CN113222113B - 一种基于反缩放卷积层的信号生成方法及装置 - Google Patents
一种基于反缩放卷积层的信号生成方法及装置 Download PDFInfo
- Publication number
- CN113222113B CN113222113B CN202110417190.7A CN202110417190A CN113222113B CN 113222113 B CN113222113 B CN 113222113B CN 202110417190 A CN202110417190 A CN 202110417190A CN 113222113 B CN113222113 B CN 113222113B
- Authority
- CN
- China
- Prior art keywords
- feature map
- convolution kernel
- vector
- layer
- scaling
- 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
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 63
- 230000004913 activation Effects 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000012935 Averaging Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 97
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000009467 reduction Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 12
- 210000004556 brain Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于反缩放卷积层的信号生成方法及装置，该方法首先初始化反缩放卷积层，并将待处理的类频谱特征图输入反缩放卷积层；对初始化反缩放卷积层的卷积核与类频谱特征图的首层系数进行移位乘加操作，然后不断对卷积核进行下采样并与类频谱特征图的后续层系数继续进行移位乘加操作，直至遍历完类频谱特征图的所有层，最后将各移位乘加操作的计算结果逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果。本发明能充分考虑目标信号本身时频特性、能充分综合类频谱特征图中不同类时频分量能量、无需信号对齐、可处理变长信号、兼容现有深度学习框架。
Description
技术领域
本发明属于深度学习技术领域，具体涉及一种基于反缩放卷积层的信号生成方法及装置。
背景技术
从特征空间解码生成信号在以信号作为输出的应用中有着广泛的需求，包括但不限于信号处理，例如对话筒录制的语音信号进行降噪以得到纯净的人声、对包含肌电等伪迹的脑电波信号进行降噪以得到纯净的脑电信号。随着深度学习的发展，以深度神经网络提取的自动特征作为输入解码生成信号的概念得到了进一步的扩增，例如学习某人的发音特征从给定的文本编码中生成语音、根据给定的视频的上下文信息生成符合场景意境的音乐。
在典型的信号处理中，算法对信号施加某种有意义的变化，可以将其抽象为输入、输出都为信号的编解码模型。进一步的，常见的编码模型有短时傅里叶变换(STFT)、小波变换(WT)、经验模态分解(EMD)等。在编码空间中进行某些操作后需要重构出信号，对应的解码模型大多由其编码模型本身定义。可见，基于重构的典型信号生成方法大多只能应用于单一信号模态编码出的特征。
随着深度学习技术的出现，基于大量数据的自动特征思路，允许深度神经网络自动学习出具有任务相关特性的编解码器，进而允许能从非单一信号模态的编码特征中生成信号的解码器。深度神经网络中常见可用于信号生成的结构有多层感知机(MLP)、循环神经网络(RNN)、长短期记忆神经网络(LSTM)、时间卷积网络(TCN)等。但这些方法部分或全部的难以应对生成信号长度的变化、难以生成持续时间长或采样率高的信号、难以反映信号在较远视野的特性等问题。
缩放卷积层是一种专门设计为从信号中自动提取特征的深度神经网络层，在以信号作为输入的神经网络中有着较好的应用。在从缩放卷积神经网络编码类频谱特征图中解码生成信号，除了上面提到的问题，现有方法还存在未考虑类频谱特征图本身语义特性、未充分考虑待生成信号本身时频特性、难以充分综合类频谱特征图中不同类时频分量能量等问题。
因此急需一种能应对信号长度变化、对信号持续时长和采样率不敏感、具有较大特征感受野、能充分考虑目标信号本身时频特性、能充分综合类频谱特征图中不同类时频分量能量、且兼容现有深度学习框架的适用于从特征空间解码生成信号的神经网络层。
发明内容
针对现有技术中的缺陷和不足，本发明提供了一种基于反缩放卷积层的信号生成方法及装置，该方法能有效地解决现有从深度神经网络特征空间解码生成信号技术存在难以应对生成信号长度的变化、难以生成持续时间长或采样率高的信号、难以反映信号在较远视野的特性、未考虑类频谱特征图本身语义特性、未充分考虑待生成信号本身时频特性、难以充分综合类频谱特征图中不同类时频分量能量等问题。
为达到上述目的，本发明采取如下的技术方案：
一种基于反缩放卷积层的信号生成方法，该方法首先初始化反缩放卷积层，并将待处理的类频谱特征图输入反缩放卷积层；对初始化反缩放卷积层的卷积核与类频谱特征图的首层系数进行移位乘加操作，然后不断对卷积核进行下采样并与类频谱特征图的后续层系数继续进行移位乘加操作，直至遍历完类频谱特征图的所有层，最后将各移位乘加操作的计算结果逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果。
本发明还包括如下技术特征：
具体的，该方法包括以下步骤：
步骤一，初始化设定：
设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
步骤二，类频谱特征图输入：
将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
步骤三，移位乘加操作：
对卷积核与输入类频谱特征图的对应层系数进行移位乘加操作并加上偏置，得到一维激活值；
步骤四，对卷积核进行缩放处理：
对卷积核进行下采样操作，并转步骤三，直到下采样缩放层级达到输入频谱特征图的总层数后转步骤五；
步骤五，结果输出：
将步骤三得到的多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出。
具体的，所述步骤三包括：
步骤3.1，取类频谱特征图的对应层系数表示为列向量，记作系数向量；取卷积核表示为行向量，记作核向量；计算系数向量与核向量的矩阵乘，记作临时矩阵一；
步骤3.2，在临时矩阵一右侧补系数向量长度列0，记作临时矩阵二；
步骤3.3，将临时矩阵二沿行方向展平为向量，记作临时向量；删除临时向量的后系数向量长度个0，并沿行方向堆叠为大小为(系数向量长度，系数向量长度+核向量长度-1)的矩阵，记作临时矩阵三；
步骤3.4，将临时矩阵三的左右各裁剪核向量长度除以二向下取整列，记作临时矩阵四；
步骤3.5，将临时矩阵四沿列方向进行平均，将归约得到的向量加上偏置作为该次移位乘加操作结果返回。
具体的，所述步骤四包括：
步骤4.1，判断当前卷积核的缩放层级是否达到输入频谱特征图的总层数，若没有达到则转入步骤4.2，否则转入步骤五；
步骤4.2，若当对卷积核进行下采样后的卷积核的大小为奇数，转入步骤4.3；若当对卷积核进行下采样后的卷积核的大小为偶数，则对卷积核进行大小为1的填充，后转入步骤4.3；
步骤4.3，对卷积核进行下采样处理，然后转入步骤三。
一种基于反缩放卷积层的信号生成装置，包括：
初始化模块，用于设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
类频谱特征图输入模块，用于将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
移位乘加操作模块，用于计算指定缩放层级卷积核与指定层类频谱特征图系数之间的移位乘加操作；
卷积核缩放模块，用于对卷积核大小进行缩放处理；
结果输出模块，用于多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出。
具体的，所述移位乘加操作模块，具体用于：
对指定缩放层级的卷积核和输入类频谱特征图的指定层系数进行移位乘加操作：
取类频谱特征图的对应层系数表示为列向量，记作系数向量；取卷积核表示为行向量，记作核向量；计算系数向量与核向量的矩阵乘，记作临时矩阵一；
在临时矩阵一右侧补系数向量长度列0，记作临时矩阵二；
将临时矩阵二沿行方向展平为向量，记作临时向量；删除临时向量的后系数向量长度个0，并沿行方向堆叠为大小为(系数向量长度，系数向量长度+核向量长度-1)的矩阵，记作临时矩阵三；
将临时矩阵三的左右各裁剪核向量长度除以二向下取整列，记作临时矩阵四；
将临时矩阵四沿列方向进行平均，将归约得到的向量加上偏置作为该次移位乘加操作结果返回。
本发明与现有技术相比，有益的技术效果是：
(Ⅰ)本发明所提出的反缩放卷积层，内部采用或定义的一系列操作均对张量尺寸不敏感，相较现有信号生成技术，无需对信号进行对齐、能适应信号长度变化、对信号持续时长和采样率不敏感、具有较大特征感受野，能实时生成高质量的信号。
(Ⅱ)本发明所提出的反缩放卷积层，采用可缩放的卷积核设计，相较于现有的信号生成技术，能充分考虑目标信号本身时频特性、能充分综合类频谱特征图中不同类时频分量能量。
(Ⅲ)本发明所提出的反缩放卷积层，应用于从缩放卷积层提取或变换的类频谱特征空间解码生成信号时，相较于现有的信号生成技术，能充分考虑类频谱特征图本身语义特性，无需对特征空间进行特殊映射，具有架构上的一致性，可有效降低特征空间变换带来的额外信息损失和误差。
(Ⅳ)本发明所提出的反缩放卷积层，能够兼容现有的大部分主流的深度学习神经网络框架，从现有编码方案中解码生成高质量信号。例如，从深度神经网络编码的文本的特征中生成语音信号、从原始脑电信号编码中生成有意义的纯净脑电。
附图说明
图1为本发明所提出的移位乘加操作流程图；
图2为本发明所提出的反缩放卷积神经网络层流程图；
图3为实施例1从类频谱特征图生成信号的类频谱特征图和生成的一维脑电信号。
具体实施方式
以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1和图2所示，本发明提供一种基于反缩放卷积层的信号生成方法，该方法首先初始化反缩放卷积层，并将待处理的类频谱特征图输入反缩放卷积层；对初始化反缩放卷积层的卷积核与类频谱特征图的首层系数进行移位乘加操作，然后不断对卷积核进行下采样并与类频谱特征图的后续层系数继续进行移位乘加操作，直至遍历完类频谱特征图的所有层，最后将各移位乘加操作的计算结果逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果。
该方法包括以下步骤：
步骤一，初始化设定：
设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
步骤二，类频谱特征图输入：
将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
步骤三，移位乘加操作：
对卷积核与输入类频谱特征图的对应层系数进行移位乘加操作并加上偏置，得到一维激活值；
步骤四，对卷积核进行缩放处理：
对卷积核进行下采样操作，并转步骤三，直到下采样缩放层级达到输入频谱特征图的总层数后转步骤五；
步骤五，结果输出：
将步骤三得到的多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出。
本发明还提供一种基于反缩放卷积层的信号生成装置，包括：
初始化模块，用于设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
类频谱特征图输入模块，用于将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
移位乘加操作模块，用于计算指定缩放层级卷积核与指定层类频谱特征图系数之间的移位乘加操作；
卷积核缩放模块，用于对卷积核大小进行缩放处理；
结果输出模块，用于多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出。
移位乘加操作模块，具体用于：
对指定缩放层级的卷积核和输入类频谱特征图的指定层系数进行移位乘加操作：
取类频谱特征图的对应层系数表示为列向量，记作系数向量；取卷积核表示为行向量，记作核向量；计算系数向量与核向量的矩阵乘，记作临时矩阵一；
在临时矩阵一右侧补系数向量长度列0，记作临时矩阵二；
将临时矩阵二沿行方向展平为向量，记作临时向量；删除临时向量的后系数向量长度个0，并沿行方向堆叠为大小为(系数向量长度，系数向量长度+核向量长度-1)的矩阵，记作临时矩阵三；
将临时矩阵三的左右各裁剪核向量长度除以二向下取整列，记作临时矩阵四；
将临时矩阵四沿列方向进行平均，将归约得到的向量加上偏置作为该次移位乘加操作结果返回。
本发明还提供一种基于反缩放卷积层的信号生成装置，包括：
初始化模块，用于设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
类频谱特征图输入模块，用于将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
移位乘加操作模块，用于计算指定缩放层级卷积核与指定层类频谱特征图系数之间的移位乘加操作；移位乘加操作模块，具体用于：
对指定缩放层级的卷积核和输入类频谱特征图的指定层系数进行移位乘加操作：
取类频谱特征图的对应层系数表示为列向量，记作系数向量；取卷积核表示为行向量，记作核向量；计算系数向量与核向量的矩阵乘，记作临时矩阵一；
在临时矩阵一右侧补系数向量长度列0，记作临时矩阵二；
将临时矩阵二沿行方向展平为向量，记作临时向量；删除临时向量的后系数向量长度个0，并沿行方向堆叠为大小为(系数向量长度，系数向量长度+核向量长度-1)的矩阵，记作临时矩阵三；
将临时矩阵三的左右各裁剪核向量长度除以二向下取整列，记作临时矩阵四；
将临时矩阵四沿列方向进行平均，将归约得到的向量加上偏置作为该次移位乘加操作结果返回。
卷积核缩放模块，用于对卷积核大小进行缩放处理；
结果输出模块，用于多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出。
实施例1：
本实施例以直接从缩放卷机深度神经网络自动提取的类时频特征图中自动解码生成一维脑电信号为例，包括如下步骤：
步骤一，初始化设定：
设定反缩放卷积层(Descaling Convolutional Layer)的卷积核大小的上界为33；
步骤二，类频谱特征图输入：
将如图3(a)所示的待处理的类频谱特征图输入该层，作为输入类频谱特征图；
步骤三，移位乘加操作：
对卷积核与输入类频谱特征图的对应层系数进行移位乘加操作并加上偏置，得到一维激活值；
步骤四，对卷积核进行缩放处理：
对卷积核进行下采样操作，并转步骤三，直到下采样缩放层级达到输入频谱特征图的总层数后转步骤五；
步骤五，结果输出：
将步骤三得到的多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果，如图3(b)所示的信号输出。
Claims (2)
1.一种基于反缩放卷积层的信号生成方法，其特征在于，该方法首先初始化反缩放卷积层，并将待处理的类频谱特征图输入反缩放卷积层；对初始化反缩放卷积层的卷积核与类频谱特征图的首层系数进行移位乘加操作，然后不断对卷积核进行下采样并与类频谱特征图的后续层系数继续进行移位乘加操作，直至遍历完类频谱特征图的所有层，最后将各移位乘加操作的计算结果逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果；所述信号为脑电信号；
该方法包括以下步骤：
步骤一，初始化设定：
设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
步骤二，类频谱特征图输入：
将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
步骤三，移位乘加操作：
对卷积核与输入类频谱特征图的对应层系数进行移位乘加操作并加上偏置，得到一维激活值；
步骤四，对卷积核进行缩放处理：
对卷积核进行下采样操作，并转步骤三，直到下采样缩放层级达到输入频谱特征图的总层数后转步骤五；
步骤五，结果输出：
将步骤三得到的多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出；
所述步骤三包括：
步骤3.1，取类频谱特征图的对应层系数表示为列向量，记作系数向量；取卷积核表示为行向量，记作核向量；计算系数向量与核向量的矩阵乘，记作临时矩阵一；
步骤3.2，在临时矩阵一右侧补系数向量长度列0，记作临时矩阵二；
步骤3.3，将临时矩阵二沿行方向展平为向量，记作临时向量；删除临时向量的后系数向量长度个0，并沿行方向堆叠为大小为{系数向量长度，系数向量长度+核向量长度-1}的矩阵，记作临时矩阵三；
步骤3.4，将临时矩阵三的左右各裁剪核向量长度除以二向下取整列，记作临时矩阵四；
步骤3.5，将临时矩阵四沿列方向进行平均，将归约得到的向量加上偏置作为该次移位乘加操作结果返回；
所述步骤四包括：
步骤4.1，判断当前卷积核的缩放层级是否达到输入频谱特征图的总层数，若没有达到则转入步骤4.2，否则转入步骤五；
步骤4.2，若当对卷积核进行下采样后的卷积核的大小为奇数，转入步骤4.3；若当对卷积核进行下采样后的卷积核的大小为偶数，则对卷积核进行大小为1的填充，后转入步骤4.3；
步骤4.3，对卷积核进行下采样处理，然后转入步骤三。
2.一种采用如权利要求1所述的基于反缩放卷积层的信号生成方法的信号生成装置，其特征在于，包括：
初始化模块，用于设定反缩放卷积层的卷积核大小的上界，并以上界作为大小初始化反缩放卷积层的卷积核；
类频谱特征图输入模块，用于将待处理的类频谱特征图输入反缩放卷积层，作为输入类频谱特征图；
移位乘加操作模块，用于计算指定缩放层级卷积核与指定层类频谱特征图系数之间的移位乘加操作；
卷积核缩放模块，用于对卷积核大小进行缩放处理；
结果输出模块，用于多个一维激活值逐采样点进行平均，并通过激活函数，得到平均一维激活值，作为反缩放卷积层的最终信号生成结果输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110417190.7A CN113222113B (zh) | 2021-04-19 | 2021-04-19 | 一种基于反缩放卷积层的信号生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110417190.7A CN113222113B (zh) | 2021-04-19 | 2021-04-19 | 一种基于反缩放卷积层的信号生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222113A CN113222113A (zh) | 2021-08-06 |
| CN113222113B true CN113222113B (zh) | 2023-10-31 |
Family
ID=77087895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110417190.7A Active CN113222113B (zh) | 2021-04-19 | 2021-04-19 | 一种基于反缩放卷积层的信号生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222113B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898469A (zh) * | 2020-07-09 | 2020-11-06 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN112001306A (zh) * | 2020-08-21 | 2020-11-27 | 西安交通大学 | 基于深度卷积对抗生成神经网络的脑电信号解码方法 |
| CN112215345A (zh) * | 2020-10-15 | 2021-01-12 | 苏州浪潮智能科技有限公司 | 一种基于Tensorcore的卷积神经网络运转方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6511980B2 (ja) * | 2015-06-19 | 2019-05-15 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及びプログラム |
| CN109460817B (zh) * | 2018-09-11 | 2021-08-03 | 华中科技大学 | 一种基于非易失存储器的卷积神经网络片上学习系统 |
-
2021
- 2021-04-19 CN CN202110417190.7A patent/CN113222113B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898469A (zh) * | 2020-07-09 | 2020-11-06 | 西北大学 | 一种基于缩放卷积层的信号时频特征提取方法及装置 |
| CN112001306A (zh) * | 2020-08-21 | 2020-11-27 | 西安交通大学 | 基于深度卷积对抗生成神经网络的脑电信号解码方法 |
| CN112215345A (zh) * | 2020-10-15 | 2021-01-12 | 苏州浪潮智能科技有限公司 | 一种基于Tensorcore的卷积神经网络运转方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| Automatic Extraction of Skeletal Maturity from Whole Body Pediatric Scoliosis X-rays Using Regional Proposal and Compound Scaling Convolutional Neural Networks;Audrey Ha 等;IEEE;996-1000 * |
| 基于字典学习的卷积神经网络压缩方法;耿旭等;《计算机工程与设计》;20200416(第04期);第132-136页 * |
| 基于时频分析的深度学习调制识别算法;张斌等;《工业控制计算机》;20200525(第05期);第69-71,74页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222113A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110739002A (zh) | 基于生成对抗网络的复数域语音增强方法、系统及介质 | |
| CN110739003B (zh) | 基于多头自注意力机制的语音增强方法 | |
| CN112767959B (zh) | 语音增强方法、装置、设备及介质 | |
| CN113823308B (zh) | 一种使用单个带噪语音样本进行语音去噪的方法 | |
| Villanueva-Luna et al. | De-noising audio signals using MATLAB wavelets toolbox | |
| Gu et al. | Waveform Modeling Using Stacked Dilated Convolutional Neural Networks for Speech Bandwidth Extension. | |
| Dendani et al. | Speech enhancement based on deep AutoEncoder for remote Arabic speech recognition | |
| CN112786001B (zh) | 语音合成模型训练方法、语音合成方法和装置 | |
| CN114509731B (zh) | 一种基于双阶段深度网络的雷达主瓣抗干扰方法 | |
| Li et al. | Deeplabv3+ vision transformer for visual bird sound denoising | |
| Yechuri et al. | A nested U-net with efficient channel attention and D3Net for speech enhancement | |
| CN113222113B (zh) | 一种基于反缩放卷积层的信号生成方法及装置 | |
| Raj et al. | Multilayered convolutional neural network-based auto-CODEC for audio signal denoising using mel-frequency cepstral coefficients | |
| Shuai et al. | mdctGAN: Taming transformer-based GAN for speech super-resolution with Modified DCT spectra | |
| CN113380262A (zh) | 一种基于注意力机制与扰动感知的声音分离方法 | |
| CN114626424B (zh) | 一种基于数据增强的无声语音识别方法及装置 | |
| CN113936680B (zh) | 基于多尺度信息感知卷积神经网络的单通道语音增强方法 | |
| CN114200520B (zh) | 一种地震数据去噪方法 | |
| CN116016953A (zh) | 一种基于深度熵编码的动态点云属性压缩方法 | |
| CN113506581B (zh) | 一种语音增强方法和装置 | |
| CN113380270B (zh) | 一种音频音源分离方法、装置、存储介质及电子设备 | |
| CN111048065B (zh) | 文本纠错数据生成方法及相关装置 | |
| Raj et al. | Audio signal quality enhancement using multi-layered convolutional neural network based auto encoder–decoder | |
| Si et al. | Multi‐scale audio super resolution via deep pyramid wavelet convolutional neural network | |
| Song et al. | Underwater acoustic signal noise reduction based on fully convolutional time domain separation network |
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 |