CN110032758A - 计算电信号的能量的方法、装置和计算机存储介质 - Google Patents
计算电信号的能量的方法、装置和计算机存储介质 Download PDFInfo
- Publication number
- CN110032758A CN110032758A CN201910153366.5A CN201910153366A CN110032758A CN 110032758 A CN110032758 A CN 110032758A CN 201910153366 A CN201910153366 A CN 201910153366A CN 110032758 A CN110032758 A CN 110032758A
- Authority
- CN
- China
- Prior art keywords
- unit
- energy
- convolutional neural
- neural network
- group
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 239000013074 reference sample Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 100
- 230000008569 process Effects 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 24
- 238000001228 spectrum Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请实施例公开了计算电信号的能量的方法、装置和计算机存储介质,该方法可以包括:利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。通过利用本申请实施例提供的基于卷积神经网络计算电信号的能量的方法,可以提高所得到的电信号的能量的准确性,还可以提高数据处理速度,并且减少计算量。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种基于卷积神经网络计算电信号的能量的方法、装置和计算机存储介质。
背景技术
在高能粒子探测领域,尤其是在正电子发射断层成像(Positron EmissionTomography,简称PET)领域中,所获取的闪烁脉冲等电信号的能量对判断所探测到的符合事件具有重要作用,并且能量分辨率也是判断PET系统性能的一项重要指标。因此,如何准确地获取闪烁脉冲等电信号的能量是一个值得研究的问题。
以电信号为闪烁脉冲为例,目前一般是通过获取闪烁脉冲的先验信息、构建闪烁脉冲的函数模型并利用该函数模型进行积分计算来获得闪烁脉冲的能量。然而,利用这种方法计算得到的能量的准确性取决于所获取的闪烁脉冲的先验信息以及所构建的函数模型的准确性,闪烁脉冲的有限采样点对函数模型的求解有一定的不准确性的影响。而且,构建闪烁脉冲的函数模型并利用该函数模型计算闪烁脉冲的能量这种方式具有较大的计算量,并且可能会增加数据处理时间。
发明内容
本申请实施例的目的是提供一种计算电信号的能量的方法、装置和计算机存储介质,以提高所得到电信号的能量的准确性并提高数据处理速度。
为了解决上述技术问题,本申请实施例提供了一种计算电信号的能量的方法,该方法可以包括:
利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及
利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。
可选的,每一组所述参考采样点以及对应的一个所述实测能量均是通过对探测到的所述参考电信号进行处理得到的或者是从预先制作的训练样本中选取的。
可选的,对探测到的所述参考电信号进行处理包括:
利用时间间隔采样方法和/或多幅度阈值采样方法对所述参考电信号进行采样处理,以得到参考采样点;并且
在采样处理过程中利用示波器直接测量与所述参考采样点对应的能量以作为所述实测能量,或者对所述参考采样点进行处理以得到所述实测能量。
可选的,所述卷积神经网络包括相互连接的卷积单元、全连接单元和计算单元,对所述卷积神经网络进行训练的步骤包括:
利用所述卷积单元对每一组所述参考采样点的时间或幅度与其卷积核进行卷积计算;
利用所述全连接单元对所述卷积单元针对每一组所述参考采样点的计算结果进行全连接处理;
利用所述计算单元根据所述全连接单元针对所有组所述参考采样点的的处理结果以及所述一组实测能量计算所述卷积神经网络的网络参数。
可选的,所述全连接单元包括第一全连接层和第二全连接层,并且所述全连接单元对所述卷积单元针对每一组所述参考采样点的计算结果的步骤包括:
所述第一全连接层按照以下公式对所述卷积单元针对每一组所述参考采样点的所述计算结果进行处理:
其中,为所述卷积单元针对第i组参考采样点的计算结果,为所述第一全连接层针对所述第i组参考采样点的处理结果;和分别为所述卷积神经网络的第一参数和第二参数,i、m和n均为正整数;
所述第二全连接层按照以下公式对所述第一全连接层输出的针对每一组所述参考采样点的所述处理结果进行进一步处理:
其中,Yi为所述第二全连接层针对所述第i组参考采样点的处理结果,[c1 c2··· cm]i和di分别为所述卷积神经网络的第三参数和第四参数。
可选的,利用所述计算单元计算所述卷积神经网络的网络参数的步骤包括:
所述计算单元根据第二全连接层输出的针对所有组所述参考采样点的处理结果以及所述一组实测能量构建损失函数,并且利用所构建的所述损失函数计算所述卷积神经网络的所述第一参数、所述第二参数、所述第三参数和所述第四参数。
可选的,所述待测电信号与所述参考电信号为相同的电信号,并且均包括闪烁脉冲。
本申请实施例还提供了一种用于计算电信号的能量的装置,该装置包括:
训练单元,其被配置为利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及
处理单元,其被配置为利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。
可选的,所述卷积神经网络包括相互连接的卷积单元、全连接单元和计算单元,所述训练单元具体被配置为:
利用所述卷积单元对每一组所述参考采样点的时间或幅度与其卷积核进行卷积计算;并且
利用所述全连接单元对所述卷积单元针对每一组所述参考采样点的计算结果进行全连接处理;并且
利用所述计算单元根据所述全连接单元针对所有组所述参考采样点的的处理结果以及所述一组实测能量计算所述卷积神经网络的网络参数。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质上存储有程序指令,所述程序指令被执行时实现:
利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。
由以上本申请实施例提供的技术方案可见,本申请实施例利用参考电信号的参考采样点和实测能量对卷积神经网络进行训练,然后利用训练后的卷积神经网络对待测电信号的待测采样点进行处理以得到待测电信号的预测能量,而不依赖于电信号的先验信息以及所构建的函数模型的准确性,从而可以提高所得到的电信号的能量的准确性,并且还可以提高数据处理速度,减少计算量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请中记载的一些实施例,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是本申请实施例提供的一种计算电信号的能量的方法的流程图;
图2是实际测量探测到的闪烁脉冲所得到的能谱图;
图3是利用现有技术中的双指数拟合方法对探测到的闪烁脉冲进行处理而得到的能谱图;
图4是利用本申请实施例提供的方法对探测到的闪烁脉冲进行处理而得到的能谱图;
图5是本申请实施例提供的一种用于计算电信号的能量的装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是用于解释说明本申请的一部分实施例,而不是全部的实施例,并不希望限制本申请的范围或权利要求书。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都应当属于本申请保护的范围。
需要说明的是,当元件被称为“设置在”另一个元件上,它可以直接设置在另一个元件上或者也可以存在居中的元件。当元件被称为“连接/联接”至另一个元件,它可以是直接连接/联接至另一个元件或者可能同时存在居中元件。本文所使用的术语“连接/联接”可以包括电气和/或机械物理连接/联接。本文所使用的术语“包括/包含”指特征、步骤或元件的存在,但并不排除一个或更多个其它特征、步骤或元件的存在或添加。本文所使用的术语“和/或”包括一个或多个相关所列项目的任意的和所有的组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体实施例的目的,而并不是旨在限制本申请。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于描述目的和区别类似的对象,两者之间并不存在先后顺序,也不能理解为指示或暗示相对重要性。
在本申请实施例中,卷积神经网络可以包括输入层、卷积单元、全连接单元和计算单元等,其中,卷积单元可以包括相互连接的一个或多个卷积单元,全连接单元可以包括相互连接的第一全连接层和第二全连接层等。另外,卷积神经网络还可以包括输出层,或者第二全连接层也可以是输出层。
下面结合附图对本申请实施例提供的计算电信号的能量的方法、装置和计算机存储介质进行详细的描述。
图1示出了本申请实施例提供的一种计算电信号的能量的方法的流程图。该方法可以包括以下步骤:
S1:利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练。
卷积神经网络可以是任意建立的,并且其网络参数的初始值可以是自由设定的。
每一组参考采样点中都包括大量的参考采样点,并且不同组参考采样点中的参考采样点的数量可以相同,也可以不同。所述一组实测能量中包括多个实测能量,每个实测能量对应一组参考采样点,也就是说,所述一组实测能量中所包含的实测能量的数量与所述多组参考采样点的数量相同,并且每个实测能量和对应的一组参考采样点来自于同一路参考电信号。该参考电信号可以是连续信号,也可以是离散信号,例如,闪烁脉冲或其它的脉冲信号。
需要说明的是,这里的“多个”和“多组”一般为较大的数值,例如,1000以上。
每一组参考采样点以及对应的一个实测能量可以是通过对探测到的参考电信号进行处理得到的。具体地,可以利用时间间隔采样方法和/或多幅度阈值采样方法对PET探测器探测到的参考电信号进行采样处理,以得到大量的参考采样点,而且可以在采样处理过程中利用仪器(例如,示波器)直接测量对应的能量以作为实测能量,也可以对参考采样点进行处理(例如,黎曼积分)以得到对应的实测能量。关于采集参考采样点的具体处理过程,可以参考现有技术,在此不再赘叙。
时间间隔采样方法可以是指以下方法:按照相同的时间间隔,记录电信号在每个时间间隔所对应的时间点处的幅度,并且将每个时间点和与其对应的幅度作为一个采样点。多幅度阈值采样方法可以是指以下方法:记录电信号越过预先设置的多个幅度阈值的时间点,并且将所记录的每个时间点和对应的幅度阈值作为一个采样点。幅度阈值可以包括电压阈值或电流阈值等电性阈值,也可以包括其它的阈值,例如,电场强度等磁性阈值,但并不限于此。
另外,每一组参考采样点以及对应的一个实测能量也可以是从预先制作的训练样本中选取的。需要说明的是,训练样本中可以含有大量电信号的采样点以及与其对应的能量,并且每路电信号的采样点与能量之间一一对应。需要说明的是,这里的一一对应可以是指来自于同一路电信号的所有采样点具有相同的能量。
在获取多路参考电信号的多组参考采样点以及与其对应的一组实测能量之后,可以利用所获取的多组参考采样点以及与其对应的一组实测能量对所建立的卷积神经网络进行训练。具体地:
可以利用卷积神经网络的卷积单元对所输入的每一组参考采样点的时间或幅度与其卷积核进行卷积计算并且将计算结果发送给全连接单元;然后可以利用全连接单元对卷积单元针对每一组参考采样点的计算结果进行全连接处理;最后可以利用计算单元根据全连接单元输出的针对所有组参考采样点的处理结果以及对应的一组实测能量计算卷积神经网络的网络参数。
关于卷积单元的具体计算过程,可以参照现有技术,在此不再赘叙。
针对利用全连接单元对卷积单元的计算结果进行全连接处理的具体过程如下:
第一全连接层可以对卷积单元发送的计算结果进行处理,例如,对于卷积单元发送的针对每一组参考采样点的计算结果,都可以按照下述式(1)进行处理:
其中,为卷积单元针对第i组参考采样点的计算结果,即,时间或幅度;为第一全连接层针对第i组参考采样点的处理结果;为卷积神经网络的第一参数,并且各个第一参数的取值可以部分不同,也可以全部不同;为卷积神经网络的第二参数,具体表示偏移量,并且其各自可以相同,也可以不同;i、m和n均为正整数,m可以大于或等于n,并且i、m和n一般为大数据,而且对于不同组参考采样点,m和n均可以取相同或不同的数值。需要说明的是,上述第一参数和第二参数的初始值均可以是随机设定的。
在第一全连接层对卷积单元发送的每一组参考采样点的时间或幅度进行处理之后,其可以将针对每一组参考样点的处理结果输出到第二全连接层;第二全连接层可以对第一全连接层发送的针对每一组参考样点的处理结果进行进一步处理,例如,可以按照下面的公式(2)进行计算:
其中,Yi为第二全连接层针对第i组参考采样点的处理结果,[c1 c2 ··· cm]i和di分别为卷积神经网络的第三参数和第四参数,并且其初始值也可以是随机设定的。
在接收到第二全连接层输出的针对每一组参考采样点的处理结果之后,计算单元可以根据第二全连接层输出的针对所有组参考采样点的处理结果以及所输入的一组实测能量构建损失函数,并且利用所构建的损失函数计算卷积神经网络的第一参数、第二参数、第三参数、第四参数等网络参数,从而完成对卷积神经网络的训练。例如,可以利用最小二乘法求解下式(3)中的损失函数,并且将损失函数取得最优解时所对应的a(·)、b(·)、c(·)和d确定为卷积神经网络的网络参数。关于具体求解过程,可以参照现有技术,在此不再赘叙。
其中,L为损失函数,Ei为与第i组参考采样点对应的实测能量,N表示一组实测能量中所包含的实测能量的数量,并且一般为较大的正整数,例如,10000。
需要说明的是,损失函数并不限于上述形式,其也可以为交叉熵损失函数,如下式(4)所示,还可以为对数似然函数,如下式(5)所示,或者也还可以为指数损失函数等。
在本申请的另一实施例中,在卷积单元对所输入的多组参考采样点的时间或幅度进行卷积计算之前,也可以利用卷积神经网络的输入层对所输入的多组参考采样点的时间或幅度进行整形和/或归一化等预处理,然后由卷积单元对预处理后的时间或幅度进行卷积计算。
S2:利用训练后的卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到待测电信号的预测能量。
该待测电信号可以与参考电信号属于同一种电信号,并且也可以是一路或多路,而且其待测采样点也可以是利用上述时间间隔采样方法和/或多幅度阈值采样方法对待测电信号进行采样处理得到的。
在确定出卷积神经网络的第一参数、第二参数、第三参数和第四参数等网络参数之后,可以利用该卷积神经网络对每路待测电信号的待测采样点进行处理以得到其预测能量。具体地:
可以利用卷积神经网络的卷积单元对待测电信号的待测采样点的时间或幅度与其卷积核进行卷积计算,并且将计算后的时间或幅度发送给全连接单元中的第一全连接层。第一全连接层可以按照上述公式(1)对卷积单元发送的时间或幅度进行计算,从而可以计算出上述公式(1)中的各个y的取值,然后第二全连接层可以根据第一全连接层计算出的y值,计算出上述公式(2)中的Y值,即,待测电信号的预测能量。
关于卷积单元和第一全连接层的具体处理过程,可以参照步骤S1中的描述,在此不再赘叙。
通过上述描述可以看出,本申请实施例通过利用已经确定的参考电信号的参考采样点和实测能量对卷积神经网络进行训练,然后利用训练后的卷积神经网络对待测电信号的待测采样点进行处理以得到待测电信号的预测能量,而不依赖于电信号的先验信息以及所构建的函数模型的准确性,从而可以提高所得到的电信号的能量的准确性,并且还可以同时计算出多路电信号的预测能量,这可以提高数据处理速度,减少计算量。
下面以具体实例来说明本申请实施例提供的计算电信号的能量的方法所具有的有益效果。
图2至图4分别示出了实际测量探测到的闪烁脉冲所得到的能谱图、利用现有技术中的双指数拟合方法对探测到的闪烁脉冲进行处理而得到的能谱图、以及利用本申请实施例提供的方法对探测到的闪烁脉冲进行处理而得到的能谱图。需要说明的是,这三幅图中的闪烁脉冲相同。通过对比这三幅图可以看出,相对于利用现有技术中的双指数拟合方法得到的能量分辨率,利用本申请实施例所提供的方法得到的能量分辨率与实际测量得到的能量分辨率更接近。由此可见,利用本申请实施例所提供的方法可以提高所得到的电信号的能量的准确性。
本申请实施例还提供了一种用于计算电信号的能量的装置,如图5所示,该装置可以包括:
训练单元510,其可以被配置为利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;
处理单元520,其可以被配置为利用训练后的卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到待测电信号的预测能量。
训练单元510可以具体被配置为利用卷积神经网络中的卷积单元对每一组参考采样点的时间或幅度与其卷积核进行卷积计算;利用全连接单元对卷积单元针对每一组参考采样点的计算结果进行全连接处理,并且利用计算单元根据全连接单元的处理结果以及所述一组实测能量计算卷积神经网络的网络参数。
关于训练单元510和处理单元520的具体描述,可以参照上面方法实施例中对步骤S1和S2的描述,在此不再赘叙。
该装置可以是服务器、电子设备等,也可以是能够基于卷积神经网络进行数据处理的任意装置,在此并不限制。另外,需要说明的是,上述装置中各单元所实现的功能也可以由计算机中的处理器根据存储器中所存储的程序指令来执行。
本申请实施例所提供的上述方法和装置并不限于应用于PET领域,其也可以应用于需要获取电信号的能量的任何领域。
本申请实施例还提供了一种计算机存储介质,该计算机存储介质上存储有程序指令,该程序指令被执行时可以实现以下功能:利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及利用训练后的卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到待测电信号的预测能量。
上述程序指令可以由处理器执行,也可以由其他处理装置执行。
上述实施例阐明的装置、单元等,具体可以由计算机芯片和/或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个计算机芯片中实现。
虽然本申请提供了如上述实施例或流程图所述的方法操作步骤,但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。
上述实施例是为便于该技术领域的普通技术人员能够理解和使用本申请而描述的。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此,本申请不限于上述实施例,本领域技术人员根据本申请的揭示,不脱离本申请范畴所做出的改进和修改都应该在本申请的保护范围之内。
Claims (10)
1.一种计算电信号的能量的方法,其特征在于,该方法包括:
利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及
利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。
2.根据权利要求1所述的方法,其特征在于,每一组所述参考采样点以及对应的一个所述实测能量均是通过对探测到的所述参考电信号进行处理得到的或者是从预先制作的训练样本中选取的。
3.根据权利要求2所述的方法,其特征在于,对探测到的所述参考电信号进行处理包括:
利用时间间隔采样方法和/或多幅度阈值采样方法对所述参考电信号进行采样处理,以得到参考采样点;并且
在采样处理过程中利用示波器直接测量与所述参考采样点对应的能量以作为所述实测能量,或者对所述参考采样点进行处理以得到所述实测能量。
4.根据权利要求1所述的方法,其特征在于,所述卷积神经网络包括相互连接的卷积单元、全连接单元和计算单元,对所述卷积神经网络进行训练的步骤包括:
利用所述卷积单元对每一组所述参考采样点的时间或幅度与其卷积核进行卷积计算;
利用所述全连接单元对所述卷积单元针对每一组所述参考采样点的计算结果进行全连接处理;
利用所述计算单元根据所述全连接单元针对所有组所述参考采样点的处理结果以及所述一组实测能量计算所述卷积神经网络的网络参数。
5.根据权利要求4所述的方法,其特征在于,所述全连接单元包括第一全连接层和第二全连接层,并且利用所述全连接单元对所述卷积单元针对每一组所述参考采样点的计算结果的步骤包括:
所述第一全连接层按照以下公式对所述卷积单元针对每一组所述参考采样点的所述计算结果进行处理:
其中,为所述卷积单元针对第i组参考采样点的计算结果,为所述第一全连接层针对所述第i组参考采样点的处理结果;和分别为所述卷积神经网络的第一参数和第二参数,i、m和n均为正整数;
所述第二全连接层按照以下公式对所述第一全连接层输出的针对每一组所述参考采样点的所述处理结果进行进一步处理:
其中,Yi为所述第二全连接层针对所述第i组参考采样点的处理结果,[c1 c2···cm]i和di分别为所述卷积神经网络的第三参数和第四参数。
6.根据权利要求5所述的方法,其特征在于,利用所述计算单元计算所述卷积神经网络的网络参数的步骤包括:
所述计算单元根据第二全连接层输出的针对所有组所述参考采样点的处理结果以及所述一组实测能量构建损失函数,并且利用所构建的所述损失函数计算所述卷积神经网络的所述第一参数、所述第二参数、所述第三参数和所述第四参数。
7.根据权利要求1所述的方法,其特征在于,所述待测电信号与所述参考电信号为相同的电信号,并且均包括闪烁脉冲。
8.一种用于计算电信号的能量的装置,其特征在于,该装置包括:
训练单元,其被配置为利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及
处理单元,其被配置为利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。
9.根据权利要求8所述的装置,其特征在于,所述卷积神经网络包括相互连接的卷积单元、全连接单元和计算单元,所述训练单元具体被配置为:
利用所述卷积单元对每一组所述参考采样点的时间或幅度与其卷积核进行卷积计算;并且
利用所述全连接单元对所述卷积单元针对每一组所述参考采样点的计算结果进行全连接处理;并且
利用所述计算单元根据所述全连接单元针对所有组所述参考采样点的处理结果以及所述一组实测能量计算所述卷积神经网络的网络参数。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有程序指令,所述程序指令被执行时实现:
利用所获取的多组参考采样点以及对应的一组实测能量对所建立的卷积神经网络进行训练,其中,每一组所述参考采样点与所述一组实测能量中的对应的一个实测能量来自于同一路参考电信号;以及利用训练后的所述卷积神经网络对所获取的待测电信号的待测采样点进行处理以得到所述待测电信号的预测能量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153366.5A CN110032758B (zh) | 2019-02-28 | 2019-02-28 | 计算电信号的能量的方法、装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910153366.5A CN110032758B (zh) | 2019-02-28 | 2019-02-28 | 计算电信号的能量的方法、装置和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032758A true CN110032758A (zh) | 2019-07-19 |
CN110032758B CN110032758B (zh) | 2023-06-06 |
Family
ID=67235039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910153366.5A Active CN110032758B (zh) | 2019-02-28 | 2019-02-28 | 计算电信号的能量的方法、装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032758B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068179A (zh) * | 2020-08-13 | 2020-12-11 | 南昌大学 | 一种基于勒贝格采样的正电子成像方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468077A (zh) * | 2000-10-02 | 2004-01-14 | ����ҽѧ�ɷ�����˾ | 使用神经网络的cpap的方法和装置 |
CN102132149A (zh) * | 2008-06-27 | 2011-07-20 | 沃尔弗拉姆·R·雅里施 | 高效计算机断层摄影技术 |
FR3060129A1 (fr) * | 2016-12-14 | 2018-06-15 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de calcul d'un reflectogramme pour l'analyse de defauts dans une ligne de transmission |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
-
2019
- 2019-02-28 CN CN201910153366.5A patent/CN110032758B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468077A (zh) * | 2000-10-02 | 2004-01-14 | ����ҽѧ�ɷ�����˾ | 使用神经网络的cpap的方法和装置 |
CN102132149A (zh) * | 2008-06-27 | 2011-07-20 | 沃尔弗拉姆·R·雅里施 | 高效计算机断层摄影技术 |
FR3060129A1 (fr) * | 2016-12-14 | 2018-06-15 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de calcul d'un reflectogramme pour l'analyse de defauts dans une ligne de transmission |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
Non-Patent Citations (3)
Title |
---|
单英浩等: "基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法", 《中国电机工程学报》 * |
李锋等: "基于量子加权长短时记忆神经网络的状态退化趋势预测", 《仪器仪表学报》 * |
赵舒等: "基于小波能量熵特征的阻抗胃动力信号识别", 《中国生物医学工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068179A (zh) * | 2020-08-13 | 2020-12-11 | 南昌大学 | 一种基于勒贝格采样的正电子成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110032758B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
CN113884935B (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
CN112149296B (zh) | 一种判定水文时间序列平稳性类型的方法 | |
CN106338237A (zh) | 基于频响阻抗法的变压器绕组变形检测方法 | |
CN107743048B (zh) | 一种应用于去除otdr噪声的信号处理系统 | |
CN110032758A (zh) | 计算电信号的能量的方法、装置和计算机存储介质 | |
CN116520095B (zh) | 故障测距方法、系统以及计算机可读存储介质 | |
CN113533995A (zh) | 一种动力电池一致性检测方法 | |
CN110764027B (zh) | 基于频谱特征变化的电连接器发生间歇故障诊断方法 | |
CN116340810A (zh) | 基于随机森林的变压器出线部位局部放电诊断方法和装置 | |
CN109462242A (zh) | 基于iir数字滤波和esprit辨识算法的电力系统低频振荡检测方法 | |
Vasile et al. | On the multi-modal sensing of electrical arcs | |
CN114236403A (zh) | 基于超声测量的锂离子电池荷电状态估计方法及装置 | |
CN101672664B (zh) | 一种变值系统误差检测系统及其检测方法 | |
CN111289797B (zh) | 一种交流信号单个干扰数据识别方法及系统 | |
CN111240205B (zh) | 一种信号传输链路传递函数计算方法 | |
CN110824293A (zh) | 一种基于狼群算法的多特征融合参数的电网故障诊断方法 | |
CN109754070B (zh) | 基于神经网络的绝缘阻值计算方法及电子设备 | |
Baisen et al. | Speech endpoint detection with low SNR based on HHTSM | |
CN116908603B (zh) | 基于连接器的可靠性检测方法及其系统 | |
CN115618206B (zh) | 干扰数据确定方法、装置、电子设备及存储介质 | |
CN117434486B (zh) | 一种直流分路计量误差分析处理方法 | |
CN116505972B (zh) | 一种线缆信号传输的智能检测方法及系统 | |
CN110955951B (zh) | 一种基于路径分类与估计的产品寿命预测方法及装置 | |
CN116930676A (zh) | 基于能量算子和样本熵的故障定位方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |