CN110969092B - 脉冲信号去噪方法、装置及终端设备 - Google Patents
脉冲信号去噪方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110969092B CN110969092B CN201911071603.XA CN201911071603A CN110969092B CN 110969092 B CN110969092 B CN 110969092B CN 201911071603 A CN201911071603 A CN 201911071603A CN 110969092 B CN110969092 B CN 110969092B
- Authority
- CN
- China
- Prior art keywords
- pulse signal
- data
- training
- sub
- training set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 69
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
- G06F2218/04—Denoising
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Noise Elimination (AREA)
Abstract
本发明提供了一种脉冲信号去噪方法、装置及终端设备,该方法包括:获取脉冲信号训练集;将脉冲信号训练集输入卷积神经网络,并基于脉冲信号训练集对卷积神经网络进行训练;其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于混合数据集更新卷积神经网络的结构参数;获取待去噪脉冲信号,并将待去噪脉冲信号输入至训练完成的卷积神经网络,对待去噪脉冲信号进行去噪。本发明提供的脉冲信号去噪方法、装置及终端设备能够有效滤除脉冲信号的噪声污染,提高去噪后脉冲信号的还原度。
Description
技术领域
本发明属于信号处理技术领域,更具体地说,是涉及一种脉冲信号去噪方法、装置及终端设备。
背景技术
在工业控制和设备故障诊断分析中,通常都是利用接收到的脉冲信号进行分析和判断。脉冲信号中包含有重要信息,涉及信号的到达时刻、幅值、传播时间、衰减等特征,是控制和分析的重要依据。因此,有效地对脉冲信号进行去噪、准确提取信号特征在工程应用中具有重要意义。
现有技术中,脉冲信号主要是通过波形的分解重构处理来进行去噪的,此种方法主要有两方面不足:
(1)噪声对脉冲波形的影响是持续的,可能会波及到脉冲信号的整个数据段,对于一些受噪声影响较小的波形数据段,对脉冲波形进行分解重构过程中,可能会损失这些波形数据段的噪声特征,导致无法对这些波形数据段的噪声进行有效滤除;
(2)工业环境中的噪声是多种多样的,现有的波形分解重构的方法需要根据噪声的特性设置波形的分解层数,根据待去噪波形的信噪比来确定去噪效果,也就是说,现有的波形分解重构方法无法有效地适应多种噪声,对包含有多种噪声的脉冲信号进行有效去噪。
综合上述,由于现有的脉冲信号去噪方法无法关注到待去噪波形的整体特征,且无法适应多种噪声的情况,导致现有技术中的脉冲信号去噪方法不够准确,去噪精度较低。
发明内容
本发明的目的在于提供一种脉冲信号去噪方法、装置及终端设备,以提高脉冲信号的去噪精度。
本发明实施例的第一方面,提供了一种脉冲信号去噪方法,包括:
获取脉冲信号训练集,所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据;
将所述脉冲信号训练集输入卷积神经网络,并基于所述脉冲信号训练集对卷积神经网络进行训练;其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于所述混合数据集更新卷积神经网络的结构参数;
获取待去噪脉冲信号,并将所述待去噪脉冲信号输入至训练完成的卷积神经网络,对待去噪脉冲信号进行去噪。
本发明实施例的第二方面,提供了一种脉冲信号去噪装置,包括:
数据获取模块,用于获取脉冲信号训练集,所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据;
网络训练模块,用于将所述脉冲信号训练集输入卷积神经网络,并基于所述脉冲信号训练集对卷积神经网络进行训练;其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于所述混合数据集更新卷积神经网络的结构参数;
去噪模块,用于获取待去噪脉冲信号,并将所述待去噪脉冲信号输入至训练完成的卷积神经网络,对待去噪脉冲信号进行去噪。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的脉冲信号去噪方法的步骤。
本发明实施例的第四方面,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的脉冲信号去噪方法的步骤。
本发明实施例提供的脉冲信号去噪方法、装置及终端设备的有益效果在于:一方面,本发明实施例通过训练卷积神经网络对脉冲信号的整个数据段进行判断,关注到了脉冲信号的整体特征,进而提高了脉冲信号的去噪精度;另一方面,本发明实施例考虑到了含噪声的脉冲信号样本数量小、样本种类少的问题,基于同类特征融合的原则,对脉冲信号数据进行自混合,获得了更为丰富的训练样本,从而提高了卷积神经网络的泛化性和鲁棒性,从而进一步提高了脉冲信号的去噪精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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为本发明一实施例提供的脉冲信号去噪方法的流程示意图;
图2为本发明另一实施例提供的脉冲信号去噪方法的流程示意图;
图3为本发明再一实施例提供的脉冲信号去噪方法的流程示意图;
图4为本发明又一实施例提供的脉冲信号去噪方法的流程示意图;
图5为本发明又一实施例提供的脉冲信号去噪方法的流程示意图;
图6为本发明一实施例提供的脉冲信号去噪装置的结构框图;
图7为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参考图1,图1为本发明一实施例提供的脉冲信号去噪方法的流程示意图,该方法包括:
S101:获取脉冲信号训练集,脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据。
在本实施例中,脉冲信号训练集不仅包括无噪声干扰时的脉冲信号数据,还包括各种噪声干扰下的脉冲信号数据。
S102:将脉冲信号训练集输入卷积神经网络,并基于脉冲信号训练集对卷积神经网络进行训练。其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于混合数据集更新卷积神经网络的结构参数。
在本实施例中,卷积神经网络用于根据输入的脉冲信号输出去噪后的该脉冲信号。其中,去噪后的该脉冲信号的形式可以为图像,也可为去噪后的该脉冲信号对应的特征向量。
S103:获取待去噪脉冲信号,并将待去噪脉冲信号输入至训练完成的卷积神经网络,对待去噪脉冲信号进行去噪。
在本实施例中,通过将待检测的脉冲信号输入至训练完成的卷积神经网络中,得到去噪后的该待去噪脉冲信号。
由上可以得出,一方面,本发明实施例通过训练卷积神经网络对脉冲信号的整个数据段进行判断,关注到了脉冲信号的整体特征,进而提高了脉冲信号的去噪精度。另一方面,本发明实施例考虑到了含噪声的脉冲信号样本数量小、样本种类少的问题,基于同类特征融合的原则,对脉冲信号数据进行自混合,获得了更为丰富的训练样本,从而提高了卷积神经网络的泛化性和鲁棒性,从而进一步提高了脉冲信号的去噪精度。
请一并参考图1及图2,图2为本申请另一实施例提供的脉冲信号去噪方法的流程示意图。在上述实施例的基础上,在将脉冲信号训练集输入至卷积神经网络之前,脉冲信号去噪方法还可以包括对脉冲信号训练集中脉冲信号数据的预处理过程,该预处理过程可以详述为:
S201:提取脉冲信号训练集中各个脉冲信号数据的待去噪数据段。
在本实施例中,各个脉冲信号数据的待去噪数据段x(n)的长度可以通过以下方法确定:
其中,L为以待去噪波形的波形长度,k为预设值,表示待去噪波形的波形长度占总波形长度的最大比例,l为脉冲信号传播介质的长度,v为脉冲信号在传播介质中的传播速度,FS为脉冲信号采样频率。
S202:对各个脉冲信号数据的待去噪数据段的波形图像进行切割处理,得到预处理后的脉冲信号训练集。
在本实施例中,对各个脉冲信号数据的待去噪数据段的波形图像进行切割处理,该切割处理用于使待去噪数据段的波形占据整个波形图像,以尽可能地减少波形图像上空白面积。可选地,可以待去噪数据段的波形长度作为波形图像的长度,以峰值最大的待去噪数据段的峰值高度作为波形图像的宽度。
可选地,作为本发明实施例提供的脉冲信号去噪方法的一种具体实施方式,在上述实施例的基础上,在将脉冲信号训练集输入至卷积神经网络之前,脉冲信号去噪方法还可以包括:
对脉冲信号训练集进行分类,得到多个子训练集,其中,每个子训练集中包括无噪声干扰时的脉冲信号数据以及至少一种存在噪声干扰时的脉冲信号数据。
在本实施例中,脉冲信号训练集中包含无噪声干扰时的脉冲信号数据(记为R0)以及多种存在噪声干扰时的脉冲信号数据(假设存在三种噪声类型脉冲信号数据,则记为W1,W2,W3),则可基于噪声类型不重复且噪声类型数量逐步增加的原则对脉冲信号训练集进行分类。例如,可分类为:{R0,W1},{R0,W2},{R0,W3},{R0,W1,W2},{R0,W1,W3},{R0,W2,W3},{R0,W1,W2,W3}。
考虑到了脉冲信号训练样本的获取难度(获取样本数量少,获取样本种类少)的问题,本发明实施例通过对脉冲信号训练集进行分类,从样本提供的宏观角度增加了脉冲信号数据样本的多样性,从而提高了卷积神经网络的泛化能力。
请一并参考图1及图3,图3为本申请再一实施例提供的脉冲信号去噪方法的流程示意图,在上述实施例的基础上步骤S102可以详述为:
S301:根据各个子训练集中所包含的噪声种类数,确定各个子训练集的训练次序。
S302:按照训练次序将多个子训练集依次输入卷积神经网络,并基于各个子训练集中的脉冲信号数据对卷积神经网络进行训练。
在本实施例中,子训练集中所包含的噪声种类数是指子训练集中的脉冲信号数据中所包含噪声的种类数量。在上述实施例的基础上,可以噪声种类数递增的顺序将子训练集依次输入卷积神经网络,逐步扩展卷积神经网络可识别的噪声类型,增强卷积神经网络的鲁棒性。
请一并参考图1及图4,作为本发明提供的脉冲信号去噪方法的一个具体实施方式,在上述实施例的基础上,基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理,可以详述为:
S401:提取卷积神经网络的第一层卷积层作为第一卷积网络。
S402:将脉冲信号训练集中的脉冲信号数据输入至第一卷积网络,得到一层卷积后的脉冲信号数据。
在本实施例中,将卷积神经网络的第一层提取出来作为新的网络,并将脉冲信号训练集中的所有波形图像输入至新网络,得到经过一层卷积后的波形图像的特征图集,也即一层卷积后的脉冲信号数据。
请一并参考图1及图5,作为本发明提供的脉冲信号去噪方法的一个具体实施方式,在上述实施例的基础上,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,可以详述为:
S501:对卷积处理后的脉冲信号数据进行分组,得到多组脉冲信号子数据。
S502:对多组脉冲信号子数据分别进行多层卷积处理。
S503:交换每两组脉冲信号子数据之间相同卷积位置的数据,得到混合数据集。
在本实施例中,举例说明步骤S501~S503:例如,对于对脉冲信号数据分组得到的两组脉冲信号子数据A和B(二者属于同一类脉冲信号数据),A采用三种卷积核卷积得到{A1,A2,A3}三种特征图,B采用三种卷积核卷积得到{B1,B2,B3}三种特征图,(其中A和B对应的卷积核参数以及卷积顺序一致),则对于两组脉冲信号子数据A和B,交换相同卷积位置的数据后得到的数据集为:{B1,A2,A3}、{A1,B2,B3}(交换第一种卷积核位置的数据),{B1,A2,B3}、{A1,B2,A3}(交换第二种卷积核位置的数据),{A1,A2,B3}、{B1,B2,A3}(交换第三种卷积核位置的数据),进一步地,对分组得到的所有脉冲信号子数据按照上述交换方法两两交换,即可得到混合数据集。
其中,步骤S502中对多组脉冲信号子数据分别进行多层卷积处理的具体实施方式可以为:直接将分组得到的脉冲信号子数据输入卷积神经网络进行多层卷积处理(为节约成本,无需新建卷积神经网络)。在步骤S502之后,可基于进行多层卷积处理后的脉冲信号子数据进行数据交换,得到混合数据集,再基于该混合数据集进行卷积神经网络的训练。
本发明实施例通过特征混合得到新的融合同类特征的数据集(即混合数据集),从微观特征的角度提高了卷积神经网络的泛化能力和鲁棒性,有利于卷积神经网络充分提取组合目标的特征,能够减少对脉冲信号训练样本的数量需求并提高卷积神经网络的识别准确性。
对应于上文实施例的脉冲信号去噪方法,图6为本发明一实施例提供的脉冲信号去噪装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图6,该装置包括:数据获取模块610,网络训练模块620,去噪模块630。
其中,数据获取模块610,用于获取脉冲信号训练集,脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据。
网络训练模块620,用于将脉冲信号训练集输入卷积神经网络,并基于脉冲信号训练集对卷积神经网络进行训练。其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于混合数据集更新卷积神经网络的结构参数。
去噪模块630,用于获取待去噪脉冲信号,并将待去噪脉冲信号输入至训练完成的卷积神经网络,对待去噪脉冲信号进行去噪。
参考图6,在本发明的另一个实施例中,脉冲信号去噪装置还可以包括预处理模块640,预处理模块640用于对脉冲信号训练集中的脉冲信号数据进行预处理。预处理模块640可以包括:
数据提取单元641,用于提取脉冲信号训练集中各个脉冲信号数据的待去噪数据段。
切割处理单元642,用于对各个脉冲信号数据的待去噪数据段的波形图像进行切割处理,得到预处理后的脉冲信号训练集。
可选地,作为本发明实施例提供的脉冲信号去噪装置的一种具体实施方式,在将脉冲信号训练集输入至卷积神经网络之前,还可以包括:
对脉冲信号训练集进行分类,得到多个子训练集,其中,每个子训练集中包括无噪声干扰时的脉冲信号数据以及至少一种存在噪声干扰时的脉冲信号数据。
参考图6,在本发明的再一个实施例中,网络训练模块620可以包括:
次序确定单元621,用于根据各个子训练集中所包含的噪声种类数,确定各个子训练集的训练次序。
网络训练单元622,用于按照训练次序将多个子训练集依次输入卷积神经网络,并基于各个子训练集中的脉冲信号数据对卷积神经网络进行训练。
可选地,作为本发明实施例提供的脉冲信号去噪装置的一种具体实施方式,基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理,可以包括:
提取卷积神经网络的第一层卷积层作为第一卷积网络。
将脉冲信号训练集中的脉冲信号数据输入至第一卷积网络,得到一层卷积后的脉冲信号数据。
可选地,作为本发明实施例提供的脉冲信号去噪装置的一种具体实施方式,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,可以包括:
对卷积处理后的脉冲信号数据进行分组,得到多组脉冲信号子数据。
对多组脉冲信号子数据分别进行多层卷积处理。
交换每两组脉冲信号子数据之间相同卷积位置的数据,得到混合数据集。
参见图7,图7为本发明一实施例提供的终端设备的示意框图。如图7所示,该实施例的终端设备700包括:处理器701、存储器702以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序703,例如变压器铁心直流偏磁的检测程序。所述处理器701执行所述计算机程序703时实现上述脉冲信号去噪方法实施例中的步骤,例如图1所示的步骤101至103,或者图2所示的步骤201至步骤212,所述处理器701执行所述计算机程序703时实现上述各装置实施例中各模块的功能,例如图6所示模块610至670的功能。
示例性的,所述计算机程序703可以被分割成一个或多个程序模块,所述一个或者多个程序模块被存储在所述存储器702中,并由所述处理器701执行,以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序703在所述脉冲信号去噪装置或者终端设备700中的执行过程。例如,所述计算机程序703可以被分割成数据获取模块610,网络训练模块620,去噪模块630,各模块具体功能如图6所示,在此不再一一赘述。
所述终端设备700可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器701、存储器702。本领域技术人员可以理解,图7仅仅是终端设备700的示例,并不构成对终端设备700的限定,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,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器702可以是所述终端设备700的内部存储单元,例如终端设备700的硬盘或内存。所述存储器702也可以是所述终端设备700的外部存储设备,例如所述终端设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器702还可以既包括所述终端设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序以及所述终端设备700所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
Claims (6)
1.一种脉冲信号去噪方法,其特征在于,用于对待诊断设备的脉冲信号去噪,所述方法包括:
获取设备的脉冲信号训练集,所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据;
对脉冲信号训练集进行分类,得到多个子训练集,其中,每个子训练集中包括无噪声干扰时的脉冲信号数据以及至少一种存在噪声干扰时的脉冲信号数据;根据各个子训练集中所包含的噪声种类数,确定各个子训练集的训练次序;其中,各个子训练集中所包含的噪声种类数为各个子训练集中的脉冲信号数据中所包含的噪声的种类数量;
对脉冲信号训练集中脉冲信号数据进行预处理,所述预处理过程包括:
提取脉冲信号训练集中各个脉冲信号数据的待去噪数据段;
对各个脉冲信号数据的待去噪数据段的波形图像进行切割处理,得到预处理后的脉冲信号训练集;
按照训练次序将多个子训练集依次输入卷积神经网络,并基于各个子训练集中的脉冲信号数据对卷积神经网络进行训练;其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对所述子训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于所述混合数据集更新卷积神经网络的结构参数;
获取待诊断设备的待去噪脉冲信号,并将所述待诊断设备的待去噪脉冲信号输入至训练完成的卷积神经网络,对所述待诊断设备的待去噪脉冲信号进行去噪。
2.如权利要求1所述的脉冲信号去噪方法,其特征在于,所述基于卷积神经网络的第一层卷积层对所述子训练集中的脉冲信号数据进行卷积处理,包括:
提取卷积神经网络的第一层卷积层作为第一卷积网络;
将所述子训练集中的脉冲信号数据输入至第一卷积网络,得到一层卷积后的脉冲信号数据。
3.如权利要求1所述的脉冲信号去噪方法,其特征在于,所述对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,包括:
对卷积处理后的脉冲信号数据进行分组,得到多组脉冲信号子数据;
对多组脉冲信号子数据分别进行多层卷积处理;
交换每两组脉冲信号子数据之间相同卷积位置的数据,得到混合数据集。
4.一种脉冲信号去噪装置,其特征在于,用于对待诊断设备的脉冲信号去噪,所述装置包括:
数据获取模块,用于获取设备的脉冲信号训练集,所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据;
网络训练模块,用于对脉冲信号训练集进行分类,得到多个子训练集,其中,每个子训练集中包括无噪声干扰时的脉冲信号数据以及至少一种存在噪声干扰时的脉冲信号数据;根据各个子训练集中所包含的噪声种类数,确定各个子训练集的训练次序;其中,各个子训练集中所包含的噪声种类数为各个子训练集中的脉冲信号数据中所包含的噪声的种类数量;
预处理模块,用于对脉冲信号训练集中的脉冲信号数据进行预处理;所述预处理模块包括:
数据提取单元,用于提取脉冲信号训练集中各个脉冲信号数据的待去噪数据段;
切割处理单元,用于对各个脉冲信号数据的待去噪数据段的波形图像进行切割处理,得到预处理后的脉冲信号训练集;
按照训练次序将多个子训练集依次输入卷积神经网络,并基于各个子训练集中的脉冲信号数据对卷积神经网络进行训练;其中,在卷积神经网络的训练过程中,基于卷积神经网络的第一层卷积层对所述子训练集中的脉冲信号数据进行卷积处理,对卷积处理后的脉冲信号数据进行自混合,得到混合数据集,并基于所述混合数据集更新卷积神经网络的结构参数;
去噪模块,用于获取待诊断设备的待去噪脉冲信号,并将所述待诊断设备的待去噪脉冲信号输入至训练完成的卷积神经网络,对所述待诊断设备的待去噪脉冲信号进行去噪。
5.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071603.XA CN110969092B (zh) | 2019-11-05 | 2019-11-05 | 脉冲信号去噪方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911071603.XA CN110969092B (zh) | 2019-11-05 | 2019-11-05 | 脉冲信号去噪方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969092A CN110969092A (zh) | 2020-04-07 |
CN110969092B true CN110969092B (zh) | 2024-01-23 |
Family
ID=70030144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911071603.XA Active CN110969092B (zh) | 2019-11-05 | 2019-11-05 | 脉冲信号去噪方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969092B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658050A (zh) * | 2020-05-12 | 2021-11-16 | 武汉Tcl集团工业研究院有限公司 | 一种图像的去噪方法、去噪装置、移动终端及存储介质 |
CN112149617A (zh) * | 2020-10-13 | 2020-12-29 | 中国工程物理研究院计算机应用研究所 | 一种基于深度学习的脉冲波形去噪方法 |
CN113361435A (zh) * | 2021-06-16 | 2021-09-07 | 中国农业大学 | 一种卷积神经网络实现的信号曲线自动解卷积方法 |
CN113761805B (zh) * | 2021-09-14 | 2022-10-25 | 东华理工大学 | 一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质 |
CN115984124A (zh) * | 2022-11-29 | 2023-04-18 | 北京大学 | 一种神经形态脉冲信号去噪和超分辨方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171159A (zh) * | 2017-12-27 | 2018-06-15 | 山东大学 | 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 |
CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
CN109711342A (zh) * | 2018-12-27 | 2019-05-03 | 河北工程大学 | 人脸识别方法及装置 |
CN109784242A (zh) * | 2018-12-31 | 2019-05-21 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
CN110197183A (zh) * | 2019-04-17 | 2019-09-03 | 深圳大学 | 一种图像盲去噪的方法、装置和计算机设备 |
CN110363290A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于混合神经网络模型的图像识别方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10726858B2 (en) * | 2018-06-22 | 2020-07-28 | Intel Corporation | Neural network for speech denoising trained with deep feature losses |
-
2019
- 2019-11-05 CN CN201911071603.XA patent/CN110969092B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171159A (zh) * | 2017-12-27 | 2018-06-15 | 山东大学 | 一种基于小波去噪与神经网络识别的随钻测量信号处理方法 |
CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
CN109711342A (zh) * | 2018-12-27 | 2019-05-03 | 河北工程大学 | 人脸识别方法及装置 |
CN109784242A (zh) * | 2018-12-31 | 2019-05-21 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
CN110197183A (zh) * | 2019-04-17 | 2019-09-03 | 深圳大学 | 一种图像盲去噪的方法、装置和计算机设备 |
CN110058305A (zh) * | 2019-05-24 | 2019-07-26 | 吉林大学 | 一种基于卷积神经网络的das地震数据降噪方法 |
CN110363290A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于混合神经网络模型的图像识别方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
李传朋 ; 秦品乐 ; 张晋京 ; .基于深度卷积神经网络的图像去噪研究.计算机工程.2017,(第03期),第253-260页. * |
李宏.舰载飞机飞行试验测试工程.北京航空工业出版社,2019,第304-306页. * |
王鹏.基于卷积神经网络的地震数据去噪方法研究.中国地球科学联合学术年会.2019,第1119-1121页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110969092A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969092B (zh) | 脉冲信号去噪方法、装置及终端设备 | |
CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
WO2021196873A1 (zh) | 车牌字符识别方法、装置、电子设备和存储介质 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN111091603A (zh) | 一种超声成像方法、装置、可读存储介质及终端设备 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN107103595A (zh) | 检测图像变化的方法、装置、存储介质及设备 | |
CN111680642A (zh) | 一种地形分类方法及装置 | |
CN110046622A (zh) | 一种有目标的攻击样本生成方法、装置、设备及存储介质 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN111353391B (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
WO2021168745A1 (zh) | 一种磁共振成像模型的训练方法及装置 | |
CN103592595A (zh) | 一种开关电流电路故障诊断方法 | |
CN111161789B (zh) | 一种模型预测的关键区域的分析方法及装置 | |
CN108573477A (zh) | 消除图像摩尔纹的方法、系统及终端设备 | |
EP3901896A1 (en) | Wide view stitching method and apparatus, and storage medium | |
CN114445273A (zh) | 磁共振图像处理方法、计算机设备及存储介质 | |
CN111369494A (zh) | 冬小麦穗密度检测方法及装置 | |
CN115674272A (zh) | 机器人故障诊断方法、装置、设备以及存储介质 | |
CN113945987B (zh) | 病害地质体检测的方法、装置及电子设备 | |
CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
CN115689947A (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 | |
CN110348566B (zh) | 一种生成神经网络训练用数字信号的方法和系统 | |
CN114330418A (zh) | 用于ar目标识别的脑电和眼动融合方法、介质及设备 | |
CN112418305A (zh) | 一种训练样本的生成方法、装置、计算机设备和存储介质 |
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 |