CN110020685A - 一种基于自适应滤波和受限玻尔兹曼机的预处理方法,终端及可读存储介质 - Google Patents
一种基于自适应滤波和受限玻尔兹曼机的预处理方法,终端及可读存储介质 Download PDFInfo
- Publication number
- CN110020685A CN110020685A CN201910280676.3A CN201910280676A CN110020685A CN 110020685 A CN110020685 A CN 110020685A CN 201910280676 A CN201910280676 A CN 201910280676A CN 110020685 A CN110020685 A CN 110020685A
- Authority
- CN
- China
- Prior art keywords
- boltzmann machine
- data
- adaptive
- limited boltzmann
- filtering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于自适应滤波器和受限玻尔兹曼机的飞参数据预处理算法,从去除噪声和提取特征两个方面对飞参数据预处理进行研究,利用自适应滤波器对记录的动态系统飞参数据估值处理,去除数据中噪声;利用玻尔兹曼机强大的无监督学习能力对记录的飞参数据从高维可视层的输入值映射到低维隐藏层,在少量的标签信息基础上利用特征信号出现的概率大于噪声特征信号的概率实现对低维特征数据进行聚类分组,从而达到对飞参数据特征提取的目的。本发明抗干扰能力强,对处理的飞参数据量要求低,算法简单,并且完成了对飞机参数数据的去噪、特征提取、降维的处理,编程易于实现。
Description
技术领域
本发明涉及本发明属于信号处理技术领域,尤其涉及军用飞行大数据机务外场自主保障信息支持系统的基于自适应滤波和受限玻尔兹曼机的飞机参数预处理方法,终端及可读存储介质。
背景技术
从上世纪90年代至今,航空装备技术飞速发展,尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下,作战飞机在使用和维护过程中记录了大量飞参数据,这些数据对于保障飞行安全和评估飞行训练具有极高的使用价值。为更有效地利用飞参数据,数据仓库和数据挖掘技术开始应用于飞参数据的管理和处理。然而,目前飞参数据挖掘的研究主要集中于挖掘算法,对飞参数据的预处理缺乏深入研究,从而导致挖掘结果质量的降低。
飞机飞行中处于高速、高负荷的运动状态,飞行参数记录系统在对各种信号的采集、传输和记录过程中不可避免会受到一些电磁干扰,因此记录的数据中必然混有干扰噪声和奇异点,甚至出现数据紊乱。要正确反映和重现飞机的真实飞行过程,并进一步地把飞参数据作为飞机、发动机及其机载设备工作状态监控、飞行训练质量评估、飞行事故分析的基础,必须对记录数据进行必要的数字滤波,消除干扰噪声,识别和剔除奇异数据点,并对数据进行平滑处理。飞参数据中的奇异点,又称野值点、离群点或跳点,是明显偏离被测信号变化规律的数据点,它不是被测对象本身故障的记录,而是由传感器、变换器及无线电传输中的干扰等造成的异常跳变点。实际情况表明,野点是个别的,但它们对数据分析结果的影响却是严重的。故在进行数据分析前必须通过一定的方法对其加以判别和修正或剔除。
另一方面,飞参数据中包含了大量的参数,而且这些参数之间的关联关系并不明确,如果不针对挖掘任务选择需要的参数就必然会使挖掘工作量巨大,同时也无法保证挖掘结果质量。在这样一个背景下,飞参数据的特征提取预处理研究具有重要的意义。
发明内容
为了克服上述现有技术中的不足,本发明提供一种基于自适应滤波和受限玻尔兹曼机的预处理方法,方法从去除噪声和提取特征两个方面对飞参数据预处理进行研究,并相应地提出了一种基于自适应滤波器的去除噪声方法和一种基于受限玻尔兹曼机的特征提取方法,从而为飞参数据的预处理探索了一条有效的途径。
方法包括:方法包括以下步骤:
(1)飞参数据采集:收集飞参记录系统中的飞机参数数据,获得飞参数据信号;
(2)搭建自适应滤波器模型:自适应滤波器的参数受误差信号e(n)的控制,并通过自适应算法进行自动调整,使得实际输出的y(n)估计值等于期望输出d(n);
(3)变步长LMS算法对自适应滤波器进行更新:将剔除野值后的飞参数据进行分组处理,分别为训练组数据和测试组数据;
(4)搭建受限去噪玻尔兹曼机模型;
(5)使用飞参数据训练模型:
(6)飞机参数数据特征的提取:用测试组数据送入受限玻尔兹曼机模型中,将训练组所获得的特征值与本次测试数据所获得的特征值进行相似度计算进而判断特征提取与聚类结果的准确性。
一种基于自适应滤波和受限玻尔兹曼机的预处理方法的终端,包括:
存储器,用于存储计算机程序及基于自适应滤波和受限玻尔兹曼机的预处理方法;
处理器,用于执行所述计算机程序及基于自适应滤波和受限玻尔兹曼机的预处理方法,以实现基于自适应滤波和受限玻尔兹曼机的预处理方法的步骤。
一种具有基于自适应滤波和受限玻尔兹曼机的预处理方法的可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现基于自适应滤波和受限玻尔兹曼机的预处理方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明基于自适应滤波和受限玻尔兹曼机的预处理算法,利用自适应滤波算法对记录的动态系统飞参数据估值处理,去除数据中噪声;利用受限玻尔兹曼机强大的无监督学习能力对记录的飞参数据从高维可视层的输入值映射到低维隐藏层,从而达到对飞参数据特征提取的目的。
本发明不同于维纳滤波和卡尔曼滤波,自适应滤波技术无需已知信号和噪声的统计特性等先验条件,就能够获得极佳的滤波性能,适用范围广,且计算复杂度低,在平稳环境中收敛性好,其均值无偏离收敛到维纳解,性能稳定,结构简单。受限玻尔兹曼机在对模型进行训练过程中为了更快更高效的求取模型的阈值和权值引入了变异算子即以一定概率接受较差解,从而也避免了寻优过程陷入局部最优的问题。本算法理论简单,适用于现在的大规模飞参数据处理,对现目前的信号特征提取算法提供了一种新的思路,在实现特征提取时候同时进行了飞参数据的去噪和降维处理。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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的前提下,还可以根据这些附图获得其他的附图。
图1为基于自适应滤波和受限玻尔兹曼机的预处理方法流程图;
图2为基于自适应滤波和受限玻尔兹曼机的预处理算法实施例流程图;
图3为高斯伯努利受限玻尔兹曼机网络图;
图4为自适应滤波器原理框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将运用具体的实施例及附图,对本发明保护的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本专利中的实施例,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它实施例,都属于本专利保护的范围。
本发明提供一种基于自适应滤波和受限玻尔兹曼机的预处理方法,如图1至4所示,方法包括以下步骤:
S1,飞参数据采集:收集飞参记录系统中的飞机参数数据,获得飞参数据信号;
S2,搭建自适应滤波器模型:自适应滤波器的参数受误差信号e(n)的控制,并通过自适应算法进行自动调整,使得实际输出的y(n)估计值等于期望输出d(n);
步骤S2中搭建自适应滤波器模型依据的自适应滤波原理,单输入情况下,输入信号矢量x(n)=[x(n)x(n-1)...x(n-L)]T,输出自适应线性组合器的L+1个权系数构成一个权系数矢量,称为权矢量,用w(n)表示,即w(n)=[w0(n)w1(n)...wL(n)]T,则y(n)=xT(n)w(n)=wT(n)x(n),参考响应与输出响应之差称为误差信号,用e(n)表示,即e(n)=d(n)-y(n)=d(n)-wT(n)x(n),自适应线性组合器按照误差信号均方值(或平均功率)最小的准则,即ξ(n)=E[d2(n)]+wT(n)E[x(n)xT(n)]w(n)-2E[d(n)xT(n)]w(n),在d(n)和x(n)都是平稳随机信号的情况下,有如下定义,输入信号x(n)的自相关矩阵R=E[x(n)xT(n)],期望信号与输入信号的互相关矩阵P=E[x(n)d(n)],则均方误差的简单表达形式ξ(n)=E[d2(n)]+wT(n)Rw-2PTw,从该式可看出,在输入信号和参考响应都是平稳随机信号的前提下,均方误差是权矢量的各分量的二次函数。的函数图形是L+2维空间中一个中间下凹的超抛物面,有唯一的最低点,该曲面称为均方误差性能曲面,简称性能曲面。
均方误差性能曲面的梯度令梯度可求得最小均方误差对应的最佳权矢量w*=R-1P。最陡下降法是沿性能曲面最陡方向向下搜索曲面的最低点。曲面的最陡下降方向是曲面的负梯度方向。这是一个迭代搜索过程。
S3,变步长LMS算法对自适应滤波器进行更新:将剔除野值后的飞参数据进行分组处理,分别为训练组数据和测试组数据;
步骤S3中变步长LMS算法对自适应滤波器进行更新的核心思想是用平方误差代替均方误差,即, 只是单个平方误差序列的梯度,而则是多个平方误差序列统计平均的梯度,所以LMS算法就是用前者作为后者的近似,可得包括以下步骤:
(1)将待处理的飞参数据输入到自适应滤波器;
(2)计算输出,输入与权系数分别相乘;
(3)迭代误差,期望响应减去输出;
(4)权值更新;
重复上述步骤。
S4,搭建受限去噪玻尔兹曼机模型;
步骤S4中搭建受限去噪玻尔兹曼机模型包括以下步骤:
(1)训练高斯伯努利受限玻尔兹曼机模型的优化目标为使高斯伯努利受限玻尔兹曼机模型能够最大程度拟合训练数据分布,即经过特征编码再解码后的重构数据误差最小。假设正常情况下的过程数据为X=[x(1),x(2),...,x(n)]∈Rm*n,X的每一列表示一个传感器的n次独立的采样点,每一行表示一个独立采样的m个变量。取高斯伯努利受限玻尔兹曼机模型可见层单元节点数等于x(i)的变量数m,选取隐含层单元节点个数为k。根据高斯伯努利受限玻尔兹曼机的结构特点,给定可见层单元状态,各隐含层的激活状态条件独立;给定隐层单元状态,可见层单元的激活状态也条件独立,有
(2)取式中各σ,为1,采用无噪声重构形式,对高斯伯努利受限玻尔兹曼机模型网络参数θ随机初始化,得到网络参数初值
(3)将训练数据标准化预处理后,输入高斯伯努利受限玻尔兹曼机模型可见层v,x(i)中的每个变量对应可见层v中的每一个节点,将X经由可见层,计算隐层节点的激活概率,再对隐层节点随机激活,实现可见层v到隐层h的编码,得到隐层特征。再计算重构可见层节点均值,并将该均值输入正态分布随机函数,生成重构数据,实现隐层h至可见层v的解码。此时可以得到高斯伯努利受限玻尔兹曼机模型模型参数θ下训练数据集X的概率分布如下
(4)参数可以通过最大化高斯伯努利受限玻尔兹曼机网络在训练数据集X上的对数似然函数学习获得
其中<·>P表示关于分布P的数学期望,<.>P(x,h|θ)表示训练数据集作为可见层输入集时隐层特征状态的激活概率,是与输入数据相关的分布,记为<.>data,<.>P(x,h|θ)表示给定模型参数θ下的可见层状态和隐层状态的联合概率分布,是与模型结构相关的分布,记为<.>mod el
(5)由于归一化因子Z(θ)的存在,<.>mod el难以计算,因此在通过随机梯度上升算法对参数寻优时,无法直接计算偏导数第二项的值。通过对比散度(CD)算法,利用单次吉布斯采样得到原始数据重构,可以用重构数据的联合概率分布近似模型的联合概率分布<.>P(x,h|θ)来指导参数更新方向,记重构数据的联合概率为<.>recon,从而实现快速学习训练高斯伯努利受限玻尔兹曼机模型模型。根据CD算法,随机梯度上升法的更新准则变为
(6)通过经过多次迭代达到训练终止条件后,即可获得高斯伯努利受限玻尔兹曼机模型的最优模型参数。
提取测试集飞参数据特征,获取测试集数据后,将数据输入高斯伯努利受限玻尔兹曼机模型的高斯可见层,同样地通过编码再解码得到测试集飞参数据的隐层特征。
S5,使用飞参数据训练模型:
将经过自适应滤波器处理后的训练组数据输入建立高斯伯努利受限玻尔兹曼机模型的单可视层v,输入状态值对单可视层v的每个节点,将输入状态值经由单可视层v,通过计算隐层节点的激活率,再对隐层节点随机激活,实现单可视层v到单隐含层h的编码,得到隐层特征。再计算重构可见层节点均值,并将该均值输入正态分布随机函数,生成重构数据,实现单隐含层h到单可视层v的解码。通过对比散度算法采用单次吉布斯采样得到原始数据重构,可以用重构数据的联合概率分布近似模型的联合概率,以此来指导参数更新方向,从而实现快速学习训练高斯伯努利受限玻尔兹曼机模型。
S6,飞机参数数据特征的提取:用测试组数据送入受限玻尔兹曼机模型中,将训练组所获得的特征值与本次测试数据所获得的特征值进行相似度计算进而判断特征提取与聚类结果的准确性。
本发明还提供一种基于自适应滤波和受限玻尔兹曼机的预处理方法的终端,包括:存储器,用于存储计算机程序及基于自适应滤波和受限玻尔兹曼机的预处理方法;
处理器,用于执行所述计算机程序及基于自适应滤波和受限玻尔兹曼机的预处理方法,以实现基于自适应滤波和受限玻尔兹曼机的预处理方法的步骤。
本发明一种具有基于自适应滤波和受限玻尔兹曼机的预处理方法的可读存储介质,计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现基于自适应滤波和受限玻尔兹曼机的预处理方法的步骤。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于自适应滤波和受限玻尔兹曼机的预处理方法,其特征在于,方法包括以下步骤:
(1)飞参数据采集:收集飞参记录系统中的飞机参数数据,获得飞参数据信号;
(2)搭建自适应滤波器模型:自适应滤波器的参数受误差信号e(n)的控制,并通过自适应算法进行自动调整,使得实际输出的y(n)估计值等于期望输出d(n);
(3)变步长LMS算法对自适应滤波器进行更新:将剔除野值后的飞参数据进行分组处理,分别为训练组数据和测试组数据;
(4)搭建受限去噪玻尔兹曼机模型;
(5)使用飞参数据训练模型:
(6)飞机参数数据特征的提取:用测试组数据送入受限玻尔兹曼机模型中,将训练组所获得的特征值与本次测试数据所获得的特征值进行相似度计算进而判断特征提取与聚类结果的准确性。
2.根据权利要求1所述的基于自适应滤波和受限玻尔兹曼机的预处理方法,其特征在于,
步骤(2)中搭建自适应滤波器模型依据的自适应滤波原理,单输入情况下,输入信号矢量x(n)=[x(n)x(n-1)...x(n-L)]T,输出自适应线性组合器的L+1个权系数构成一个权系数矢量,用w(n)表示,即w(n)=[w0(n)w1(n)...wL(n)]T,则y(n)=xT(n)w(n)=wT(n)x(n),参考响应与输出响应之差称为误差信号,用e(n)表示,即e(n)=d(n)-y(n)=d(n)-wT(n)x(n),自适应线性组合器按照误差信号均方值(或平均功率)最小的准则,
即ξ(n)=E[d2(n)]+wT(n)E[x(n)xT(n)]w(n)-2E[d(n)xT(n)]w(n),在d(n)和x(n)都是平稳随机信号的情况下,有如下定义,输入信号x(n)的自相关矩阵R=E[x(n)xT(n)],期望信号与输入信号的互相关矩阵P=E[x(n)d(n)],则均方误差的简单表达形式ξ(n)=E[d2(n)]+wT(n)Rw-2PTw,从该式可看出,在输入信号和参考响应都是平稳随机信号的前提下,均方误差是权矢量的各分量的二次函数;函数图形是L+2维空间中一个中间下凹的超抛物面,有唯一的最低点,该曲面称为均方误差性能曲面;
均方误差性能曲面的梯度令梯度求得最小均方误差对应的最佳权矢量w*=R-1P。
3.根据权利要求1或2所述的基于自适应滤波和受限玻尔兹曼机的预处理方法,其特征在于,步骤(3)中变步长LMS算法对自适应滤波器进行更新的是用平方误差代替均方误差,即, 是单个平方误差序列的梯度,是多个平方误差序列统计平均的梯度,LMS算法就是用作为者的近似,得
包括以下步骤:
(1)将待处理的飞参数据输入到自适应滤波器;
(2)计算输出,输入与权系数分别相乘;
(3)迭代误差,期望响应减去输出;
(4)权值更新;
重复上述步骤。
4.根据权利要求1或2所述的基于自适应滤波和受限玻尔兹曼机的预处理方法,其特征在于,
步骤(4)中搭建受限去噪玻尔兹曼机模型包括以下步骤:
401,训练高斯伯努利受限玻尔兹曼机模型的优化目标为使高斯伯努利受限玻尔兹曼机模型能够最大程度拟合训练数据分布,经过特征编码再解码后的重构数据误差最小;预设过程数据为X=[x(1),x(2),…,x(n)]∈Rm*n,X的每一列表示一个传感器的n次独立的采样点,每一行表示一个独立采样的m个变量;取高斯伯努利受限玻尔兹曼机模型可见层单元节点数等于x(i)的变量数m,选取隐含层单元节点个数为k;给定可见层单元状态,各隐含层的激活状态条件独立;给定隐层单元状态,可见层单元的激活状态条件独立,有
402,式中各σ为1,采用无噪声重构形式,对高斯伯努利受限玻尔兹曼机模型网络参数θ随机初始化,得到网络参数初值
403,将训练数据标准化预处理后,输入高斯伯努利受限玻尔兹曼机模型可见层v,x(i)中的每个变量对应可见层v中的每一个节点,将X经由可见层,计算隐层节点的激活概率,再对隐层节点随机激活,实现可见层v到隐层h的编码,得到隐层特征;
计算重构可见层节点均值,并将该均值输入正态分布随机函数,生成重构数据,实现隐层h至可见层v的解码;得到高斯伯努利受限玻尔兹曼机模型模型参数θ下训练数据集X的概率分布如下
404,参数通过最大化高斯伯努利受限玻尔兹曼机网络在训练数据集X上的对数似然函数学习获得
其中<.>P表示关于分布P的数学期望,<.>P(x,h|θ)表示训练数据集作为可见层输入集时隐层特征状态的激活概率,是与输入数据相关的分布,记为<.>data,<.>P(x,h|θ)表示给定模型参数θ下的可见层状态和隐层状态的联合概率分布,是与模型结构相关的分布,记为<.>mod el;
405,通过对比散度(CD)算法,利用单次吉布斯采样得到原始数据重构,重构数据的联合概率分布近似模型的联合概率分布<.>P(x,h|θ)来指导参数更新方向,记重构数据的联合概率为<·>recon,实现学习训练高斯伯努利受限玻尔兹曼机模型;
根据CD算法,随机梯度上升法的更新准则变为
406,通过经过多次迭代达到训练终止条件后,即获得高斯伯努利受限玻尔兹曼机模型的最优模型参数;
407,提取测试集飞参数据特征,获取测试集数据后,将数据输入高斯伯努利受限玻尔兹曼机模型的高斯可见层,同样地通过编码再解码得到测试集飞参数据的隐层特征。
5.根据权利要求1或2所述的基于自适应滤波和受限玻尔兹曼机的预处理方法,其特征在于,步骤(5)还包括:
将经过自适应滤波器处理后的训练组数据输入建立高斯伯努利受限玻尔兹曼机模型的单可视层v,输入状态值对单可视层v的每个节点,将输入状态值经由单可视层v,通过计算隐层节点的激活率,再对隐层节点随机激活,实现单可视层v到单隐含层h的编码,得到隐层特征;
再计算重构可见层节点均值,并将该均值输入正态分布随机函数,生成重构数据,实现单隐含层h到单可视层v的解码。通过对比散度算法采用单次吉布斯采样得到原始数据重构,用重构数据的联合概率分布近似模型的联合概率,以此来指导参数更新方向,快速学习训练高斯伯努利受限玻尔兹曼机模型。
6.一种基于自适应滤波和受限玻尔兹曼机的预处理方法的终端,其特征在于,包括:
存储器,用于存储计算机程序及基于自适应滤波和受限玻尔兹曼机的预处理方法;
处理器,用于执行所述计算机程序及基于自适应滤波和受限玻尔兹曼机的预处理方法,以实现如权利要求1至5任意一项所述基于自适应滤波和受限玻尔兹曼机的预处理方法的步骤。
7.一种具有基于自适应滤波和受限玻尔兹曼机的预处理方法的可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至5任意一项所述基于自适应滤波和受限玻尔兹曼机的预处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280676.3A CN110020685A (zh) | 2019-04-09 | 2019-04-09 | 一种基于自适应滤波和受限玻尔兹曼机的预处理方法,终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280676.3A CN110020685A (zh) | 2019-04-09 | 2019-04-09 | 一种基于自适应滤波和受限玻尔兹曼机的预处理方法,终端及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020685A true CN110020685A (zh) | 2019-07-16 |
Family
ID=67190903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280676.3A Pending CN110020685A (zh) | 2019-04-09 | 2019-04-09 | 一种基于自适应滤波和受限玻尔兹曼机的预处理方法,终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020685A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815806A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN112215054A (zh) * | 2020-07-27 | 2021-01-12 | 西北工业大学 | 一种用于水声信号去噪的深度生成对抗方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149123A1 (en) * | 2012-03-30 | 2013-10-03 | The Ohio State University | Monaural speech filter |
CN105515597A (zh) * | 2015-12-02 | 2016-04-20 | 中国电子科技集团公司第四十一研究所 | 一种接收机自动增益控制电路 |
CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
CN106782504A (zh) * | 2016-12-29 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别方法和装置 |
CN107884749A (zh) * | 2017-10-16 | 2018-04-06 | 电子科技大学 | 一种低空无人机被动声探测定位装置 |
CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
CN109147817A (zh) * | 2018-08-29 | 2019-01-04 | 昆明理工大学 | 一种基于变异受限玻尔兹曼机的去噪音频特征提取算法 |
-
2019
- 2019-04-09 CN CN201910280676.3A patent/CN110020685A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149123A1 (en) * | 2012-03-30 | 2013-10-03 | The Ohio State University | Monaural speech filter |
CN105515597A (zh) * | 2015-12-02 | 2016-04-20 | 中国电子科技集团公司第四十一研究所 | 一种接收机自动增益控制电路 |
CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
CN106782504A (zh) * | 2016-12-29 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别方法和装置 |
CN107884749A (zh) * | 2017-10-16 | 2018-04-06 | 电子科技大学 | 一种低空无人机被动声探测定位装置 |
CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
CN109147817A (zh) * | 2018-08-29 | 2019-01-04 | 昆明理工大学 | 一种基于变异受限玻尔兹曼机的去噪音频特征提取算法 |
Non-Patent Citations (2)
Title |
---|
于杰: "自适应数字滤波器算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王攀 等: "《优化与控制中的软计算方法研究》", 31 January 2017, 湖北科学技术出版 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815806A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN111815806B (zh) * | 2020-07-10 | 2021-11-16 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN112215054A (zh) * | 2020-07-27 | 2021-01-12 | 西北工业大学 | 一种用于水声信号去噪的深度生成对抗方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815806B (zh) | 一种基于野值剔除和特征提取的飞参数据预处理方法 | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
CN108737406A (zh) | 一种异常流量数据的检测方法及系统 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
CN106909756A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN110307983B (zh) | 基于CNN-Bagging的无人机轴承故障诊断方法 | |
CN113868006B (zh) | 时间序列的检测方法、装置、电子设备及计算机存储介质 | |
CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
CN114755745A (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN110020685A (zh) | 一种基于自适应滤波和受限玻尔兹曼机的预处理方法,终端及可读存储介质 | |
CN110261080A (zh) | 基于多模态数据的异构旋转型机械异常检测方法及系统 | |
CN111080168B (zh) | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
CN116773952A (zh) | 一种变压器声纹信号故障诊断方法及系统 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
Gao et al. | RUL prediction for IMA based on deep regression method | |
CN112561055B (zh) | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 | |
Jiménez-Guarneros et al. | Multiclass Incremental Learning for Fault Diagnosis in Induction Motors Using Fine‐Tuning with a Memory of Exemplars and Nearest Centroid Classifier | |
Mirzaeifard et al. | Dynamic graph topology learning with non-convex penalties | |
CN114202110A (zh) | 一种基于rf-xgboost的业务故障预测方法及装置 | |
Zhu et al. | Fault diagnosis of rolling bearing based on WT-VMD and random forest | |
CN106778592A (zh) | 基于多小波的水电机组状态监测数据降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |