CN111144303A - 基于改进去噪自编码器的电力线信道传输特性识别方法 - Google Patents
基于改进去噪自编码器的电力线信道传输特性识别方法 Download PDFInfo
- Publication number
- CN111144303A CN111144303A CN201911370970.XA CN201911370970A CN111144303A CN 111144303 A CN111144303 A CN 111144303A CN 201911370970 A CN201911370970 A CN 201911370970A CN 111144303 A CN111144303 A CN 111144303A
- Authority
- CN
- China
- Prior art keywords
- denoising
- improved
- power line
- data
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 title claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000011160 research Methods 0.000 claims abstract description 4
- 238000002759 z-score normalization Methods 0.000 claims abstract description 3
- 238000012800 visualization Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 35
- 230000000694 effects Effects 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000010606 normalization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 101100398248 Arabidopsis thaliana KIN10 gene Proteins 0.000 description 1
- 101000835860 Homo sapiens SWI/SNF-related matrix-associated actin-dependent regulator of chromatin subfamily B member 1 Proteins 0.000 description 1
- 102100025746 SWI/SNF-related matrix-associated actin-dependent regulator of chromatin subfamily B member 1 Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Error Detection And Correction (AREA)
Abstract
基于改进去噪自编码器的电力线信道传输特性识别方法,包含有如下步骤:利用z‑score标准化对输入数据进行处理;在去噪后引入对应的反标准化得到最终的输出数据;在利用改进的去噪自编码器对信号处理的过程中,将训练到测试的信号具体转换进行可视化;选用美国国家标准与技术研究所公开的MNIST数据集,将改进的去噪自编码器先在MNIST数据集上测试,得cost曲线;在Tensorflow学习框架下将改进的去噪自编码器应用于电力线信道传输特性的去噪,并对去噪后的信号进行识别。将改进的去噪自编码器应用于信噪分离,结合神经网络对去噪信号进行识别,对比于传统去噪自编码器,本方法可以在低信噪比条件下实现很好的去噪效果。
Description
技术领域
本发明涉及噪声处理技术领域,更具体地说,特别涉及基于改进去噪自编码器的电力线信道传输特性识别方法。
背景技术
随着通信技术的高速发展,电力线通信因其覆盖范围广得到了广泛的应用。电力线信道传输特性与拓扑结构、负载类型及工作状态等因素密切相关,为了能够进行拓扑结构预测、负载工作状态识别,首先要进行电力线信道传输特性的识别,但是由于噪声的影响,使其不能达到理想的识别效果。
发明内容
(1)技术问题
因此,如何解决现有技术中如何解决噪声影响对电力线信道传输特性识别的问题,成了本领域技术人员亟待解决的问题。
(2)技术方案
针对上述问题,本发明的内容是提供一种基于改进去噪自编码器的电力线信道传输特性识别方法,针对电力线信道传输特性,利用改进的去噪自编码器,提高去噪能力的同时加快收敛速度。
基于改进去噪自编码器的电力线信道传输特性识别方法,包含有以下步骤:
利用z-score标准化(zero-mean normalization)对输入数据进行处理,加快寻找最优解的速度,提高去噪自编码器的去噪能力;
在去噪后引入对应的反标准化得到最终的输出数据;
在利用改进的去噪自编码器对信号处理的过程中,将训练到测试的信号具体转换进行可视化,方便观察;
选用美国国家标准与技术研究所公开的MNIST数据集,将改进的去噪自编码器先在MNIST数据集上测试,所得的cost曲线;由损失函数的变化可以看出,改进的去噪自编码器相比于传统的去噪自编码器可以对去噪效果进行改善;在Tensorflow学习框架下将改进的去噪自编码器应用于电力线信道传输特性的去噪,并对去噪后的信号进行识别。
为了验证改进的去噪自编码器应用于电力线传输特性的去噪效果,将去噪后的电力线信道传输特性进行分类识别,选取含有两层隐含层的神经网络进行测试;神经网络输入层连接两个隐含层,隐含层的激活函数为relu函数,为了防止过拟合,每个隐含层后面加一个dropout层,最后输出层实现分类选择softmax函数。
进一步的,z-score标准化是如今数据处理中最常用的标准化处理方式,即将原始数据转换为均值为0,方差为1的数据,其反标准化已知均值和方差即可,标准化表达式见下式:
进一步的,改进的去噪自编码器,通过将原始数据x进行标准化得到x*,对x*加入噪声得到网络的输入数据 经过编码函数g得到特征表达h,再通过解码函数f将h映射到输出层,得到重构的数据y,但这并不是整个网络的输出,而是对y进行反标准化处理得到网络的输出y*,将标准化数据x*与重构数据y的差值L(x*,y)作为损失函数对整个网络进行调整。
进一步的,将所述改进的去噪自编码器先在MNIST数据集上测试,整个仿真流程为,原始信号产生的数据训练集,加入噪声在经过改进的去噪自编码器,在经过之前提到的反标准化过程形成测试集,得到信号识别模型。
进一步的,采用OpenCL语言,在FPGA硬件平台上实现神经网络,对采用改进算法得到的去噪数据进行分类。
进一步的,FPGA采用友晶科技公司的de10_nano开发板。
(3)有益效果
①完全不再依赖通信信号的调制方式,学习深度学习神经网络技术,利用去噪自编码器实现噪声条件下电力线信道传输特性的识别,并且在低信噪比条件下也能达到好的识别效果。
②将改进的去噪自编码器应用于信噪分离,结合神经网络对去噪信号进行识别,对比于传统去噪自编码器,本方法可以在低信噪比条件下实现很好的去噪效果。此外,本方法为人工智能技术应用于改善电力线通信质量提供了一种可行参考方案。
附图说明
图1为去噪自编码器原理图;
图2是本发明中改进的去噪自编码器原理图;
图3是改进的去噪自编码器对信号处理的过程中信号转化过程流程示意图;
图4是改进的去噪自编码器在MNIST数据集上测试仿真流程图;
图5是9类电力线信道传输特性示意图;
图6是神经网络结构图;
图7是scale=0条件下的原始信号图;
图8是scale=0.0005条件下的加噪信号图;
图9是scale=0.01条件下的加噪信号图;
图10是scale=0.5条件下的加噪信号图;
图11是scale=0.0005条件下原始信号自相关、原始信号原始信号与加噪信号互相关、原始信号与传统自编码器去噪后的信号互相关、原始信号与改进后的去噪自编码器去噪后的信号互相关比对图;
图12是scale=0.01条件下原始信号自相关、原始信号原始信号与加噪信号互相关、原始信号与传统自编码器去噪后的信号互相关、原始信号与改进后的去噪自编码器去噪后的信号互相关比对图;
图13是scale=0.5条件下原始信号自相关、原始信号原始信号与加噪信号互相关、原始信号与传统自编码器去噪后的信号互相关、原始信号与改进后的去噪自编码器去噪后的信号互相关比对图;
图14是scale=0.0005条件下加噪信号在经过传统和改进去噪自编码器去噪过程中的损失函数cost的变化曲线图;
图15是scale=0.01条件下加噪信号在经过传统和改进去噪自编码器去噪过程中的损失函数cost的变化曲线图;
图16是scale=0.5条件下加噪信号在经过传统和改进去噪自编码器去噪过程中的损失函数cost的变化曲线图;
图17是不同scale条件下的去噪信号作为测试集识别结果准确率曲线图;
图18是scale=2条件下cost曲线图;
图19是scale=3条件下cost曲线图;
图20是scale=4条件下cost曲线图;
图21是FPGA开发板功能区块图;
图22是原始去噪自编码算法图;
图23是改进的去噪自编码算法图;
图24是FPGA硬件测试单个样本分类执行时间图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
自编码神经网络(Auto-Encoder,AE)作为深度学习中一种常见的无监督机器学习模型,也是一种输入与输出一致的神经网络,良好的提取数据特征的能力使其在图像重构方面被广泛应用。去噪自编码器(Denoising Auto-Encoder,DAE)是在自编码器的基础上提出的,给原始数据加入噪声,经过训练从噪声中学习出数据的特征。
DAE由输入层、隐含层、输出层构成,原理图如图1所示:原始数据x加入噪声得到受损数据作为整个网络的输入,经过编码函数g得到输入的特征表达h,接下来通过解码函数f将h映射到输出层,得到重构的数据y,并且将原始数据x与输出数据y的误差L(x,y)作为损失函数完成整个网络的学习。
DAE的编码和解码原理可分别由式(1)、(2)表示。
y=f(h)=uf(w2h+b2) (2)
其中,ug和uf是非线性激活函数,选取Sigmoid函数,表达式为u(z)=(1+e-z)-1,w1表示输入层到隐含层的权值,b1表示隐含层偏置,w2表示隐含层到重构层的权值,b2表示重构层偏置。
为了求得x与y的接近程度,通过构造的误差函数L(x,y)来处理,L(x,y)取交叉熵(cross-entropy)函数,如式(3)所示。
设θ=(w1,b1,w2,b2),在整个数据集S上可以设置一个损失函数,通过损失函数的最小化即可求得参数θ,去噪自编码器的损失函数定义为式(4)。
JDEA(θ)=∑x∈SL(x,f(g(x))) (4)
去噪自编码器训练过程中最常用的噪声是加性高斯噪声,添加噪声的大小主要是通过噪声系数scale来进行调节,由此可将式(1)中的表示为:随着噪声系数的增大,原始信号波形完全被破坏,导致去噪自编码器不能在受损数据中很好的重构出原始数据,去噪效果明显下降。在此背景下,对网络进行改进以提升去噪自编码器在大噪声情况下的去噪能力。
引入z-score标准化(zero-mean normalization)对输入数据进行处理,并在去噪后引入对应的反标准化得到最终的输出数据,z-score标准化是如今数据处理中最常用的标准化处理方式,即将原始数据转换为均值为0,方差为1的数据,其反标准化已知均值和方差即可,标准化表达式见式(5)。
改进的去噪自编码器的原理如图2所示,通过将原始数据x进行标准化得到x*,对x*加入噪声得到网络的输入数据 经过编码函数g得到特征表达h,再通过解码函数f将h映射到输出层,得到重构的数据y,但这并不是整个网络的输出,而是对y进行反标准化处理得到网络的输出y*,将标准化数据x*与重构数据y的差值L(x*,y)作为损失函数对整个网络进行调整。
为了方便观察,在利用改进的去噪自编码器对信号处理的过程中,将训练到测试的信号具体转换进行可视化,具体过程如图3所示。
具体实施例:
选用美国国家标准与技术研究所公开的MNIST数据集,将改进的去噪自编码器先在MNIST数据集上测试,整个仿真流程如图4,其流程图含义为,原始信号产生的数据训练集,加入噪声在经过改进的去噪自编码器,在经过之前提到的反标准化过程形成测试集,得到了信号识别模型。而传统方法是训练集直接通过信号识别网络,得到信号识别模型。
在Tensorflow学习框架下将改进的去噪自编码器应用于电力线信道传输特性的去噪,并对去噪后的信号进行识别。
1样本构建
选取9种参考信道代表9类具有不同传输特性的信道状态。每类信号训练集、测试集分别选取1000个数据,对应的原始信号如图5所示。
2深度学习神经网络模型
为了验证去噪自编码器应用于电力线传输特性的去噪效果,将去噪后的电力线信道传输特性进行分类识别,选取了含有两层隐含层的神经网络进行测试。神经网络结构图如图6所示,输入层连接两个隐含层,隐含层的激活函数为relu函数,为了防止过拟合,每个隐含层后面加一个dropout层,最后输出层实现分类选择softmax函数。
3参数设置
改进的去噪自编码器的训练参数如表1所示,神经网络识别网络模型的训练参数如表2所示。
表1去噪编码器参数
参数 | 取值 |
n_hidden | 1 000 |
batch_size | 128 |
display_step | 1 |
training_epochs | 150 |
learning_rate | 1e-4 |
表2识别模型参数
参数 | 取值 |
batch_size | 128 |
epochs | 100 |
learning_rate | 1e-5 |
dropout1 | 0.5 |
dropout2 | 0.5 |
改进的去噪自编码器通过改变噪声系数scale来调节加性高斯噪声,利用原始信号x和不同scale下对应的加噪信号根据基于能量的SNR计算公式(6)和基于均值的SNR计算公式(7)得到scale及对应的SNR见表3。
其中Ps是信号功率,Pn是噪声功率,length表示求信号的长度,mean表示求信号的均值。
表3 scale对应的SNR
Scale | SNR1/dB | SNR2/Db |
0 | ∞ | ∞ |
0.0005 | 44.71 | 52.21 |
0.01 | 6.53 | 14.07 |
0.1 | -13.04 | -5.88 |
0.5 | -26.87 | -19.71 |
1 | -33.15 | -25.99 |
4去噪效果
选取其中一类信道传输特性,给出scale=0、0.0005、0.01、0.5条件下的原始信号和加噪信号见图7、图8、图9、图10。
图11、图12、图13分别表示选取scale=0.0005、scale=0.01、scale=0.5条件下的相关图,加噪时,给出了原始信号自相关和原始信号与加噪信号互相关对比图;去噪后,给出了原始信号与传统自编码器去噪后的信号互相关、原始信号与改进后的去噪自编码器去噪后的信号互相关。随着噪声的加大,原始信号与加噪信号的相关性越来越小。通过去噪后相关性对比可以发现,特别是在大噪声情况下,相比于传统去噪自编码器,改进后的去噪自编码器去噪后的信号与原始信号的相关性增强。相关性主要是说明去噪效果的改善,接下来是对改进结果的进一步验证。
5收敛速度
损失函数cost不仅能够衡量去噪效果的优劣,cost越小说明去噪信号与原始信号差异越小,去噪效果越好,而且能够评价网络的收敛速度。对应不同scale的情况,图14、图15、图16分别对应了图8、图9、图10加噪信号在经过传统和改进去噪自编码器去噪过程中的损失函数cost的变化曲线。
对比发现,在scale=0.0005、scale=0.01小噪声的条件下,改进去噪自编码和传统去噪自编码都可以达到好的收敛,但前者的收敛速度明显优于后者。随着噪声的增大,到scale=0.5可以看出改进的去噪自编码器收敛速度以及收敛效果明显增强,而传统的去噪自编码器几乎很难收敛到一个稳定值,去噪效果也远不如改进去噪自编码器。
6去噪识别结果
采用神经网络模型对传统和改进去噪自编码器在不同scale条件下的去噪信号进行分类的准确率测试,以原信号作为训练集,不同噪声系数下的去噪信号作为测试集,识别结果如图17和表4所示。根据曲线可以看出,随着噪声系数scale的增大,改进去噪自编码器的识别准确率明显高于传统去噪自编码器。
表4识别准确率
从表4中我们可以看出,当噪声系数scale=0时,说明并没有给原信号加噪声,对于传统去噪自编码器相当于将原信号进行分类测试,对于改进去噪自编码器相当于将原信号进行了标准化和反标准化处理后再进行分类测试,所以当未对信号加入噪声时,识别准确率并未达到100.00%,很难凸显改进去噪自编码的优势。但是随着噪声的增强,改进去噪自编码器明显优于传统去噪自编码器,甚至可以在SNR=-33dB左右都能达到94.01%的准确率。
当噪声系数scale分别为2、3、4时,所得的mnist数据集损失函数cost曲线分别如图18、图19、图20所示。由损失函数的变化可以看出,改进的去噪自编码器相比于传统的去噪自编码器可以对去噪效果进行改善。
采用OpenCL语言,在FPGA硬件平台上实现图6所示的神经网络,对采用改进算法得到的去噪数据进行分类。FPGA开发板为友晶科技公司的de10_nano开发板。
其中,FPGA型号为DE10-NanoDE10-Nano,DE10-Nano开发板功能区块图如图21所示。器件为:IntelV SE 5CSEBA6U23I7NDK(110K LEs)。序列配置器件–EPCS64(revision B2 or later),内建USB-Blaster II电路,JTAG模式,HDMI输出,兼容于DVIv1.0及HDCP v1.4,2个按钮,4个拨码开关,8个绿色使用者LED灯,来自时钟产生器的三个50MHz时钟源,两个40-pin的扩展槽,一个Arduino扩展槽(兼容Uno R3),可联机Arduino背板。一个10-pin的模拟输入扩展槽(跟Arduino的模拟输入埠是复用关系)。A/D转换器,FPGA端4-pin SPI接口。硬核處理系統(HPS)为:800MHz ARM Cortex-A9双核处理器。1GB DDR3SDRAM(32位数据总线)。支持1G以太网PHY的RJ45接口。USB OTG埠,采用USB Micro-AB型联机器。微型SD卡槽。加速计(G-Sensor,I2C界面+中断)。一个串行埠转USB口,采用USB Mini-B型接口。一个热启动按钮和一个启动按钮。一个用户按钮和一个用户LED灯。LTC 2x7扩展槽。
图22和图23为scale=1时,原始去噪自编码和本发明改进算法的分类结果,可以看到原始去噪自编码得到的去噪数据的分类成功率为22.22%,而本发明改进后的去噪自编码得到的去噪数据的分类成功率为100%。
图24为FPGA验证平台对前2000个测试样本进行分类时每个样本的神经网络运行时间。
本发明针对电力线信号传输特性,将改进的去噪自编码器应用于信噪分离,结合神经网络对去噪信号进行了识别,分别利用tensorflow学习框架和FPGA硬件平台对整个实验进行了仿真验证。结果表明,对比于传统去噪自编码器,本发明中的识别方法可以在低信噪比条件下实现很好的去噪效果。此外,本方法为人工智能技术应用于改善电力线通信质量提供了一种可行参考方案。
本发明不局限于上述实施方式,任何人在本发明的启示下都可以得出其他各种形式的产品。凡依本发明申请专利范围所做的均等变化与修饰,皆应属于本发明的涵盖范围。
Claims (5)
1.基于改进去噪自编码器的电力线信道传输特性识别方法,其特征在于:包含有如下步骤:
利用z-score标准化对输入数据进行处理;
在去噪后引入对应的反标准化得到最终的输出数据;
在利用改进的去噪自编码器对信号处理的过程中,将训练到测试的信号具体转换进行可视化;
选用美国国家标准与技术研究所公开的MNIST数据集,将改进的去噪自编码器先在MNIST数据集上测试,得cost曲线;在Tensorflow学习框架下将改进的去噪自编码器应用于电力线信道传输特性的去噪,并对去噪后的信号进行识别;
验证改进的去噪自编码器应用于电力线传输特性的去噪效果,将去噪后的电力线信道传输特性进行分类识别,选取含有两层隐含层的神经网络进行测试;神经网络输入层连接两个隐含层,隐含层的激活函数为relu函数,为了防止过拟合,每个隐含层后面加一个dropout层,最后输出层实现分类选择softmax函数。
3.根据权利要求1所述的基于改进去噪自编码器的电力线信道传输特性识别方法,其特征在于:
将所述改进的去噪自编码器先在MNIST数据集上测试,整个仿真流程为,原始信号产生的数据训练集,加入噪声在经过改进的去噪自编码器,在经过之前提到的反标准化过程形成测试集,得到信号识别模型。
4.根据权利要求1所述的基于改进去噪自编码器的电力线信道传输特性识别方法,其特征在于:采用OpenCL语言,在FPGA硬件平台上实现神经网络,对采用改进算法得到的去噪数据进行分类。
5.根据权利要求4所述的基于改进去噪自编码器的电力线信道传输特性识别方法,其特征在于:所述FPGA采用友晶科技公司的de10_nano开发板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370970.XA CN111144303A (zh) | 2019-12-26 | 2019-12-26 | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370970.XA CN111144303A (zh) | 2019-12-26 | 2019-12-26 | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144303A true CN111144303A (zh) | 2020-05-12 |
Family
ID=70520700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911370970.XA Pending CN111144303A (zh) | 2019-12-26 | 2019-12-26 | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144303A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680787A (zh) * | 2020-06-12 | 2020-09-18 | 中国人民解放军战略支援部队信息工程大学 | 一种侧信道曲线的处理方法、装置及电子设备 |
CN111950503A (zh) * | 2020-06-16 | 2020-11-17 | 中国科学院地质与地球物理研究所 | 航空瞬变电磁数据处理方法、装置及计算设备 |
CN112926504A (zh) * | 2021-03-23 | 2021-06-08 | 重庆商务职业学院 | 一种基于降噪自编码器的声发射信号去噪方法 |
WO2023082280A1 (zh) * | 2021-11-15 | 2023-05-19 | Oppo广东移动通信有限公司 | 用于无线信道处理的模型更新方法、装置、终端及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091081A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院自动化研究所 | 一种交通数据弥补方法 |
CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN107229916A (zh) * | 2017-05-27 | 2017-10-03 | 南京航空航天大学 | 一种基于深度降噪自编码的机场噪声监测数据修复方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 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 |
CN109087259A (zh) * | 2018-08-01 | 2018-12-25 | 中国石油大学(北京) | 基于卷积自编码器的叠前数据去噪方法及系统 |
CN109188211A (zh) * | 2018-07-30 | 2019-01-11 | 上海交通大学 | 一种高压设备绝缘故障诊断方法和系统 |
US20190096038A1 (en) * | 2017-09-26 | 2019-03-28 | Samsung Electronics Co., Ltd. | Image denoising neural network architecture and method of training the same |
CN110006650A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法 |
CN110246509A (zh) * | 2019-06-15 | 2019-09-17 | 河南工业大学 | 一种用于语音测谎的栈式去噪自编码器及深度神经网络结构 |
CN110263873A (zh) * | 2019-06-27 | 2019-09-20 | 华北电力大学 | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 |
CN110298264A (zh) * | 2019-06-10 | 2019-10-01 | 上海师范大学 | 基于堆叠降噪自编码器的人体日常行为活动识别优化方法 |
CN110443405A (zh) * | 2019-06-28 | 2019-11-12 | 国网山东省电力公司济宁市任城区供电公司 | 一种光伏电站发电量预测系统及方法 |
CN110490816A (zh) * | 2019-07-15 | 2019-11-22 | 哈尔滨工程大学 | 一种水下异构信息数据降噪方法 |
-
2019
- 2019-12-26 CN CN201911370970.XA patent/CN111144303A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091081A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院自动化研究所 | 一种交通数据弥补方法 |
CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN107229916A (zh) * | 2017-05-27 | 2017-10-03 | 南京航空航天大学 | 一种基于深度降噪自编码的机场噪声监测数据修复方法 |
US20190096038A1 (en) * | 2017-09-26 | 2019-03-28 | Samsung Electronics Co., Ltd. | Image denoising neural network architecture and method of training the same |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 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 |
CN109188211A (zh) * | 2018-07-30 | 2019-01-11 | 上海交通大学 | 一种高压设备绝缘故障诊断方法和系统 |
CN109087259A (zh) * | 2018-08-01 | 2018-12-25 | 中国石油大学(北京) | 基于卷积自编码器的叠前数据去噪方法及系统 |
CN110006650A (zh) * | 2019-03-18 | 2019-07-12 | 华中科技大学 | 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法 |
CN110298264A (zh) * | 2019-06-10 | 2019-10-01 | 上海师范大学 | 基于堆叠降噪自编码器的人体日常行为活动识别优化方法 |
CN110246509A (zh) * | 2019-06-15 | 2019-09-17 | 河南工业大学 | 一种用于语音测谎的栈式去噪自编码器及深度神经网络结构 |
CN110263873A (zh) * | 2019-06-27 | 2019-09-20 | 华北电力大学 | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 |
CN110443405A (zh) * | 2019-06-28 | 2019-11-12 | 国网山东省电力公司济宁市任城区供电公司 | 一种光伏电站发电量预测系统及方法 |
CN110490816A (zh) * | 2019-07-15 | 2019-11-22 | 哈尔滨工程大学 | 一种水下异构信息数据降噪方法 |
Non-Patent Citations (4)
Title |
---|
JIAN DI等: "Application of Improved Deep Auto-Encoder Network in Rolling Bearing Fault Diagnosis", 《JOURNAL OF COMPUTER AND COMMUNICATIONS》, vol. 6, pages 41 - 53 * |
史建超等: "基于深度学习的电力线信道传输特性识别方法", 《电网技术》, pages 1 - 9 * |
胡正伟等: "基于改进去噪自编码器的 电力线信道传输特性识别实现", 《电力信息与通信技术》, pages 86 - 92 * |
贺冬梅: "基于卷积神经网络的信号识别研究与FPGA实现", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 2022, pages 042 - 2700 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680787A (zh) * | 2020-06-12 | 2020-09-18 | 中国人民解放军战略支援部队信息工程大学 | 一种侧信道曲线的处理方法、装置及电子设备 |
CN111950503A (zh) * | 2020-06-16 | 2020-11-17 | 中国科学院地质与地球物理研究所 | 航空瞬变电磁数据处理方法、装置及计算设备 |
CN111950503B (zh) * | 2020-06-16 | 2024-01-30 | 中国科学院地质与地球物理研究所 | 航空瞬变电磁数据处理方法、装置及计算设备 |
CN112926504A (zh) * | 2021-03-23 | 2021-06-08 | 重庆商务职业学院 | 一种基于降噪自编码器的声发射信号去噪方法 |
WO2023082280A1 (zh) * | 2021-11-15 | 2023-05-19 | Oppo广东移动通信有限公司 | 用于无线信道处理的模型更新方法、装置、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144303A (zh) | 基于改进去噪自编码器的电力线信道传输特性识别方法 | |
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN107633842B (zh) | 语音识别方法、装置、计算机设备及存储介质 | |
CN110853680B (zh) | 一种具有多输入多融合策略的双BiLSTM的语音情感识别方法 | |
US10539613B2 (en) | Analog circuit fault diagnosis method using single testable node | |
CN114692665B (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN110021307A (zh) | 音频校验方法、装置、存储介质及电子设备 | |
CN109559758B (zh) | 一种基于深度学习的将纹理图像转换成触觉信号的方法 | |
CN113223536B (zh) | 声纹识别方法、装置及终端设备 | |
CN111968666B (zh) | 基于深度域自适应网络的助听器语音增强方法 | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN114446314A (zh) | 一种深度生成对抗网络的语音增强方法 | |
CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
CN114464206A (zh) | 一种单通道盲源分离方法及系统 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
CN115910097A (zh) | 一种高压断路器潜伏性故障可听声信号识别方法及系统 | |
CN112689288A (zh) | 一种基于wann的射频指纹提取和识别方法 | |
Du et al. | Feature extraction and pattern recognition algorithm of power cable partial discharge signal | |
CN113327589B (zh) | 一种基于姿态传感器的语音活动检测方法 | |
CN115472179A (zh) | 面向数字音频删除和插入篡改操作自动检测方法及系统 | |
CN113066483B (zh) | 一种基于稀疏连续约束的生成对抗网络语音增强方法 | |
CN114302301A (zh) | 频响校正方法及相关产品 | |
CN113178204A (zh) | 一种单通道降噪的低功耗方法、装置及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |
|
WD01 | Invention patent application deemed withdrawn after publication |