CN112818876A - 一种基于深度卷积神经网络的电磁信号提取与处理方法 - Google Patents

一种基于深度卷积神经网络的电磁信号提取与处理方法 Download PDF

Info

Publication number
CN112818876A
CN112818876A CN202110158865.0A CN202110158865A CN112818876A CN 112818876 A CN112818876 A CN 112818876A CN 202110158865 A CN202110158865 A CN 202110158865A CN 112818876 A CN112818876 A CN 112818876A
Authority
CN
China
Prior art keywords
data
neural network
convolutional neural
deep convolutional
noise
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
Application number
CN202110158865.0A
Other languages
English (en)
Other versions
CN112818876B (zh
Inventor
吴旭
欧鸥
冷小鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202110158865.0A priority Critical patent/CN112818876B/zh
Publication of CN112818876A publication Critical patent/CN112818876A/zh
Application granted granted Critical
Publication of CN112818876B publication Critical patent/CN112818876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于深度卷积神经网络的电磁信号提取与处理方法，所述基于深度卷积神经网络的电磁信号提取与处理方法通过小波滤波对原始数据进行初次去噪、抽道前测点数据调平、测点叠加与抽道处理、设计深度卷积神经网络(DCNN)模型的结构、利用模型进行计算识别等步骤，建立噪声和信号的特征提取机制，经过大量实测数据不断迭代学习，建立信噪分类识别的模型，有效提高地下大深度、全覆盖、无盲区探测数据的信号与噪声分离度，最大程度地获取用于反演计算和解释分析的数据资料。

Description

一种基于深度卷积神经网络的电磁信号提取与处理方法
技术领域
本发明涉及地球探测与信息技术领域，特别是一种基于深度卷积神经网络的电磁信号提取与处理方法。
背景技术
航空电磁探测技术通过搭载于飞行平台的发射回线向地下发射脉冲电磁场，在电磁场的激励下，大地内部产生涡旋电流，在欧姆效应作用下，大地内部的涡旋电流发生衰减，从而激励起新的电磁场，通过观测新的电磁场，提取并分析其中包含的地电信息，可达到探测地下地质结构的目的，其具有快速、高效、经济、适应性强，能够进入地面勘探无法实施的森林、沙漠、沼泽、湖泊、高原等地区的勘探优势，在地质勘探领域有着广泛的应用。根据搭载的飞行平台不同，航空电磁探测技术可分为固定翼飞机航空电磁探测技术和直升机载航空电磁探测技术，经过多年的发展，直升机载航空电磁探测技术逐渐成为主流。
航空电磁探测技术获得的电磁信号来源于时间域航空电磁探测仪器采集的实测数据，目前，针对时间域航空电磁数据信号的提取与处理技术，主要体现在以下三个层次：
(1)在仪器设备上通过物理技术的改进，克服系统本身二次场的影响,提高信噪比，主要提高线圈运动噪声的压制能力；
(2)传统信号处理方法，主要针对天电干扰的去除和线圈运动噪声的去除，分别利用高通滤波器、小波分解重构消噪，找出能够有效去除噪声的方法，在实现叠加和抽道后提取有效信号；
(3)统计分析及机器学习方法，主要通过各种主成分分析法、高斯回归分析法、基于核函数的支持向量机等，对信号和噪声进行分类识别，能够在传统技术处理基础上，提取出更高质量的信号数据。
针对探测仪器物理技术的改进，可以在一定程度上压制线圈运动噪声，但对于天电噪声和其他来源噪声影响有限。传统信号处理方法，如小波滤波、中值滤波等，能够较有效的分辨出信号中的突变部分和噪声,从而实现信号的消噪目的，但处理后的数据在晚期的测道上仍存在一定白噪声的干扰，随着噪声量级的增大，去噪效果逐渐变差。基于统计分析及机器学习方法的信号提取技术在不考虑具体噪声类型来源的条件下，针对数据本身的特征进行识别，从而更好的去处噪声数据，但目前该技术尚处于探索阶段，相关研究还不够深入。
目前，针对机载探测仪器的各种反演计算及解释技术不断发展，使时间域航空电磁法理论趋于成熟，但目前针对航空电磁数据预处理的研究却相对薄弱，不能满足勘探工作的需要,这将直接影响航空电磁探测技术的发展。
发明内容
针对背景技术中存在的技术问题，本发明提出一种基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述基于深度卷积神经网络的电磁信号提取与处理方法具体包括如下步骤：
1)小波滤波对原始数据进行初次去噪；
2)抽道前测点数据调平；
3)测点叠加与测线抽道；
4)设计深度卷积神经网络模型的结构；
5)利用所述深度卷积神经网络模型进行计算，识别噪声与信号的分布，将信号数据全部输出。
进一步地，所述小波滤波对原始数据进行初次去噪具体包括首先对测点原始数据求小波变换，然后设置阈值量化规则，利用小波变换重构，求出信号的滤波值。
进一步地，所述抽道前测点数据调平具体包括：
以交点差值的算术平均值加、减2～3倍均方差作为衡量标准，判断时按下式进行：
Figure BDA0002934871620000021
其中，
Figure BDA0002934871620000022
为每条切割线上交点差的算术平均值，dδi为均方差。
进一步地，所述测点叠加与测线抽道具体包括采取梯形叠加技术进行处理，梯形叠加窗宽为6个测点的距离，平均12个测点上的数据经叠加得到1个物理点上的衰减曲线。
进一步地，所述测点叠加与测线抽道还包括抽道确定原始衰减曲线取样道的中心时间，中心时间以100.1倍数关系为等对数间隔，再确定数据取样窗口宽度，数据窗宽也以100.1倍数关系为等对数间隔，抽道后的数据作为深度卷积神经网络模型的输入数据。
进一步地，所述设计深度卷积神经网络模型的结构具体包括：
a.设计卷积层和激活功能；
b.设计损失函数；
c.设计模型的网络架构；
d.设置深度卷积神经网络训练集；
e.设计深度卷积神经网络的深度和输入训练样本的大小，划分出测试集数据；
f.采用不同迭代次数，不断进行学习训练，形成识别信号与噪声的单一模型。
进一步地，所述设计卷积层和激活功能具体包括在第1卷积层，将先前层的特征映射与卷积核卷积，并加上相应偏差，作为激活函数的输入量，通过激活函数的相关运算，输出特征映射，每个输出特征映射可以将卷积与多个输入特征图结合起来。
进一步地，所述损失函数具体为F(θ)＝1/2×||Y-Y＾||2×||Z-Z＾||2，其中θ＝[W，b]，是深度卷积神经网络的网络参数，W是权重矩阵，b是偏向量，Y和Z分别表示输出噪声和输出信号，Y＾是输出噪声的估计值，Z＾是输出信号的估计值，使得损失函数最小化可以找到损失函数的最优参数θ。
进一步地，所述设计模型的网络架构具体包括按照道数和叠加后的测点数，推断出与之相合适的卷积核的大小和卷积层数，以便实现良好的学习性能。
进一步地，所述设置深度卷积神经网络训练集具体包括将抽道后具有不同噪声水平的高斯噪声叠加到道线，由滑动窗口进行裁剪，经过裁剪的子图代表的数据组成了训练数据集。
基于深度卷积神经网络的电磁信号提取与处理方法如下有益效果：
本发明在对原始探测数据进行物理噪声压制、采用传统信号滤波方法的基础上，以识别和提取数据自身特征为目标，基于统计学习理论的方法，引入深度学习网络，建立噪声和信号的特征提取机制，经过大量实测数据不断迭代学习，建立更好的信噪分类识别的模型，进一步提高电磁信号提取与处理水平，能够有效提高地下大深度、全覆盖、无盲区探测数据的信号与噪声分离度，最大程度地获取用于反演计算和解释分析的数据资料。
附图说明
图1显示的是基于深度卷积神经网络的电磁信号提取与处理方法的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。
如图1所示，基于深度卷积神经网络的电磁信号提取与处理方法包括如下步骤：
1)小波滤波对原始数据进行初次去噪
首先对测点原始数据求小波变换，然后设置阈值量化规则，利用小波变换重构，求出信号的滤波值，此时在一定程度上提高了晚期测道观测数据的信噪比，但是仍然有较大的误差。
2)抽道前测点数据调平
此过程为常差处理，采用了以交点差值的算术平均值加、减2～3倍均方差作为衡量标准，判断时按下式进行：
Figure BDA0002934871620000031
其中，
Figure BDA0002934871620000032
为每条切割线上交点差的算术平均值，dδi为均方差。
3)测点叠加与测线抽道
采取梯形叠加技术做处理，梯形叠加窗宽为6个测点的距离，平均12个测点上的数据经叠加得到1个物理点上的衰减曲线。抽道确定原始衰减曲线取样道的中心时间，中心时间以约100.1倍数关系为等对数间隔，再确定数据取样窗口宽度，数据窗宽也以100.1倍数关系为等对数间隔。抽道后的数据作为深度卷积神经网络模型的输入数据。
4)设计深度卷积神经网络模型的结构
设计过程主要包括如下步骤：
a.设计卷积层和激活功能，在第1卷积层(隐藏单元)，将先前层的特征映射
Figure BDA0002934871620000041
与卷积核
Figure BDA0002934871620000042
卷积，并加上相应偏差，作为激活函数F的输入量，通过激活函数F的相关运算，输出特征映射
Figure BDA0002934871620000043
每个输出特征映射可以将卷积与多个输入特征图结合起来，上述运算过程如下式所示：
Figure BDA0002934871620000044
其中Mj表示输入特征图的选择，
Figure BDA0002934871620000045
表示偏差，*表示卷积算子。
b.设计损失函数，令X、Y和Z分别表示输入的含噪声数据、输出噪声和输出信号，给定一个训练数据集{Xi，Yi，Zi}i＝1N，我们的目标是学习一个预测值的模型，其中Y＾是所需信号Y的估计值，因此，损失函数是：
F(θ)＝1/2×||Y-Y＾||2×||Z-Z＾||2，其中θ＝[W，b]，是DCNN的网络参数，W是权重矩阵，b是偏向量，我们的目标是最小化损失函数以找到DCNN的最优参数θ。
c.设计模型的网络架构：按照道数和叠加后的测点数，推断出与之相合适的卷积核的大小和卷积层数，以便实现良好的学习性能。
d.设置DCNN训练集：将抽道后具有不同噪声水平的高斯噪声叠加到道线，由滑动窗口进行裁剪，由于高斯噪声值位于重叠窗口中的曲线对于两个相邻的子窗口是相同的，因此，这些裁剪的子图代表的数据组成了训练数据集。
e.设计DCNN的深度和输入训练样本的大小，划分出测试集数据。
f.采用不同迭代次数，不断进行学习训练，形成识别信号与噪声的单一模型。
5)利用该模型进行计算，识别噪声与信号的分布，将信号数据全部输出。
本发明针对的数据采集仪器为直升机式时间域航空电磁探测系统采用的装置，装置形式是发射线圈和接收线圈均吊于直升机下。发射线圈为圆形，直径5-21m，发射三角波、梯形波、半正弦波等，基频为25-150Hz，脉宽为1-10ms，占空比小于50％。接收线圈接收的数据为感应电压(dB/dt)，测量z分量，或x、z分量，或x、y、z分量，发射机关断之前开始进行数字采样，软件处理后输出若干个取样道(如12道)的数据。直升机的飞行高度较小(如70m)，飞行速度约96.5km/小时，探测深度一般为200～400m。
本发明所设计的DCNN在原始数据输入网络时预测噪声分布图像，通过将预测噪声分布图像与原始数据进行分离来获取潜在的清晰信号，并且，在不考虑噪声的物理成因和类型的条件下，最终形成的识别信号与噪声的单一模型具有同时抑制不同类型、不同级别噪声的能力。
本发明对航空电磁法中的电磁噪声去除效果十分明显，其去噪效果比各类主成分分析法好，在很大程度上提高了信号提取的质量。通过对比试验发现，本发明对含20％以上高斯白噪声的数据噪声具有良好的去除效果，对含10％高斯白噪声的数据噪声和含5％高斯白噪声的数据噪声也具有抑制效果，相对其他方法的信噪比更高，充分证明了将深度卷积神经网络模型应用于航空实测数据去噪是一种有效的信号提取方法，能很好地抑制航空电磁信号中各类噪声，提高信号数据的信噪比，为后续的反演计算和地质解释提供更优质的数据资料。
本发明公开了一种基于深度卷积神经网络的电磁信号提取与处理方法，通过小波滤波对原始数据进行初次去噪、抽道前测点数据调平、测点叠加与抽道处理、设计深度卷积神经网络(DCNN)模型的结构、利用模型进行计算识别等步骤，建立噪声和信号的特征提取机制，经过大量实测数据不断迭代学习，建立信噪分类识别的模型，有效提高地下大深度、全覆盖、无盲区探测数据的信号与噪声分离度，最大程度地获取用于反演计算和解释分析的数据资料。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述基于深度卷积神经网络的电磁信号提取与处理方法具体包括如下步骤：
1)小波滤波对原始数据进行初次去噪；
2)抽道前测点数据调平；
3)测点叠加与测线抽道；
4)设计深度卷积神经网络模型的结构；
5)利用所述深度卷积神经网络模型进行计算，识别噪声与信号的分布，将信号数据全部输出。
2.根据权利要求1所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述小波滤波对原始数据进行初次去噪具体包括首先对测点原始数据求小波变换，然后设置阈值量化规则，利用小波变换重构，求出信号的滤波值。
3.根据权利要求1所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述抽道前测点数据调平具体包括：
以交点差值的算术平均值加、减2～3倍均方差作为衡量标准，判断时按下式进行：
Figure FDA0002934871610000011
其中，
Figure FDA0002934871610000012
为每条切割线上交点差的算术平均值，dδi为均方差。
4.根据权利要求1所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述测点叠加与测线抽道具体包括采取梯形叠加技术进行处理，梯形叠加窗宽为6个测点的距离，平均12个测点上的数据经叠加得到1个物理点上的衰减曲线。
5.根据权利要求4所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述测点叠加与测线抽道还包括抽道确定原始衰减曲线取样道的中心时间，中心时间以100.1倍数关系为等对数间隔，再确定数据取样窗口宽度，数据窗宽也以100.1倍数关系为等对数间隔，抽道后的数据作为深度卷积神经网络模型的输入数据。
6.根据权利要求1所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述设计深度卷积神经网络模型的结构具体包括：
a.设计卷积层和激活功能；
b.设计损失函数；
c.设计模型的网络架构；
d.设置深度卷积神经网络训练集；
e.设计深度卷积神经网络的深度和输入训练样本的大小，划分出测试集数据；
f.采用不同迭代次数，不断进行学习训练，形成识别信号与噪声的单一模型。
7.根据权利要求6所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述设计卷积层和激活功能具体包括在第1卷积层，将先前层的特征映射与卷积核卷积，并加上相应偏差，作为激活函数的输入量，通过激活函数的相关运算，输出特征映射，每个输出特征映射可以将卷积与多个输入特征图结合起来。
8.根据权利要求6所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述损失函数具体为F(θ)＝1/2×||Y-Y＾||2×||Z-Z＾||2，其中θ＝[W，b]，是深度卷积神经网络的网络参数，W是权重矩阵，b是偏向量，Y和Z分别表示输出噪声和输出信号，Y＾是输出噪声的估计值，Z＾是输出信号的估计值，使得损失函数最小化可以找到损失函数的最优参数θ。
9.根据权利要求6所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述设计模型的网络架构具体包括按照道数和叠加后的测点数，推断出与之相合适的卷积核的大小和卷积层数，以便实现良好的学习性能。
10.根据权利要求6所述的基于深度卷积神经网络的电磁信号提取与处理方法，其特征在于，所述设置深度卷积神经网络训练集具体包括将抽道后具有不同噪声水平的高斯噪声叠加到道线，由滑动窗口进行裁剪，经过裁剪的子图代表的数据组成了训练数据集。
CN202110158865.0A 2021-02-04 2021-02-04 一种基于深度卷积神经网络的电磁信号提取与处理方法 Active CN112818876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110158865.0A CN112818876B (zh) 2021-02-04 2021-02-04 一种基于深度卷积神经网络的电磁信号提取与处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110158865.0A CN112818876B (zh) 2021-02-04 2021-02-04 一种基于深度卷积神经网络的电磁信号提取与处理方法

Publications (2)

Publication Number Publication Date
CN112818876A true CN112818876A (zh) 2021-05-18
CN112818876B CN112818876B (zh) 2022-09-20

Family

ID=75861602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110158865.0A Active CN112818876B (zh) 2021-02-04 2021-02-04 一种基于深度卷积神经网络的电磁信号提取与处理方法

Country Status (1)

Country Link
CN (1) CN112818876B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238288A (zh) * 2021-05-20 2021-08-10 桂林电子科技大学 一种基于差值谱线的旋翼目标特征提取方法
CN113567975A (zh) * 2021-06-29 2021-10-29 西安电子科技大学 基于涡旋电磁波模态扫描的人体快速安检方法
CN114814963A (zh) * 2022-03-03 2022-07-29 吉林大学 一种基于b样条抽道的时间域电磁数据甚低频噪声压制方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161995A1 (en) * 2013-12-06 2015-06-11 Nuance Communications, Inc. Learning front-end speech recognition parameters within neural network training
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN109035163A (zh) * 2018-07-09 2018-12-18 南京信息工程大学 一种基于深度学习的自适应图像去噪方法
CN109101910A (zh) * 2018-07-31 2018-12-28 湖南师范大学 一种基于噪声甄别的大地电磁信号去噪方法
CN109118435A (zh) * 2018-06-15 2019-01-01 广东工业大学 一种基于PReLU的深度残差卷积神经网络图像去噪方法
CN109214990A (zh) * 2018-07-02 2019-01-15 广东工业大学 一种基于Inception模型的深度卷积神经网络图像去噪方法
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法
CN110109059A (zh) * 2019-03-27 2019-08-09 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号识别方法
CN110197127A (zh) * 2019-05-06 2019-09-03 安徽继远软件有限公司 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN110349103A (zh) * 2019-07-01 2019-10-18 昆明理工大学 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法
AU2019101150A4 (en) * 2019-09-30 2019-10-31 Li, Guanchen MR Speaker Identity Recognition System Based on Deep Learning
CN110929842A (zh) * 2019-10-15 2020-03-27 中国人民解放军国防科技大学 非合作无线电信号突发时间区域精确智能检测方法
CN111222442A (zh) * 2019-12-31 2020-06-02 中国电子科技集团公司第三十六研究所 一种电磁信号分类方法和装置
CN112232129A (zh) * 2020-09-17 2021-01-15 厦门熙重电子科技有限公司 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法
CN112287784A (zh) * 2020-10-20 2021-01-29 哈尔滨工程大学 一种基于深度卷积神经网络与特征融合的雷达信号分类方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161995A1 (en) * 2013-12-06 2015-06-11 Nuance Communications, Inc. Learning front-end speech recognition parameters within neural network training
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN110069958A (zh) * 2018-01-22 2019-07-30 北京航空航天大学 一种密集深度卷积神经网络的脑电信号快速识别方法
CN109118435A (zh) * 2018-06-15 2019-01-01 广东工业大学 一种基于PReLU的深度残差卷积神经网络图像去噪方法
CN109214990A (zh) * 2018-07-02 2019-01-15 广东工业大学 一种基于Inception模型的深度卷积神经网络图像去噪方法
CN109035163A (zh) * 2018-07-09 2018-12-18 南京信息工程大学 一种基于深度学习的自适应图像去噪方法
CN109101910A (zh) * 2018-07-31 2018-12-28 湖南师范大学 一种基于噪声甄别的大地电磁信号去噪方法
CN109271926A (zh) * 2018-09-14 2019-01-25 西安电子科技大学 基于gru深度卷积网络的智能辐射源识别方法
CN110109059A (zh) * 2019-03-27 2019-08-09 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号识别方法
CN110197127A (zh) * 2019-05-06 2019-09-03 安徽继远软件有限公司 基于深度学习的无线信号检测与电磁干扰分类系统及方法
CN110349103A (zh) * 2019-07-01 2019-10-18 昆明理工大学 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法
AU2019101150A4 (en) * 2019-09-30 2019-10-31 Li, Guanchen MR Speaker Identity Recognition System Based on Deep Learning
CN110929842A (zh) * 2019-10-15 2020-03-27 中国人民解放军国防科技大学 非合作无线电信号突发时间区域精确智能检测方法
CN111222442A (zh) * 2019-12-31 2020-06-02 中国电子科技集团公司第三十六研究所 一种电磁信号分类方法和装置
CN112232129A (zh) * 2020-09-17 2021-01-15 厦门熙重电子科技有限公司 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法
CN112287784A (zh) * 2020-10-20 2021-01-29 哈尔滨工程大学 一种基于深度卷积神经网络与特征融合的雷达信号分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOSHENG PENG等: "A Convolutional Neural Network-Based Deep Learning Methodology for Recognition of Partial Discharge Patterns from High-Voltage Cables", 《IEEE》 *
王梦寒等: "典型电磁泄漏信号特征提取与统计分析", 《通信技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238288A (zh) * 2021-05-20 2021-08-10 桂林电子科技大学 一种基于差值谱线的旋翼目标特征提取方法
CN113238288B (zh) * 2021-05-20 2022-07-01 桂林电子科技大学 一种基于差值谱线的旋翼目标特征提取方法
CN113567975A (zh) * 2021-06-29 2021-10-29 西安电子科技大学 基于涡旋电磁波模态扫描的人体快速安检方法
CN113567975B (zh) * 2021-06-29 2024-02-02 西安电子科技大学 基于涡旋电磁波模态扫描的人体快速安检方法
CN114814963A (zh) * 2022-03-03 2022-07-29 吉林大学 一种基于b样条抽道的时间域电磁数据甚低频噪声压制方法

Also Published As

Publication number Publication date
CN112818876B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN112818876B (zh) 一种基于深度卷积神经网络的电磁信号提取与处理方法
Huang et al. Mathematical morphological filtering for linear noise attenuation of seismic data
CN109100710A (zh) 一种基于卷积神经网络的水下目标识别方法
CN105510964A (zh) 复杂构造区低级序走滑断层的地震识别方法
CN100460893C (zh) 基于皮尔森体系独立分量分析地震去噪的方法
CN108830140B (zh) 一种基于电成像测井分形维数的火山岩岩性识别方法
CN111428631B (zh) 无人机飞控信号可视化识别分选方法
CN103941254A (zh) 一种基于地质雷达的土壤物性类别识别方法和装置
CN109581516B (zh) 曲波域统计量自适应阈值探地雷达数据去噪方法及系统
US11243320B2 (en) Method of stripping strong reflection layer based on deep learning
CN115343685A (zh) 应用于病害识别的多维度探地雷达检测方法、装置、设备
CN113516626A (zh) 基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法
He et al. GPR image denoising with NSST-UNET and an improved BM3D
CN108828664B (zh) 一种多次波识别方法及装置
Wu et al. Applications of the trace transform in surface wave attenuation on seismic records
CN107121705A (zh) 一种基于自动反相校正和峰度值比较的探地雷达回波信号去噪算法
CN110727025A (zh) 一种隐蔽断层的识别方法
CN113589294A (zh) 一种水下浅地层剖面数据的处理方法、系统、设备及介质
CN112578439B (zh) 一种基于空间约束的地震反演方法
Sulochana et al. Effect of wavelet based image fusion techniques with principal component analysis (PCA) and singular value decomposition (SVD) in supervised classification
Al-Maghlouth et al. Characterizing carbonate facies using high-definition frequency decomposition: Case study from North West Australia
Kneller et al. Integration of broadband seismic data into reservoir characterization workflows: A case study from the Campos Basin, Brazil
CN117331125B (zh) 一种分裂波束数据处理方法、装置、电子设备和介质
CN114994763B (zh) 同频同向的连续海底地震波场波动成分分离方法
Davogustto et al. Removing acquisition footprint from legacy data volumes

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