CN113361435A - 一种卷积神经网络实现的信号曲线自动解卷积方法 - Google Patents
一种卷积神经网络实现的信号曲线自动解卷积方法 Download PDFInfo
- Publication number
- CN113361435A CN113361435A CN202110666278.2A CN202110666278A CN113361435A CN 113361435 A CN113361435 A CN 113361435A CN 202110666278 A CN202110666278 A CN 202110666278A CN 113361435 A CN113361435 A CN 113361435A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- curve
- convolutional neural
- training
- 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
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
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
Abstract
本发明公开了一种卷积神经网络实现的信号曲线自动解卷积方法,所述方法包括:构造卷积神经网络对脉冲信号峰的解卷积过程进行建模;使用随机生成的高斯形、矩形、三角形脉冲信号峰进行随机叠加,形成模拟的信号曲线;将信号峰与其构成的模拟曲线组合为训练数据集;使用数据集对网络进行训练,形成叠加信号的分解能力;该方法能够处理传统方法无法解决的不同模式信号峰交叠的情况。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种卷积神经网络实现的信号曲线自动解卷积方法。
背景技术
在一维信号处理领域中,重叠脉冲信号的分解是一类重要的基础问题。在众多实际应用中,如质谱分析、光谱分析等领域,重叠峰的分解效果会直接影响最终测定结论的得出。在大规模检测项目中,海量信号曲线的自动化解卷积方法需求强烈。
目前的信号解卷积方法以最大熵分解等直接优化方法为主。这些传统方法的思路为:预先设置脉冲信号峰的数学表达式,设定待定的参数;使用待定系数法,将未知参数与特定目标函数相关联;通过优化计算,得出分解结果。现有的这类算法存在以下问题:首先,对于预设数学表示的脉冲信号,只能处理一种类别峰形的解卷积,对于不同形式峰卷积混叠的情况无法表达和计算;其次,通过最大熵或极大似然估计等原则设计的目标优化技巧性较强,通用性不足;最后,每次分解均需要进行专门的优化运算,计算复杂度较高。
发明内容
本发明鉴于上述情况而做出,其目的是提供一种卷积神经网络实现的信号曲线自动解卷积方法,通过人工模拟产生训练数据,可自主训练而无需数据采集成本;训练完成的模型完全自动运行,不再需要优化计算,速度快;能够处理不同模式脉冲信号峰交叠的情况。
本发明提供一种卷积神经网络实现的信号曲线自动解卷积方法,所述方法包括:
使用随机生成的高斯形、矩形、三角形函数模拟原始脉冲信号峰。
将模拟的原始脉冲信号峰进行随机摆放和任意叠加。
使用随机生成的多项式曲线与均匀分布的白噪声模拟背景噪声。
对所述数据结果相加,得到模拟的信号曲线。
进一步地,在对模拟数据进行构造时,每一个孤立的原始模拟峰都是一个已知的解卷积后的脉冲信号,作为目标标记形成训练样本。
优选的,所述对训练样本进行构造为并行进行。
优选的,所述样本的产生数量可等价于没有上限。
进一步地,所述样本的标签为原始信号峰的列表,每个所述信号曲线的标签对应其所包含的脉冲峰叠加前的原始形状及位置。
使用卷积神经网络作为智能模型进行自动化识别。
使用训练成功的系统对新输入的信号曲线执行信号峰解卷积任务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,还可以根据提供的附图获得其他的附图。
图1是本发明的卷积神经网络实现的信号曲线自动解卷积方法处理流程图。
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。
本发明提供一种卷积神经网络实现的信号曲线自动解卷积方法,通过人工生成的模拟训练数据获得智能模型。在训练完成后的使用阶段可全自动运行;能够稳定处理复杂形态的输入曲线,速度快;具有对源自不同模式信号叠加结果进行解卷积的能力。
图1是本发明的卷积神经网络实现的信号曲线自动解卷积方法处理流程图。
如图1所示,一种卷积神经网络实现的信号曲线自动解卷积方法,所述方法包括步骤:
步骤101,构造用于分解信号峰的卷积神经网络模型,采用输入为一维的AlexNet结构实现。
步骤102,随机生成不同形态的脉冲信号峰,包括高斯函数形、矩形、三角形,以及多项式曲线和白噪声叠加的模拟噪声。
步骤103,在模拟信号峰中随机抽取并任意摆放叠加,形成需解卷积处理的混合信号。
步骤104,对所述模拟信号及模拟噪声的数据结果进行叠加,得到模拟的信号曲线。
步骤105,使用原始模拟信号峰作为目标标记,其所构成的模拟曲线作为样本输入,将二者组合为训练数据集。
步骤106,使用数据集对模型进行训练,形成叠加信号的分解能力。
步骤107,训练成功的模型可以对新输入的信号曲线执行混叠信号峰的自动分解。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种卷积神经网络实现的信号曲线自动解卷积方法,其特征在于,所述方法包括:
使用人工生成的模拟训练样本;
训练卷积神经网络作为模型进行自动化解卷积;
使用训练成功的模型对信号曲线执行解卷积操作。
2.根据权利要求1所述方法,其特征在于,人工生成模拟训练样本的方式为,将随机产生的高斯形、矩形、三角形脉冲信号峰进行任意叠加,通过随机生成的多项式曲线与均匀分布的白噪声模拟背景噪声,将信号峰与背景噪声相加得到模拟的信号曲线。
3.根据权利要求2所述方法,其特征在于,所述叠加方式为随机位置重叠求和,求和系数为随机选取。
4.根据权利要求1所述方法,其特征在于,所述使用卷积神经网络智能模型进行自动化识别,输出结果为依照次序排列的解卷积后的孤立信号峰。
5.根据权利要求1所述方法,其特征在于,所述训练为多级网络训练,前级网络的输出为后级网络的输入,多级分解。
6.根据权利要求1所述方法,其特征在于,所述使用训练成功的系统对输入的信号曲线执行处理任务,处理对象为输入原始曲线,输出结果为其包含的脉冲信号分解后的位置与形状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666278.2A CN113361435A (zh) | 2021-06-16 | 2021-06-16 | 一种卷积神经网络实现的信号曲线自动解卷积方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666278.2A CN113361435A (zh) | 2021-06-16 | 2021-06-16 | 一种卷积神经网络实现的信号曲线自动解卷积方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361435A true CN113361435A (zh) | 2021-09-07 |
Family
ID=77534647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666278.2A Pending CN113361435A (zh) | 2021-06-16 | 2021-06-16 | 一种卷积神经网络实现的信号曲线自动解卷积方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361435A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969092A (zh) * | 2019-11-05 | 2020-04-07 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
CN111568398A (zh) * | 2020-04-30 | 2020-08-25 | 北京科技大学 | 一种基于体域网的生理信号采集系统 |
CN112162256A (zh) * | 2020-09-29 | 2021-01-01 | 中国船舶重工集团公司第七二四研究所 | 一种基于脉冲相关的级联式多维度径向运动特征检测方法 |
CN112307969A (zh) * | 2020-10-30 | 2021-02-02 | 全球能源互联网欧洲研究院 | 一种脉冲信号的分类辨识方法、装置及计算机设备 |
US20210042564A1 (en) * | 2018-11-01 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Medical image recognition method, model training method, and computer device |
-
2021
- 2021-06-16 CN CN202110666278.2A patent/CN113361435A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210042564A1 (en) * | 2018-11-01 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Medical image recognition method, model training method, and computer device |
CN110969092A (zh) * | 2019-11-05 | 2020-04-07 | 国网河北省电力有限公司电力科学研究院 | 脉冲信号去噪方法、装置及终端设备 |
CN111568398A (zh) * | 2020-04-30 | 2020-08-25 | 北京科技大学 | 一种基于体域网的生理信号采集系统 |
CN112162256A (zh) * | 2020-09-29 | 2021-01-01 | 中国船舶重工集团公司第七二四研究所 | 一种基于脉冲相关的级联式多维度径向运动特征检测方法 |
CN112307969A (zh) * | 2020-10-30 | 2021-02-02 | 全球能源互联网欧洲研究院 | 一种脉冲信号的分类辨识方法、装置及计算机设备 |
Non-Patent Citations (1)
Title |
---|
周凯等: "基于神经网络解卷积的脉冲响应函数提取", 《中南大学学报(自然科学版)》, vol. 42, pages 67 - 71 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428615B (zh) | 基于深度强化学习单路口交通信号控制方法、系统、装置 | |
CN109685848B (zh) | 一种三维点云与三维传感器的神经网络坐标变换方法 | |
CN111626184B (zh) | 一种人群密度估计方法及系统 | |
CN109857804B (zh) | 一种分布式模型参数的搜索方法、装置和电子设备 | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN112884059B (zh) | 一种融合先验知识的小样本雷达工作模式分类方法 | |
CN108282262B (zh) | 基于门控循环单元深度网络的智能时序信号分类方法 | |
AT512977A2 (de) | Methode zur Ermittlung eines Modells einer Ausgangsgröße eines technischen Systems | |
KR20200072588A (ko) | Cnn기반의 딥러닝 모델 학습장치 및 그 방법 | |
CN112905997B (zh) | 面向深度学习模型中毒攻击的检测方法、装置及系统 | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN114155200B (zh) | 基于卷积神经网络的遥感影像变化检测方法 | |
CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及系统 | |
CN112613543A (zh) | 增强策略验证方法、装置、电子设备及存储介质 | |
Krajewski et al. | Béziervae: Improved trajectory modeling using variational autoencoders for the safety validation of highly automated vehicles | |
CN113361435A (zh) | 一种卷积神经网络实现的信号曲线自动解卷积方法 | |
CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
CN114202026A (zh) | 多任务模型训练方法和装置、多任务处理方法和装置 | |
CN112949711A (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
CN113361436A (zh) | 采用一阶导数与对抗网络的信号自动识别方法 | |
CN112070735A (zh) | 一种基于特设卷积算子的沥青芯样图像提取方法及系统 | |
CN113656754B (zh) | 恒星光谱数据增强方法及系统 | |
CN107798323B (zh) | 一种车牌图像定位方法及设备 | |
Prakash et al. | Implementation of Image Segmentation with Prewitt Edge Detection using VLSI Technique | |
CN112560706B (zh) | 一种多源卫星图像水体目标识别方法及装置 |
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 |