。

S2211、获取所述正常MEMS传感器输出的多组第二信号以及所述异常MEMS传感器输出的多组第二信号；

S2212、根据预设的第一组合规则对所述正常MEMS传感器输出的多组第二信号进行组合，得到组合后的第一信号；

S2213、根据预设的第二组合规则对所述异常MEMS传感器输出的多组第二信号进行组合，得到组合后的第二信号。

在本实施例中，所述第一组合规则为用于对所述正常MEMS传感器输出的多组第二信号中任意的第二信号进行组合的规则信息，所述第二组合规则为用于对所述异常MEMS传感器输出的多组第二信号进行组合的规则信息，其中，所述正常MEMS传感器输出的多组第二信号以及所述异常MEMS传感器输出的多组第二信号在进行组合的过程中，均需要保持每个信号的尺寸一致。

S222、根据所述预处理后的第二输出信号对所述第一生成式对抗网络进行训练，得到训练后的第一生成式对抗网络。

在其他发明实施例中，如图6所示，步骤S220之后，还包括步骤S230、S240和S250。

S230、获取所述第一生成式对抗网络训练时输出的多组第二输入信号。

S240、将多组所述第二输入信号输入至任意MEMS传感器中，得到多组第三输出信号。

S250、根据多组所述第三输出信号对所述第二生成式对抗网络进行训练，得到训练后的第二生成式对抗网络。

在本实施例中，多组所述第二输入信号由所述第一生成式对抗网络在训练过程中生成的数据集，多组所述第三输出信号由多组所述第二输入信号经过任意一个正常MEMS传感器后，该传感器输出的数据集且该数据集用于训练所述第二生成式对抗网络。其中，所述第二生成式对抗网络与所述第一生成式对抗网络的原理相同，所述第二生成式对抗网络与所述第一生成式对抗网络之间的区别在于，所述第一生成式对抗网络利用随机的噪声数据生成多组所述第二输入信号，而所述第二生成式对抗网络则是利用所述第一生成式对抗网络生成的数据经过正常MEMS传感器的输出值得到的特征图。

在其他发明实施例中，如图6所示，步骤S250之后，还包括步骤S260。

S260、根据所述第二生成式对抗网络训练时输出的特征图对所述VGG神经网络（VGG神经网络是由牛津大学的Visual Geometry Group（视觉几何组）提出的，因此得名）进行训练，得到训练后的VGG神经网络。

在本实施例中，所述VGG神经网络训练时所采用的数据为所述第二生成式对网络训练过程中生成的特征图。由于所述第二生成式对抗网络训练过程中所输入的每个信号之间的差异性较大，因此，所述第二生成式对抗网络训练过程中输出的信号同样差异性较大，使得所述VGG神经网络模型可以快速进行收敛，进而节约了所述VGG神经网络模型的训练时间。

S120、根据预置的第一生成式对抗网络生成多组所述MEMS传感器的第一输入信号。

具体的，所述第一输入信号为用于输入至所述MEMS传感器中以对所述MEMS传感器进行异常检测，所述第一生成式对抗网络为预先训练好且可以生成所述MEMS传感器的输入信号的网络，在对所述MEMS传感器进行检测的过程中，所述第一生成式对抗网络模型的输出信号包括异常MEMS传感器输出的信号，也包括正常MEMS传感器输出的信号，将两种类型的信号同时输入至待检测的MEMS传感器中，然后根据待检测的MEMS传感器输出的信号生成特征图并进行分类识别，便可识别出待检测的MEMS传感器是否出现异常。

S130、将多组所述第一输入信号输入至所述MEMS传感器中，得到每组所述第一输入信号的第一输出信号。

具体的，所述第一输出信号为所述第一输入信号输入至所述MEMS传感器中后所述MEMS传感器输出的信号，通过对所述第一输出信号进行相应的检测分类，便可检测到所述MEMS传感器是否处于异常状态。

S140、将每组所述第一输出信号输入至预置的第二生成式对抗网络中，得到每组所述第一输出信号的特征图。

具体的，所述生成式对抗网络为用于将所述MEMS传感器输出的生成所述第一输出信号的特征图，然后将该特征图进行分类识别，便可检测到所述MEMS传感器是否处于异常状态。

S150、将所述特征图输入至预置的VGG神经网络中，得到所述MEMS传感器的检测结果。

其中，所述VGG神经网络是一种深度卷积神经网络，VGG神经网络中的卷积核均为小尺寸的卷积核并采用连续的小尺寸卷积核，连续的小尺寸卷积核之间使用池化层进行隔开，所述VGG神经网络对所述特征图进行深度卷积并进行池化操作后，通过VGG神经网络中的全连接层，便可输出所述特征图的分类结果。在本实施例中，采用VGG19神经网络来对所述特征图进行分类识别，VGG19神经网络包含了19个隐藏层，其中，19个隐藏层中有16个卷积层和3个全连接层，VGG19神经网络在众多的神经网络中具有较稳定准确率较高的特性，可以结合生成式对抗网络来有效的提高对MEMS传感器进行检测的稳定性和可靠性。

在本发明实施例所提供的基于神经网络的MEMS传感器的检测方法中，通过接收预置的MEMS传感器的检测请求；根据预置的第一生成式对抗网络生成多组所述MEMS传感器的第一输入信号；将多组所述第一输入信号输入至所述MEMS传感器中，得到每组所述第一输入信号的第一输出信号；将每组所述第一输出信号输入至预置的第二生成式对抗网络中，得到每组所述第一输出信号的特征图；将所述特征图输入至预置的VGG神经网络中，得到所述MEMS传感器的检测结果。本发明预先采用训练好的生成式对抗网络生成MEMS传感器可输出差异性较大的信号，然后将该信号输入至待检测的MEMS传感器中并将待检测的MEMS传感器输出的信号输入至另外一个训练好的生成式对抗网络中，得到相应的特征图，然后对该特征图进行分类识别以实现对待检测的MEMS传感器的分类，进而提升了MEMS传感器检测的可靠性和准确性，同时还提高了对MEMS传感器的多样性。

本发明实施例还提供了一种基于神经网络的MEMS传感器的检测装置100，该装置用于执行前述基于神经网络的MEMS传感器的检测方法的任一实施例。具体地，请参阅图8，图8是本发明实施例提供的基于神经网络的MEMS传感器的检测装置100的示意性框图。

如图8所示，所述的基于神经网络的MEMS传感器的检测装置100，该装置包括接收单元110、第一生成单元120、第一输入单元130、第二输入单元140和第三输入单元150。

接收单元110，用于接收预置的MEMS传感器的检测请求；

第一生成单元120，用于根据预置的第一生成式对抗网络生成多组所述MEMS传感器的第一输入信号。

第一输入单元130，用于将多组所述第一输入信号输入至所述MEMS传感器中，得到每组所述第一输入信号的第一输出信号。

第二输入单元140，用于将每组所述第一输出信号输入至预置的第二生成式对抗网络中，得到每组所述第一输出信号的特征图。

第三输入单元150，用于将所述特征图输入至预置的VGG神经网络中，得到所述MEMS传感器的检测结果。

在另一实施例中，所述的基于神经网络的MEMS传感器的检测装置100还包括：第一获取单元和第一训练单元。

第一获取单元，用于获取预置的正常MEMS传感器、预置的异常MEMS传感器输出的多组第二输出信号。

第一训练单元，用于根据所述第二输出信号对所述第一生成式对抗网络进行训练，得到训练后的第一生成式对抗网络。

在另一实施例中，所述的基于神经网络的MEMS传感器的检测装置100还包括：第四输入单元和筛选单元。

第四输入单元，用于将预设的多组压力信号输入任意MEMS传感器中，得到多组第一信号。

筛选单元，用于根据预设的筛选规则对多组所述第一信号进行筛选，得到输入至所述正常MEMS传感器、所述异常MEMS传感器中的多组筛选信号。

在另一实施例中，所述第一训练单元包括：预处理单元和第二训练单元。

预处理单元，用于对所述第二输出信号进行预处理，得到预处理后的第二输出信号；第二训练单元，用于根据所述预处理后的第二输出信号对所述第一生成式对抗网络进行训练，得到训练后的第一生成式对抗网络。

在另一实施例中，所述预处理单元包括：第二获取单元、第一组合单元和第二组合单元。

第二获取单元，用于获取所述正常MEMS传感器输出的多组第二信号以及所述异常MEMS传感器输出的多组第二信号；第一组合单元，用于根据预设的第一组合规则对所述正常MEMS传感器输出的多组第二信号进行组合，得到组合后的第一信号；第二组合单元，用于根据预设的第二组合规则对所述异常MEMS传感器输出的多组第二信号进行组合，得到组合后的第二信号。

在另一实施例中，所述的基于神经网络的MEMS传感器的检测装置100还包括：第三获取单元、第五输入单元和第三训练单元。

第三获取单元，用于获取所述第一生成式对抗网络训练时输出的多组第二输入信号。

第五输入单元，用于将多组所述第二输入信号输入至任意MEMS传感器中，得到多组第三输出信号。

第三训练单元，用于根据多组所述第三输出信号对所述第二生成式对抗网络进行训练，得到训练后的第二生成式对抗网络。

在另一实施例中，所述的基于神经网络的MEMS传感器的检测装置100还包括：第四训练单元。

第四训练单元，用于根据所述第二生成式对抗网络训练时输出的特征图对所述VGG神经网络进行训练，得到训练后的VGG神经网络。

本发明实施例所提供的基于神经网络的MEMS传感器的检测装置100用于执行上述接收预置的MEMS传感器的检测请求；根据预置的第一生成式对抗网络生成多组所述MEMS传感器的第一输入信号；将多组所述第一输入信号输入至所述MEMS传感器中，得到每组所述第一输入信号的第一输出信号；将每组所述第一输出信号输入至预置的第二生成式对抗网络中，得到每组所述第一输出信号的特征图；将所述特征图输入至预置的VGG神经网络中，得到所述MEMS传感器的检测结果。

请参阅图9，图9是本发明实施例提供的计算机设备的示意性框图。

参阅图9，该设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于神经网络的MEMS传感器的检测方法。

该处理器502用于提供计算和控制能力，支撑整个设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于神经网络的MEMS传感器的检测方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的设备500的限定，具体的设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：接收预置的MEMS传感器的检测请求；根据预置的第一生成式对抗网络生成多组所述MEMS传感器的第一输入信号；将多组所述第一输入信号输入至所述MEMS传感器中，得到每组所述第一输入信号的第一输出信号；将每组所述第一输出信号输入至预置的第二生成式对抗网络中，得到每组所述第一输出信号的特征图；将所述特征图输入至预置的VGG神经网络中，得到所述MEMS传感器的检测结果。

本领域技术人员可以理解，图9中示出的设备500的实施例并不构成对设备500具体构成的限定，在其他实施例中，设备500可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，设备500可以仅包括存储器及处理器502，在这样的实施例中，存储器及处理器502的结构及功能与图9所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器502、数字信号处理器502(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。

在本发明的另一实施例中提供计算机存储介质。该存储介质可以为非易失性的计算机可读存储介质。该存储介质存储有计算机程序5032，其中计算机程序5032被处理器502执行时实现以下步骤：接收预置的MEMS传感器的检测请求；根据预置的第一生成式对抗网络生成多组所述MEMS传感器的第一输入信号；将多组所述第一输入信号输入至所述MEMS传感器中，得到每组所述第一输入信号的第一输出信号；将每组所述第一输出信号输入至预置的第二生成式对抗网络中，得到每组所述第一输出信号的特征图；将所述特征图输入至预置的VGG神经网络中，得到所述MEMS传感器的检测结果。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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，或者该技术方案的全部或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设备500 ( 可以是个人计算机，服务器，或者网络设备等 ) 执行本发明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-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。