CN112395946A - 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法 - Google Patents
一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法 Download PDFInfo
- Publication number
- CN112395946A CN112395946A CN202011125201.6A CN202011125201A CN112395946A CN 112395946 A CN112395946 A CN 112395946A CN 202011125201 A CN202011125201 A CN 202011125201A CN 112395946 A CN112395946 A CN 112395946A
- Authority
- CN
- China
- Prior art keywords
- neural network
- rbf neural
- signals
- wavelet
- mud pulse
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 238000005553 drilling Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H21/0043—Adaptive algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (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 Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及无线随钻脉冲信号去噪技术领域,且公开了一种基于小波变换‑RBF神经网络的泥浆脉冲信号去噪方法,包括以下步骤:S1、对随钻测量信号进行小波分解;S2、建立RBF神经网络非线性自适应滤波器;S3、RBF神经网络非线性自适应滤波器运行;本发明针对固定步长对于BRF神经网络的收敛速度和稳态误差有很大的影响,提出了学习步长的自适应优化策略,使得BRF神经网络具有更好的鲁棒性和跟踪能力,更加适合在线训练学习,对随钻信号处理后,保留了随钻信号大部分有效成分,有对噪声进行了抑制,提高了随钻测量信号的识别性和准确度。
Description
技术领域
本发明涉及无线随钻脉冲信号去噪技术领域,具体为一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法。
背景技术
Jarrot A等提出了泥浆泵噪声对消法,通过分析泵噪声特点来合成噪声信号,利用合成的泵噪声信号或者理想压力脉冲信号作为参考标准,利用选择出的最接近的合成频谱,来减少或消除实际压力脉冲中的噪声。Kou J.K等将小波变换(Wavelet Transform,WT)应用到信号消噪中,主要应用了小波阈值降噪策略,在合理分解层数下对几种常用小波基进行对比实验,通过分析总结实验结果,给出了选取合理分解层数以及最佳小波基的有效方案。张伟等提出了基于小波包变换(Wavelet packet transform,wpt)的泥浆脉冲信号去噪方法,首先将待处理信号进行小波包分解,从中找出含泵噪声的结点并去除,其余噪声看作高斯白噪声,最后利用高斯过程的四阶积累量为零的特点将其去除。吴金勇提出了小波变换与经验模态分解相结合的去噪方法,小波阈值法参数设置依赖于经验,灵活性不够,EMD依赖于信号特点进行分解,但在信噪比低时效果不理想,二者各有优劣势,可以互相弥补,以达到较好的降噪效果。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,解决了上述背景技术中所提出的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,包括以下步骤:
S1、对随钻测量信号进行小波分解;
S2、建立RBF神经网络非线性自适应滤波器;
S3、RBF神经网络非线性自适应滤波器运行。
优选的,所述步骤S1的具体步骤为:
S11、确定最佳小波基及相应的分解层数,对信号进行小波分解,每一层的待分解信号都通过相应的低通及高通滤波器,滤波后的信号被分成两个部分,一部分包含的是低频信号,另一部分包含的则是高频信号,而后分别对两部分信号进行采样,对每层信号都进行上述处理,最终分解到各自独立的频带中;
S12、对分解得到的小波系数通过合适的阈值进行量化处理;
S13、利用阈值量化后得到的小波系数进行小波重构,恢复有用信号和噪声信号。
优选的,所述步骤S2的具体步骤为:
S21、所述基本的RBF神经网络是一种具有单隐层的三层前馈型神经网络结构,主要由输入层、隐含层和输出层三层结构;
S22、建立RBF神经网络非线性自适应滤波器。
优选的,所述步骤S22,建立RBF神经网络非线性自适应滤波器具,主要是由BRF神经网络模块和自适应算法模块组成。
优选的,所述步骤S3具体步骤为:
S31、计算n时刻代价函数;
S32、根据LMS原则,对RBF神经网络参数进行迭代计算;
S33、当达到终止条件或者迭代次数时,将输出最终滤波结果。
优选的,所述步骤S32中,RBF神经网络参数采用优化算法进行迭代。
(三)有益效果
本发明提供了一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,具备以下有益效果:
(1)、本发明针对固定步长对于BRF神经网络的收敛速度和稳态误差有很大的影响,提出了学习步长的自适应优化策略,使得BRF神经网络具有更好的鲁棒性和跟踪能力,更加适合在线训练学习。
(2)、本发明对随钻信号处理后,保留了随钻信号大部分有效成分,有对噪声进行了抑制,提高了随钻测量信号的识别性和准确度。
附图说明
图1为本发明的RBF网络结构;
图2为本发明的滤波器原理图;
图3为本发明的流程图;
图4为本发明的小波分解图;
图5为本发明的原始信号图;
图6为本发明的去噪后的信号图;
图7为本发明的优化算法性能图。
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。
一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法的流程如图3所述,其包括以下步骤:
S1、对随钻测量信号进行小波分解,小波分解系数如图4所示,具体步骤为:
S11、确定最佳小波基db9及相应的分解层数9层,对信号进行小波分解,每一层的待分解信号都通过相应的低通及高通滤波器,滤波后的信号被分成两个部分,一部分包含的是低频信号,另一部分包含的则是高频信号,而后分别对两部分信号进行采样,对每层信号都进行上述处理,最终分解到各自独立的频带中;
S12、对分解得到的小波系数通过合适的阈值进行量化处理;
S13、利用阈值量化后得到的小波系数进行小波重构,恢复有用信号和噪声信号。
S2、建立RBF神经网络非线性自适应滤波器,具体步骤为:
S21、所述基本的RBF神经网络是一种具有单隐层的三层前馈型神经网络结构,主要由输入层、隐含层和输出层三层结构,其网络拓扑结构如图1所述,这里假设RBF神经网络由m个输入,n个隐含神经元和一个输出组成;
S22、建立RBF神经网络非线性自适应滤波器,主要是由BRF神经网络模块和自适应算法模块组成,如图2中x(n)+d1(n)是小波包变换并重构后带噪声的泥浆脉冲信号,作为原始输入信号,d(n)经过小波变换并重构后的噪声信号,作为参考输入信号,e(n)为参考信号为输入信号和参考信号的误差,y(n)为实际输出信号。信号x(n)受到宽带噪声d1(n)的污染,与噪声相关的宽带信号d(n)是可以测量的。其中的d(n)与信号d1(n)是彼此相关的噪声信号,而与信号x(n)是不相关的。如果将d(n)作为自适应滤波器的输入,而将x(n)作为期望信号,通过对输出误差e(n)的控制,可以调整RBF神经网络的权系数、中心点位置、隐节点的扩展常数,使得RBF神经网络的输出y(n)趋近于d(n),则当该BRF神经网络稳定以后,该BRF神经网络自适应滤波器e(n)就是滤除了d1(n)的期望输出信号x(n);
设x(n)为n时刻带噪声的有用信号,长度为k,则输入向量X(n)定义如下:
X(n)=[x1(n),x2(n),x3(n)...xk(n)]T (1)
y(n)为你时刻RBF神经网络滤波器的实际输出的噪声信号,并假设RBF神经网络的隐节点个数为k,输出y(n)可以表示为
式中权系数向量Wi(n)和RBF响应函数向量Hi(n)分别定义为:
Wi(n)=[w1(n),w2(n),w3(n)...wk(n)]T (3)
Hi(n)=[h1(n),h2(n),h3(n)...hk(n)]T (4)
其中,wi(n)(i=1,2…k)为n时刻第i个隐节点与输出的线性连接权值,hi(n)(i=1,2…k)为n时刻第i个隐节点对于输入X(n)的响应函数,该函数选择为高斯径向基函数,定义为:
式子||X(n)-Cik(n)||为欧氏距离,σi(n)为n时刻第i个隐节点的扩展常数,Cik(n)为n时刻第i个隐节点的中心,定义为:
Cik(n)=[ci1(n),ci2(n),ci3(n)...cik(n)]T i=(1,2,3…k) (6)
d(n)为n时刻参考噪声输入信号,e(n)为n时刻输出去噪声信号。
n时刻的误差定义e(n)为:
e(n)=y(n)-d(n) (7)
n时刻的代价函数E(n)为:
S3、RBF神经网络非线性自适应滤波器运行,其具体步骤为:
S31、计算n时刻代价函数;
S32、根据LMS原则,对RBF神经网络参数采用优化算法进行迭代计算;
根据随机梯度下降法,要使得代价函数最小,各参数的调整量为:
其中μc,μσ,μw为学习率
将公式8带入9、10、11可得:
为了加快收敛速度,加入动量,各个参数的调整递推公式为:
cik(n+1)=cik(n)+Δcik(n)+ηc(cik(n)-cik(n-1)) (15)
σi(n+1)=σi(n)+Δσi(n)+ησ(σi(n)-σi(n-1)) (16)
wi(n+1)=wi(n)+Δwi(n)+ηw(wi(n)-wi(n-1)) (17)
式子中ηc,ησ,ηw为动量因子,一般范围为(0,1)。动量项的加入实际上增加了对上一次参数调整方向的记忆,当误差出现大的波动时候,可减少震荡趋势,从而提高收敛速度;
在n时刻,学习步长对应μ0=[μc0、μσ0、μw0],对应的训练代价函数为E(μ0),将代价函数作为作为学习步长的函数。由于可以认为步长调优前后练代价函数的取值相差较小,将E(μ)在μ0处进行泰勒展开,取前3项:
令μc-μ0=Δ,Δ为学习率优化量:
根据公式19所示,学习率优化量与代价函数为二次项关系,代价函数E要取最小值,然后再利用随机梯度下降方法对学习率优化量进行更新,更新速度设为0.5Δ,算法性能如图7所示;
S33、当达到终止条件或者迭代次数时,将输出最终滤波结果如图6。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,其特征在于,包括以下步骤:
S1、对随钻测量信号进行小波分解;
S2、建立RBF神经网络非线性自适应滤波器;
S3、RBF神经网络非线性自适应滤波器运行。
2.根据权利要求1所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,其特征在于:所述步骤S1的具体步骤为:
S11、确定最佳小波基及相应的分解层数,对信号进行小波分解,每一层的待分解信号都通过相应的低通及高通滤波器,滤波后的信号被分成两个部分,一部分包含的是低频信号,另一部分包含的则是高频信号,而后分别对两部分信号进行采样,对每层信号都进行上述处理,最终分解到各自独立的频带中;
S12、对分解得到的小波系数通过合适的阈值进行量化处理;
S13、利用阈值量化后得到的小波系数进行小波重构,恢复有用信号和噪声信号。
3.根据权利要求1所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,其特征在于:所述步骤S2的具体步骤为:
S21、所述基本的RBF神经网络是一种具有单隐层的三层前馈型神经网络结构,主要由输入层、隐含层和输出层三层结构;
S22、建立RBF神经网络非线性自适应滤波器。
4.根据权利要求3所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,其特征在于:所述步骤S22,建立RBF神经网络非线性自适应滤波器具,主要是由BRF神经网络模块和自适应算法模块组成。
5.根据权利要求1所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,其特征在于:所述步骤S3具体步骤为:
S31、计算n时刻代价函数;
S32、根据LMS原则,对RBF神经网络参数进行迭代计算;
S33、当达到终止条件或者迭代次数时,将输出最终滤波结果。
6.根据权利要求5所述的一种基于小波变换-RBF神经网络的泥浆脉冲信号去噪方法,其特征在于:所述步骤S32中,RBF神经网络参数采用优化算法进行迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125201.6A CN112395946A (zh) | 2020-10-20 | 2020-10-20 | 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125201.6A CN112395946A (zh) | 2020-10-20 | 2020-10-20 | 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395946A true CN112395946A (zh) | 2021-02-23 |
Family
ID=74596025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125201.6A Pending CN112395946A (zh) | 2020-10-20 | 2020-10-20 | 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395946A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076875A (zh) * | 2023-10-18 | 2023-11-17 | 中核武汉核电运行技术股份有限公司 | 一种复杂噪声背景下核信号的去噪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268525A (zh) * | 2013-06-04 | 2013-08-28 | 南京大学 | 一种基于wd-rbf的水文时间序列模拟预测方法 |
CN105205778A (zh) * | 2015-11-09 | 2015-12-30 | 河南师范大学 | 基于rbf神经网络的图像水印嵌入、提取方法与装置 |
CN108898120A (zh) * | 2018-07-04 | 2018-11-27 | 四川泰立智汇科技有限公司 | 基于混合神经网络的冷水机组故障诊断方法 |
CN109165670A (zh) * | 2018-07-12 | 2019-01-08 | 江南大学 | 一种应用于红外火焰识别的ts-rbf模糊神经网络鲁棒融合算法 |
CN111397901A (zh) * | 2019-03-12 | 2020-07-10 | 上海电机学院 | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 |
-
2020
- 2020-10-20 CN CN202011125201.6A patent/CN112395946A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268525A (zh) * | 2013-06-04 | 2013-08-28 | 南京大学 | 一种基于wd-rbf的水文时间序列模拟预测方法 |
CN105205778A (zh) * | 2015-11-09 | 2015-12-30 | 河南师范大学 | 基于rbf神经网络的图像水印嵌入、提取方法与装置 |
CN108898120A (zh) * | 2018-07-04 | 2018-11-27 | 四川泰立智汇科技有限公司 | 基于混合神经网络的冷水机组故障诊断方法 |
CN109165670A (zh) * | 2018-07-12 | 2019-01-08 | 江南大学 | 一种应用于红外火焰识别的ts-rbf模糊神经网络鲁棒融合算法 |
CN111397901A (zh) * | 2019-03-12 | 2020-07-10 | 上海电机学院 | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
彭金华: "最优非线性滤波的神经网络实现研究" * |
梁瑞刚,樊新海: "基于谐波小波分解与谱峭度的齿轮故障诊断" * |
魏国: "二频机抖激光陀螺双轴旋转惯性导航系统若干关键技术研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076875A (zh) * | 2023-10-18 | 2023-11-17 | 中核武汉核电运行技术股份有限公司 | 一种复杂噪声背景下核信号的去噪方法 |
CN117076875B (zh) * | 2023-10-18 | 2024-01-26 | 中核武汉核电运行技术股份有限公司 | 一种复杂噪声背景下核信号的去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108682418B (zh) | 一种基于预训练和双向lstm的语音识别方法 | |
CN107845389A (zh) | 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法 | |
Wu et al. | Kernel recursive maximum correntropy | |
CN111564160B (zh) | 一种基于aewgan的语音降噪的方法 | |
Ramli et al. | A review of adaptive line enhancers for noise cancellation | |
CN108200522B (zh) | 一种变正则化比例归一化子带自适应滤波方法 | |
WO2007053831A2 (en) | Optimum nonlinear correntropy filter | |
Neuneier et al. | Estimation of conditional densities: A comparison of neural network approaches | |
CN111814515A (zh) | 基于改进变步长lms自适应的有源噪声对消方法 | |
CN112395946A (zh) | 一种基于小波变换-rbf神经网络的泥浆脉冲信号去噪方法 | |
Huang et al. | Complex-valued filtering based on the minimization of complex-error entropy | |
Prasadh et al. | Efficiency analysis of noise reduction algorithms: Analysis of the best algorithm of noise reduction from a set of algorithms | |
CN109687843B (zh) | 一种基于线性神经网络的稀疏二维fir陷波滤波器的设计方法 | |
Ibnkahla | Nonlinear system identification using neural networks trained with natural gradient descent | |
Norouzzadeh et al. | Image denoising in wavelet domain using a new thresholding function | |
US7028015B2 (en) | Filtering device and method for reducing noise in electrical signals, in particular acoustic signals and images | |
CN113299284B (zh) | 一种基于自适应滤波的语音识别装置、方法、设备及介质 | |
Sharma et al. | A comparative analysis of mean square error adaptive filter algorithms for generation of modified scaling and wavelet function | |
RU2430417C1 (ru) | Способ распознавания радиосигналов | |
Lampl | Implementation of adaptive filtering algorithms for noise cancellation | |
Liu et al. | A GPS Distance Error Forecast Model Based on IIR Filter De-noising and LSTM | |
Hajiabadi et al. | A novel adaptive algorithm for estimation of sparse parameters in non-Gaussian noise | |
Shaltaf | Neuro-fuzzy based time-delay estimation using DCT coefficients | |
CN117040489B (zh) | 一种稀疏约束的样条自适应滤波器 | |
Bhotto et al. | A new normalized minimum-error entropy algorithm with reduced computational complexity |
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: 20210223 |