CN110516566B - 一种基于卷积层的滤波方法及装置 - Google Patents
一种基于卷积层的滤波方法及装置 Download PDFInfo
- Publication number
- CN110516566B CN110516566B CN201910728641.1A CN201910728641A CN110516566B CN 110516566 B CN110516566 B CN 110516566B CN 201910728641 A CN201910728641 A CN 201910728641A CN 110516566 B CN110516566 B CN 110516566B
- Authority
- CN
- China
- Prior art keywords
- layer
- signal
- band
- pass filtering
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Filters That Use Time-Delay Elements (AREA)
- Noise Elimination (AREA)
Abstract
本发明实施例提供了一种基于卷积层的滤波方法和装置,上述方法包括:获取待处理信号;将待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号,上述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层,第一输入层用于接收输入信号,全卷积层包括预设数量个卷积核,各个卷积核用于提取输入信号中不同频带的信号,得到带通滤波信号,SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号。应用本发明实施例提供的方案,能够滤除信号中噪声信号。
Description
技术领域
本发明涉及信号处理技术领域,特别是涉及一种基于卷积层的滤波方法及装置。
背景技术
随着人工智能技术的迅速发展,深度学习网络模型得到越来越广泛的应用。然而在利用各种样本信号对深度学习网络模型进行训练得到用于实现各种功能的网络模型时,由于样本信号中可能会包含噪声信号,使得训练得到的用于实现各种功能的网络模型在实现各种功能时性能不高。
为此,在采用上述样本信号对深度学习网络模型进行训练之前需要对各个样本信号进行滤波处理,从而滤除样本信号中的噪声。因此,需要提供一种滤波方案以滤除信号中的噪声信号。
发明内容
本发明实施例的目的在于提供一种基于卷积层的滤波方法及装置,能够滤除信号中的噪声信号。具体技术方案如下:
第一方面,本发明实施例提供了一种基于卷积层的滤波方法,所述方法包括:
获取待处理信号;
将所述待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号,其中,所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层,所述第一输入层用于接收输入信号,所述全卷积层包括预设数量个卷积核,各个卷积核用于提取所述输入信号中不同频带的信号,得到带通滤波信号,所述SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果,所述第一输出层用于输出所述输出结果。
本发明的一个实施例中,上述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层;
所述全局平均池化层,用于通过全局平均池化操作提取各个带通滤波信号的特征;
所述门控机制层,用于根据各个带通滤波信号的特征,按照反向传播算法,确定表征各个带通滤波信号属于非噪声信号的权重;
所述加权输出层,用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果。
本发明的一个实施例中,上述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层;
所述第一全连接层,用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理,由第一维度降维至第二维度;
所述第一非线性层,用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理;
所述第二全连接层,用于对非线性拟合处理后的带通滤波信号的特征进行增维处理,由所述第二维度增维至所述第一维度,并向所述门控机制层发送增维后的带通滤波信号的特征。
本发明的一个实施例中,上述全卷积层还包括第二非线性层;
所述第二非线性层,用于对各个带通滤波信号进行非线性处理;
所述全局平均池化层,具体用于获得所述第二非线性层进行非线性处理后的带通滤波信号,并通过全局平均池化操作提取所获得的各个带通滤波信号的特征。
本发明的一个实施例中,上述滤波模型通过以下方式训练:
获得样本信号,并获得按照应用功能对所述样本信号进行功能性处理的结果,作为训练基准结果,其中,所述应用功能为:针对信号的应用所实现的功能:
将所述样本信号输入应用网络模型进行功能性处理,得到处理结果,其中,所述应用网络模型包括:依次连接的第二输入层、预处理层、功能层和第二输出层,所述预处理层为所述滤波模型,所述功能层用于实现所述应用功能;
计算所述处理结果与训练基准结果之间的损失;
根据所述损失调整所述滤波模型和功能层的模型参数,在调整参数后的滤波模型和功能层均满足预设的收敛性要求的情况下,训练完成的所述滤波模型。
第二方面,本发明实施例提供了一种基于卷积层的滤波装置,所述装置包括:
信号获取模块,用于获取待处理信号;
信号得到模块,用于将所述待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号,其中,所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层,所述第一输入层用于接收输入信号,所述全卷积层包括预设数量个卷积核,各个卷积核用于提取所述输入信号中不同频带的信号,得到带通滤波信号,所述SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果,所述第一输出层用于输出所述输出结果。
本发明的一个实施例中,上述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层;
所述全局平均池化层,用于通过全局平均池化操作提取各个带通滤波信号的特征;
所述门控机制层,用于根据各个带通滤波信号的特征,按照反向传播算法,确定表征各个带通滤波信号属于非噪声信号的权重;
所述加权输出层,用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果。
本发明的一个实施例中,上述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层;
所述第一全连接层,用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理,由第一维度降维至第二维度;
所述第一非线性层,用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理;
所述第二全连接层,用于对非线性拟合处理后的带通滤波信号的特征进行增维处理,由所述第二维度增维至所述第一维度,并向所述门控机制层发送增维后的带通滤波信号的特征。
第三方面,本发明实施例提供了一种终端设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面所述的方法步骤。
第四方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。
本发明实施例提供的一种基于卷积层的滤波方法及装置,由于噪声信号与非噪声信号的特征不同,且预先训练的滤波模型包括的全卷积层和SE块层通过提取输入信号中不同带通滤波信号,获得各个带通滤波信号的信号特征,根据各个带通滤波信号的信号特征确定各个带通滤波信号的权重,并对各个带通滤波信号进行加权计算。在这一过程中,滤波模型可以学习到非噪声信号的特征,从而根据训练好的滤波模型可以滤除噪声信号。
附图说明
为了更清楚地说明本发明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为本发明实施例提供的一种基于卷积层的滤波方法的流程示意图;
图2a为本发明实施例提供的第一种滤波模型的结构示意图;
图2b为本发明实施例提供的第二种滤波模型的结构示意图;
图2c为本发明实施例提供的第三种滤波模型的结构示意图;
图2d为本发明实施例提供的第四种滤波模型的结构示意图;
图3为本发明实施例提供的一种滤波模型的训练方法的流程示意图;
图4a为本发明实施例提供的一种原始时域信号的频谱示意图;
图4b为本发明实施例提供的一种原始时域信号经切比雪夫滤波器输出后的频谱示意图;
图4c为本发明实施例提供的一种原始时域信号经过滤波模型输出后的频谱示意图。
图5为本发明实施例提供的一种基于卷积层的滤波装置的结构示意图;
图6为本发明实施例提供的一种滤波模型的训练装置的结构示意图;
图7为本发明实施例提供的一种终端设备的结构示意图。
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,所描述的实施例仅仅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。
参见图1,图1为本发明实施例提供的一种基于卷积层的滤波方法的流程示意图,上述方法包括:
S101:获取待处理信号。
上述待处理信号可以是无线电信号,例如:无线路由器信号、移动电话信号、广播信号等。
获得上述待处理信号可以是间隔预设时间对信号进行采集,将所采集的信号作为上述待处理信号。
S102:将待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号。
上述预先训练的滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层。具体的,参见图2a,示出了第一种滤波模型的结构示意图。在图2a中,从左到右各个矩形的连接顺序表示上述第一种滤波模型包括的各个层的连接顺序,从左到右各个矩形的连接顺序依次为:第一输入层、全卷积层、SE块层、第一输出层,其中,全卷积层中包括预设数量个卷积核。那么上述第一种滤波模型中各层之间的具体连接关系为:全卷积层分别与第一输入层、SE块层连接,SE块层除了与全卷积层连接外,还与第一输出层连接。也就是,待处理信号为第一输入层的输入信息,第一输入层的输出信息为全卷积层的输入信息,全卷积层的输出信息为SE块层的输入信息,SE块层的输出信息为第一输出层的输入信息,第一输出层的输出为滤波模型的输出结果。
由于上述全卷积层包括预设数量个卷积核,所以,上述全卷积层的输出信息包括各个卷积核的输出信息。
下面分别对上述滤波模型包括的各个层进行说明:
一、第一输入层。
上述第一输入层用于接收输入信号,并将输入信号向上述全卷积层发送。具体的,上述输入信号可以是任意受干扰的调制信号,例如:QPSK(Quadrature Phase ShiftKeying,正交相移键控)、MSK(Minimum Shift Keying,最小频移键控)和16QAM(QuadratureAmplitude Modulation,正交幅度调制)等调制信号。
二、全卷积层。
上述全卷积层包括预设数量个卷积核,各个卷积核通过卷积操作可以提取输入信号中不同频带的信号,得到带通滤波信号,并将各个带通滤波信号向SE块层发送。
具体的,卷积核的维度可以设置为[1,L],其中,L表示频谱变换时间窗的大小,决定对输入信号频带特征提取时间分辨率和频率分辨率。卷积核的步幅大小可以设为1,表示卷积核移动的步幅。例如:假设输入信号维度为[1,128],全卷积层中包括3个卷积核,每个卷积核的维度均为[1,10],步幅为1,那么它通过以步幅1滑动时间窗的方式来依次提取长度为10的信号频域特征。
三、SE块层。
上述SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果,并将输出结果向第一输出层发送。
SE块层全称为Sequeeze-and-Excitation(SE)-Block,是基于SENet网络结构形成的子结构。SE-Block主要用于进行特征选择,也就是按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,并将选择后的结果输出给第一输出层。
具体的,在本发明的一个实施例中,参见图2b,示出了第二种滤波模型的结构示意图。在图2a所示的第一种滤波模型的结构示意图的基础上,上述SE块层可以包括依次连接的全局平均池化层、门控机制层、加权输出层。在图2b中,从左到右各个矩形的连接顺序表示上述第二种滤波模型包括的各个层的连接顺序,从左到右各个矩形的连接顺序依次为:第一输入层、全卷积层、全局平均池化层、门控机制层、加权输出层、第一输出层。那么上述第二种滤波模型中各层之间的具体连接关系为:全卷积层分别与第一输入层、全局平均池化层连接,全局平均池化层除了与全卷积层连接外,还与门控机制层连接,门控机制层除了与全局平均池化层连接外,还与加权输出层连接,加权输出层除了与门控机制层连接外,还与第二输出层连接。
基于上述情况,待处理信号为第一输入层的输入信息,第一输入层的输出信息为全卷积层的输入信息,全卷积层的输出信息为全局平均池化层的输入信息,全局平均池化层的输出信息为门控机制层的输入信息,门控机制层输出信息为加权输出层的输入信息,加权输出层的输出信息为第一输出层的输入信息,第一输出层的输出为滤波模型的输出结果。
由于上述SE块层包括的各个层与上述SE块层的各个功能相对应,下面分别对上述SE块层包括的各个层进行说明:
1、全局平均池化层。
上述全局平均池化层用于通过全局平均池化操作提取各个带通滤波信号的特征,并将各个特征向上述门控机制层发送。
具体的,上述全局平均池化操作可以针对各个带通滤波信号,获得该带通滤波信号的一系列频率特征,并对该带通滤波信号的一系列频率特征求平均可以获得该带通滤波信号的特征值,各个带通滤波信号的特征值可以用来表征各个带通滤波信号的特征。这样,就可以通过全局平均池化操作提取各个带通滤波信号的特征。
具体的,在本发明的一个实施例中,参见图2c,示出了第三种滤波模型的结构示意图。在图2b所示的第二种滤波模型的结构示意图的基础上,上述全卷积层还可以包括第二非线性层。在图2c中,从左到右各个矩形的连接顺序表示上述第三种滤波模型包括的各个层的连接顺序,从左到右各个矩形的连接顺序依次为:第一输入层、预设数量个卷积核、第二非线性层、全局平均池化层、门控机制层、加权输出层、第一输出层。那么上述第二种滤波模型中各层之间的具体连接关系为:预设数量个卷积核分别与第一输入层、第二非线性层连接,第二非线性层除了与预设数量个卷积核连接外,还与全局平均池化层连接,全局平均池化层除了与第二非线性层连接外,还与门控机制层连接,门控机制层除了与全局平均池化层连接外,还与加权输出层连接,加权输出层除了与门控机制层连接外,还与第二输出层连接。
基于上述情况,待处理信号为第一输入层的输入信息,第一输入层的输出信息为预设数量个卷积核的输入信息,预设数量个卷积核的输出信息为第二非线性层的输入信息,第二非线性层的输出信息为全局平均池化层的输入信息,全局平均池化层的输出信息为门控机制层的输入信息,门控机制层输出信息为加权输出层的输入信息,加权输出层的输出信息为第一输出层的输入信息,第一输出层的输出为滤波模型的输出结果。
由于上述全卷积层还可以包括第二非线性层,所以,上述全卷积层的输出信息包括第二非线性层的输出信息。上述第二非线性层用于对各个带通滤波信号进行非线性处理。
上述第二非线性层可以采用非线性算法对各个带通滤波信号进行非线性拟合处理,例如:非线性算法可以是由ReLU激活函数实现的算法、由Softmax激活函数实现的算法等。
基于上述情况,上述全局平均池化层,具体用于获得上述第二非线性层进行非线性处理后的带通滤波信号,并通过上述全局平均池化操作提取所获得的各个带通滤波信号的特征。
这样,可以使得经过非线性处理的模型具备非线性能力,能够拟合各种不同非线性函数,使得模型具备多样性。
2、门控机制层。
上述门控机制层用于根据各个带通滤波信号的特征,通过反向传播算法,确定表征各个带通滤波信号属于非噪声信号的权重。
具体的,上述权重的范围可以在[0,1]之间,也就是权重值可以为0.9、0.8、0.5、0.1等。权重越接近1的表示各个带通滤波信号为非噪声信号的可能性越高,权重越接近0的表示各个带通滤波信号为非噪声信号的可能性越低。
根据各个带通滤波信号的特征,可以通过激活函数将各个带通滤波信号的特征映射到权重的范围上,例如:sigmoid函数。并通过反向传播算法,根据各个带通滤波信号的特征与非噪声信号的特征之间的相似程度,确定各个带通滤波信号属于非噪声信号的权重,上述非噪声信号的特征可以是事先预设的。
例如:若带通滤波信号1与非噪声信号之间的特征相似程度很大,那么可以对带通滤波信号1确定较高的权重;若带通滤波信号2与非噪声信号之间的特征相似程度很小,那么可以对带通滤波信号2确定较小的权重。
3、加权输出层。
上述加权输出层用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果。
具体的,针对各个带通滤波信号,可以将该带通滤波信号的权重与该带通滤波信号进行加权计算。获得滤除噪声信号后的输入信号可以是根据计算结果最大的带通滤波信号作为滤除噪声信号后的输入信号。并将获得的输出结果向输出层发送。
例如:针对带通滤波信号A、带通滤波信号B、带通滤波信号C,带通滤波信号A的权重为0.8,带通滤波信号B的权重为0.7,带通滤波信号C的权重为0.1。对带通滤波信号A、带通滤波信号B、带通滤波信号C进行加权计算,计算结果为:0.8A+0.7B+0.1C,那么将计算结果作为滤除噪声信号后的输入信号。
以上为SE块层包括的各个层的说明。由上述实施例可以看出,通过对各个带通滤波信号的特征提取,并根据各个带通滤波信号的特征确定各个带通滤波信号属于非噪声信号的权重,从而根据各个带通滤波信号属于非噪声信号的权重计算各个带通滤波信号的加权输出,可以学习到非噪声信号的信号特征,从而抑制了噪声信号。
四、第一输出层。
上述第一输出层用于输出输出结果,也就是输出滤除噪声信号的输入信号。
由以上可见,应用本实施例提供的方案,由于噪声信号与非噪声信号的特征不同,且预先训练的滤波模型包括的全卷积层和SE块层通过提取输入信号中不同带通滤波信号,获得各个带通滤波信号的信号特征,根据各个带通滤波信号的信号特征确定各个带通滤波信号的权重,并对各个带通滤波信号进行加权计算。在这一过程中,滤波模型可以学习到非噪声信号的特征,从而根据训练好的滤波模型可以滤除噪声信号。
具体的,在本发明的一个实施例中,参见图2d,示出了第四种滤波模型的结构示意图。在图2c所示的第三种滤波模型的结构示意图的基础上,上述SE块层还可以包括依次连接的第一全连接层、第一非线性层和第二全连接层。在图2d中,从左到右各个矩形的连接顺序表示上述第四种滤波模型包括的各个层的连接顺序,从左到右各个矩形的连接顺序依次为:第一输入层、预设数量个卷积核、第二非线性层、第一全连接层、第一非线性层、第二全连接层、全局平均池化层、门控机制层、加权输出层、第一输出层。
那么上述第四种滤波模型中各层之间的具体连接关系为:预设数量个卷积核分别与第一输入层、第二非线性层连接,第二非线性层除了与预设数量个卷积核连接外,还与第一全连接层连接,第一全连接层除了与第二非线性层连接外,还与第一非线性层连接,第一非线性层除了与第一全连接层连接外,还与第二全连接层连接,第二全连接层除了与第一非线性层连接外,还与全局平均池化层连接,全局平均池化层除了与第二第二全连接层连接外,还与门控机制层连接,门控机制层除了与全局平均池化层连接外,还与加权输出层连接,加权输出层除了与门控机制层连接外,还与第二输出层连接。
基于上述情况,待处理信号为第一输入层的输入信息,第一输入层的输出信息为预设数量个卷积核的输入信息,各个卷积核的输出信息为第二非线性层的输入信息,第二非线性层的输出信息为第一全连接层的输入信息,第一全连接层的输出信息为第一非线性层的输入信息,第一非线性层的输出信息为第二全连接层的输入信息,第二全连接层的输出信息为全局平均池化层的输入信息,全局平均池化层的输出信息为门控机制层的输入信息,门控机制层输出信息为加权输出层的输入信息,加权输出层的输出信息为第一输出层的输入信息,第一输出层的输出为滤波模型的输出结果。
具体的,对上述SE块层包括的第一全连接层、第一非线性层、第二全连接层进行说明:
4、第一全连接层。
上述第一全连接层用于对上述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理,由第一维度降维至第二维度,并将各个带通滤波信号的第二维度特征向第一非线性层发送。
上述第一维度是指各个带通滤波信号的特征维度,例如:带通滤波信号的特征维度可以为128维、256维等。
上述第二维度为预设的带通滤波信号的特征维度。例如:可以为32维、64维等。
由于上述全局平均池化层会提取带通滤波信号的多维特征,例如带通滤波信号可以有128维特征、256维特征。若要对带通滤波信号的多维特征进行非线性处理时,会消耗非常大的计算量。那么为了减少计算量,在对各个带通滤波信号的特征进行非线性拟合处理之前,对各个带通滤波信号的特征进行降维处理,也就是减少带通滤波信号的特征维度,将带通滤波信号的第一维度通过映射算法可以降维至预设的第二维度。例如:第一全连接层的输入为带通滤波信号的128维特征,可以通过映射算法,将128维特征映射到32维特征,从而实现对带通滤波信号的特征进行降维。
5、第一非线性层。
上述第一非线性层用于对上述各个带通滤波信号的第二维度特征按照预设的非线性算法进行非线性拟合处理。
具体的,上述预设的非线性算法可以是由激活函数实现的算法,例如:上述激活函数可以是ReLU激活函数、Softmax激活函数等。将通过上述激活函数对第二维度的带通滤波信号的特征进行非线性拟合得到计算结果,并将计算后的结果向第二全连接层发送。
6、第二全连接层。
上述第二全连接层用于对非线性拟合处理后的带通滤波信号的特征进行增维处理,由第二维度增维至第一维度,并向上述门控机制层发送增维后的带通滤波信号的特征。
具体的,由于上述门控机制层要根据各个带通滤波信号的第一维度特征,确定各个带通滤波信号属于非噪声信号的权重。那么第二全连接层要将第一非线性层经过非线性拟合处理后的第二维度的带通滤波信号,增维至第一维度。这样,可以使得门控机制层获得各个带通滤波信号的第一维度特征。
这样,应用本实施例设置两个全连接层可以减少进行非线性计算时的计算量,同时非线性层可以让模型具备非线性能力,能够拟合各种不同非线性函数,使得模型具备多样性。
在上述实施例的基础上,参见图3,图3为本发明实施例提供的一种滤波模型的训练方法的流程示意图,具体可以通过以下方式进行训练:
S301:获得样本信号,并获得按照应用功能对样本信号进行功能性处理的结果,作为训练基准结果。
上述应用功能为:针对信号的应用所实现的功能。
上述训练基准结果可以是人工凭借经验得到的,其具体内容也因应用的不同而不同。
下面通过举例对上述针对信号的应用、应用功能、功能性处理的结果以及训练基准结果分别进行说明。
上述应用可以是实现信号类型检测的应用,这种情况下,上述应用功能为:信号类型的检测。基于此,一种情况下,按照应用功能对样本信号进行功能性处理的结果可以为:样本信号的类型是否为预设信号类型的结果,例如,上述结果可以为:是预设信号类型,还可以为:不是预设信号类型。相应的,上述训练基准结果为:样本信号的类型是否为预设信号类型的结果,例如,上述训练基准结果可以为:是预设信号类型,还可以为:不是预设信号类型。另一种情况下,按照应用功能对样本图像进行功能性处理的结果可以为:样本信号与信号库中各种信号类型之间的匹配程度这一结果,例如,90%、98%等。相应的,上述训练基准结果也为:上述匹配程度,例如,90%、98%等。
上述应用可以是实现无线电信号频谱检测的应用,这种情况下,上述应用功能为:无线电频谱检测,按照应用功能对样本信号进行功能性处理的结果可以为:样本信号的实际频谱。相应的,上述训练基准结果可以为无线电的实际频谱。
S302:将样本信号输入应用网络模型进行功能性处理,得到处理结果。
其中,上述应用网络模型包括:依次连接的第二输入层、预处理层、功能层和第二输出层,上述预处理层为上述滤波模型,上述功能层用于实现上述应用功能。
例如,在上述应用为实现信号类型检测的应用的情况下,将样本信号输入网络模型进行功能性处理时,先输入至第二输入层,第二输入层将获得的样本信号输入至上述滤波模型。然后将经过滤波模型输出后的样本信号进行样本信号类型的检测这一处理。
在上述应用为实现无线电信号频谱检测的应用的情况下,将样本信号输入网络模型进行功能性处理时,先输入至第二输入层,第二输入层将获得的样本信号输入至上述滤波模型。然后将经过滤波模型输出后的样本信号进行样本信号的频谱检测这一处理。
S303:计算处理结果与训练基准结果之间的损失。
上述处理结果与训练基准结果之间的损失值可以通过预设的损失函数计算得到。
S304:根据上述损失调整滤波模型和功能层的模型参数,在调整参数后的滤波模型和功能层均满足预设的收敛性要求的情况下,训练完成上述滤波模型。
采用大量样本信号,按照上述S201-S204所示的过程不断调整网络模型的模型参数,包括滤波模型的模型参数以及功能层,从而使滤波模型以及功能层均满足预先设定的收敛性要求,从而实现了对上述滤波模型的训练。
具体的,在调整上述滤波模型的模型参数和功能层的参数时,调整的方向为:使用调整参数后的上述第滤波模型对上述样本信号进行特征提取后,功能层对所提取特征进行功能性处理的输出结果向上述训练基准结果靠拢。
由于上述滤波模型作为功能型网络模型的预处理层,嵌入在功能型网络模型的结构中,在对上述滤波模型训练完毕之后,可以将上述滤波模型作为嵌入式滤波模型嵌入在其他功能型网络模型中,以使得其他功能型网络模型在对输入信号进行功能型处理之前,先滤除输入信号中的噪声信号。应用上述嵌入式滤波模型嵌入在功能型网络模型中时,能够提高信息处理的效率。
由以上可见,应用本实施例对滤波模型进行训练时,由于是作为预处理层嵌入在功能型网络模型中,在对功能型网络模型训练的同时对滤波模型也进行训练,可以提高模型训练的效率。同时,将训练完毕的上述滤波模型嵌入至其他功能型网络模型中,可以提高信息处理的效率。
本发明的一个实施例中,在上述滤波模型训练完毕后,为了比较观察滤波模型的准确率,可以将经过上述滤波模型过滤后的信号通过观测时域波形图、频谱图、解调判别计算误码率、绘制星座图等方式展示上述滤波模型的去干扰效果,以评估上述滤波器的性能。
例如,图4a示出了一种原始时域信号的频谱示意图,图4b示出了一种原始时域信号经切比雪夫滤波器输出后的频谱示意图,图4c是原始时域信号经过上述滤波模型输出后的频谱示意图。上述频谱示意图的横坐标为频率,纵坐标为振幅。
从图4b中可以看到,虽然信号可以被滤出,但幅度并没有放大。
从图4c中可以看到,信号幅度放大了三倍左右,且噪声被抑制,信噪比至少增加了1dB。这证明了上述滤波模型器能够自适应地提取原始时域信号的频带特性,放大信号幅度同时抑制噪声。与上述方法实施例相对应的,本发明实施例还提供了一种装置实施例。
参见图5,图5为本发明实施例提供的一种基于卷积层的滤波装置的结构示意图,上述装置包括:
信号获取模块501,用于获取待处理信号。
信号得到模块502,用于将待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号,其中,滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层,第一输入层用于接收输入信号,全卷积层包括预设数量个卷积核,各个卷积核用于提取输入信号中不同频带的信号,得到带通滤波信号,SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果,第一输出层用于输出输出结果。
由以上可见,应用本实施例提供的装置,由于噪声信号与非噪声信号的特征不同,且预先训练的滤波模型包括的全卷积层和SE块层通过提取输入信号中不同带通滤波信号,获得各个带通滤波信号的信号特征,根据各个带通滤波信号的信号特征确定各个带通滤波信号的权重,并对各个带通滤波信号进行加权计算。在这一过程中,滤波模型可以学习到非噪声信号的特征,从而根据训练好的滤波模型可以滤除噪声信号。
在上述实施例的基础上,本发明的一个实施例中,在上述滤波模型中SE块层可以包括依次连接的全局平均池化层、门控机制层、加权输出层。
上述全局平均池化层,用于通过全局平均池化操作提取各个带通滤波信号的特征。
上述门控机制层,用于根据各个带通滤波信号的特征,按照反向传播算法,确定表征各个带通滤波信号属于非噪声信号的权重。
上述加权输出层,用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果。
这样,应用本实施例可以通过对各个带通滤波信号的特征提取,并根据各个带通滤波信号的特征确定各个带通滤波信号属于非噪声信号的权重,从而根据各个带通滤波信号属于非噪声信号的权重计算各个带通滤波信号的加权输出,这样可以学习到非噪声信号的信号特征,从而抑制了噪声信号。
在上述实施例的基础上,本发明的一个实施例中,在上述滤波模型中上述SE块层还可以包括依次连接的第一全连接层、第一非线性层和第二全连接层。
上述第一全连接层,用于对全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理,由第一维度降维至第二维度;
上述第一非线性层,用于对第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理;
上述第二全连接层,用于对非线性拟合处理后的带通滤波信号的特征进行增维处理,由第二维度增维至第一维度,并向门控机制层发送增维后的带通滤波信号的特征。
这样,应用本实施例设置两个全连接层可以减少进行非线性计算时的计算量,同时非线性层可以让模型具备非线性能力,能够拟合各种不同非线性函数,使得模型具备多样性。
在上述实施例的基础上,本发明的一个实施例中,在上述滤波模型中上述全卷积层还可以包括第二非线性层;
第二非线性层,用于对各个带通滤波信号进行非线性处理;
全局平均池化层,具体用于获得第二非线性层进行非线性处理后的带通滤波信号,并通过全局平均池化操作提取所获得的各个带通滤波信号的特征。
这样,应用本实施例可以使得经过非线性处理的模型具备非线性能力,能够拟合各种不同非线性函数,使得模型具备多样性。
在上述实施例的基础上,参见图6,图6为本发明的实施例提供的一种滤波模型的训练装置的结构示意图,上述滤波模型可以通过以下模块训练得到:
信号获得和结果确定模块601,用于获得样本信号,并获得按照应用功能对样本信号进行功能性处理的结果,作为训练基准结果,其中,应用功能为:针对信号的应用所实现的功能。
处理结果获得模块602,用于将样本信号输入应用网络模型进行功能性处理,得到处理结果,其中,应用网络模型包括:依次连接的第二输入层、预处理层、功能层和第二输出层,预处理层为滤波模型,功能层用于实现应用功能;
损失计算模块603,用于计算处理结果与训练基准结果之间的损失;
滤波模型训练模块604,用于根据损失调整滤波模型和功能层的模型参数,在调整参数后的滤波模型和功能层均满足预设的收敛性要求的情况下,训练完成的滤波模型。
这样,应用本实施例对滤波模型进行训练时,由于是作为预处理层嵌入在功能型网络模型中,在对功能型网络模型训练的同时对滤波模型也进行训练,可以提高模型训练的效率。同时,将训练完毕的上述滤波模型嵌入至其他功能型网络模型中,可以提高信息处理的效率。
与上述方法实施例相对应的,本发明实施例还提供了一种终端设备。
参见图7,图7为本发明实施例提供的一种终端设备的结构示意图,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现本发明实施例提供的一种基于卷积层的滤波方法的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述本发明实施例提供的一种基于卷积层的滤波方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述本发明实施例提供的一种基于卷积层的滤波方法的步骤。
由上可见,应用上述实施例提供的终端设备和执行上述机器可读存储介质中存储的计算机程序,能够实现基于卷积层的滤波方法,由于噪声信号与非噪声信号的特征不同,且预先训练的滤波模型包括的全卷积层和SE块层通过提取输入信号中不同带通滤波信号,获得各个带通滤波信号的信号特征,根据各个带通滤波信号的信号特征确定各个带通滤波信号的权重,并对各个带通滤波信号进行加权计算。在这一过程中,滤波模型可以学习到非噪声信号的特征,从而根据训练好的滤波模型可以滤除噪声信号。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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他实施例的不同之处。尤其,对于装置、终端设备以及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于卷积层的滤波方法,其特征在于,所述方法包括:
获取待处理信号;所述待处理信号为任意受干扰的无线电调制信号;
将所述待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号,其中,所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层,所述第一输入层用于接收输入信号,所述全卷积层包括预设数量个卷积核,各个卷积核用于提取所述输入信号中不同频带的信号,得到带通滤波信号,所述SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果,所述第一输出层用于输出所述输出结果,所述SE块层是基于SENet网络结构形成的子结构。
2.根据权利要求1所述的方法,其特征在于,所述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层;
所述全局平均池化层,用于通过全局平均池化操作提取各个带通滤波信号的特征;
所述门控机制层,用于根据各个带通滤波信号的特征,按照反向传播算法,确定表征各个带通滤波信号属于非噪声信号的权重;
所述加权输出层,用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果。
3.根据权利要求2所述的方法,其特征在于,所述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层;
所述第一全连接层,用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理,由第一维度降维至第二维度;
所述第一非线性层,用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理;
所述第二全连接层,用于对非线性拟合处理后的带通滤波信号的特征进行增维处理,由所述第二维度增维至所述第一维度,并向所述门控机制层发送增维后的带通滤波信号的特征。
4.根据权利要求2所述的方法,其特征在于,所述全卷积层还包括第二非线性层;
所述第二非线性层,用于对各个带通滤波信号进行非线性处理;
所述全局平均池化层,具体用于获得所述第二非线性层进行非线性处理后的带通滤波信号,并通过全局平均池化操作提取所获得的各个带通滤波信号的特征。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述滤波模型通过以下方式训练:
获得样本信号,并获得按照应用功能对所述样本信号进行功能性处理的结果,作为训练基准结果,其中,所述应用功能为:针对信号的应用所实现的功能;
将所述样本信号输入应用网络模型进行功能性处理,得到处理结果,其中,所述应用网络模型包括:依次连接的第二输入层、预处理层、功能层和第二输出层,所述预处理层为所述滤波模型,所述功能层用于实现所述应用功能;
计算所述处理结果与训练基准结果之间的损失;
根据所述损失调整所述滤波模型和功能层的模型参数,在调整参数后的滤波模型和功能层均满足预设的收敛性要求的情况下,训练完成的所述滤波模型。
6.一种基于卷积层的滤波装置,其特征在于,所述装置包括:
信号获取模块,用于获取待处理信号;所述待处理信号为任意受干扰的无线电调制信号;
信号得到模块,用于将所述待处理信号输入预先训练的滤波模型进行信号滤波,得到滤除噪声信号后的待处理信号,其中,所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层,所述第一输入层用于接收输入信号,所述全卷积层包括预设数量个卷积核,各个卷积核用于提取所述输入信号中不同频带的信号,得到带通滤波信号,所述SE块层用于提取各个带通滤波信号的特征,根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重,并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果,所述第一输出层用于输出所述输出结果,所述SE块层是基于SENet网络结构形成的子结构。
7.根据权利要求6所述的装置,其特征在于,所述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层;
所述全局平均池化层,用于通过全局平均池化操作提取各个带通滤波信号的特征;
所述门控机制层,用于根据各个带通滤波信号的特征,按照反向传播算法,确定表征各个带通滤波信号属于非噪声信号的权重;
所述加权输出层,用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算,得到滤除噪声信号后的输入信号,作为输出结果。
8.根据权利要求7所述的装置,其特征在于,所述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层;
所述第一全连接层,用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理,由第一维度降维至第二维度;
所述第一非线性层,用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理;
所述第二全连接层,用于对非线性拟合处理后的带通滤波信号的特征进行增维处理,由所述第二维度增维至所述第一维度,并向所述门控机制层发送增维后的带通滤波信号的特征。
9.一种终端设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728641.1A CN110516566B (zh) | 2019-08-08 | 2019-08-08 | 一种基于卷积层的滤波方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910728641.1A CN110516566B (zh) | 2019-08-08 | 2019-08-08 | 一种基于卷积层的滤波方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516566A CN110516566A (zh) | 2019-11-29 |
CN110516566B true CN110516566B (zh) | 2021-07-27 |
Family
ID=68623881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910728641.1A Active CN110516566B (zh) | 2019-08-08 | 2019-08-08 | 一种基于卷积层的滤波方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516566B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115060995B (zh) * | 2022-06-14 | 2023-01-24 | 费莱(浙江)科技有限公司 | 一种智能滤波的谐波管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961684A (zh) * | 2017-03-24 | 2017-07-18 | 厦门大学 | 基于深度强化学习的认知无线电空频二维抗敌意干扰方法 |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN108182450A (zh) * | 2017-12-25 | 2018-06-19 | 电子科技大学 | 一种基于深度卷积网络的机载探地雷达目标识别方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9697826B2 (en) * | 2015-03-27 | 2017-07-04 | Google Inc. | Processing multi-channel audio waveforms |
-
2019
- 2019-08-08 CN CN201910728641.1A patent/CN110516566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106961684A (zh) * | 2017-03-24 | 2017-07-18 | 厦门大学 | 基于深度强化学习的认知无线电空频二维抗敌意干扰方法 |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN108182450A (zh) * | 2017-12-25 | 2018-06-19 | 电子科技大学 | 一种基于深度卷积网络的机载探地雷达目标识别方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110516566A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
CN110364144B (zh) | 一种语音识别模型训练方法及装置 | |
CN109274621B (zh) | 基于深度残差网络的通信协议信号识别方法 | |
CN111800811B (zh) | 一种频谱异常的无监督检测方法、装置、设备及存储介质 | |
CN107305774A (zh) | 语音检测方法和装置 | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
CN112566174B (zh) | 一种基于深度学习的异常i/q信号识别方法及系统 | |
CN114881093B (zh) | 一种信号分类识别方法 | |
CN110516566B (zh) | 一种基于卷积层的滤波方法及装置 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
CN111612130A (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN112350790B (zh) | 一种基于深度学习的频谱感知检测方法、装置及设备 | |
CN115880516A (zh) | 图像分类方法、图像分类模型训练方法及相关设备 | |
CN116580290B (zh) | 无人机的识别方法、装置及存储介质 | |
CN112689288A (zh) | 一种基于wann的射频指纹提取和识别方法 | |
CN115116471B (zh) | 音频信号处理方法和装置、训练方法、设备及介质 | |
CN114759904A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
CN115097391A (zh) | 一种基于自动编码器的合成孔径雷达干扰抑制方法 | |
CN114818785A (zh) | 基于多模型融合的信号调制方式识别方法 | |
CN112927705A (zh) | 频响校准方法及相关产品 | |
CN113242201A (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN111917674A (zh) | 一种基于深度学习的调制识别方法 | |
CN113763976A (zh) | 音频信号的降噪方法、装置、可读介质和电子设备 | |
CN111160185B (zh) | 多尺度时间序列遥感影像趋势和断点检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |