CN113361436A - 采用一阶导数与对抗网络的信号自动识别方法 - Google Patents
采用一阶导数与对抗网络的信号自动识别方法 Download PDFInfo
- Publication number
- CN113361436A CN113361436A CN202110667215.9A CN202110667215A CN113361436A CN 113361436 A CN113361436 A CN 113361436A CN 202110667215 A CN202110667215 A CN 202110667215A CN 113361436 A CN113361436 A CN 113361436A
- Authority
- CN
- China
- Prior art keywords
- signal
- curve
- training
- derivative
- simulated
- 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 28
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000001237 Raman spectrum Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F2218/12—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
- G06F18/24—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种信号曲线尖峰脉冲检测方法,所述方法包括:使用差分计算信号曲线的一阶导数;构造对抗网络,对利用导数信息识别尖峰脉冲位置的过程进行建模;使用随机生成的尖峰与背景噪声叠加,得到模拟的信号曲线;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交替训练,形成对脉冲信号的直接识别能力;该方法通过自主生成模拟数据,无需真实样本即可进行训练;利用导数信息进行识别,有效去除了背景干扰,提升了准确率;训练成功的模型能够处理形态广泛的信号曲线,无需针对不同输入设置人工参数,显著提升了自动化程度;使用简单,处理速度快,效率高,尤其适用于生物检测等大量信号数据的处理问题。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种尖峰脉冲信号自动识别方法。
背景技术
在一维信号处理领域中,尖峰脉冲信号的识别是一类重要的基础问题。在众多实际应用中产生的信号,如质谱、拉曼光谱、核磁共振谱、红外光谱等数据,均为叠加了各种噪声的尖峰脉冲信号。在当前大数据应用分析日益频繁的背景下,如何通过高度自动化的方法,在这类信号曲线中有效识别脉冲信号,是数据分析的关键,直接影响最终结论的准确性。
目前的脉冲识别信号以时域或空间域的滤波为主。这些传统方法的思路为:首先对信号曲线进行一种变换,将其映射到一种能够区分脉冲信号与干扰信号的空间。在变换后的空间中,目标信号和干扰信号分别集中于各自特定的区域。通过设置划分的阈值,将目标尖峰信号分离出来。在完成分离过程后,再将信息映射回原空间,并通过细致处理分离出的脉冲峰与周边数据点的关系,最终明确其中心位置和区间范围。现有的这类算法存在以下问题:首先,分离阈值的选择需要人工设定,难以有效自动化;其次,变换过程需要设计合适的基函数,技术要求高,使用不便;最后,准确度往往因情况而异,通用性存在不足。
发明内容
本发明鉴于上述情况而做出,其目的是提供一种基于导数信息和对抗神经网络的方法及系统,只需要模拟训练数据,一次训练重复使用。在使用阶段无需人工设置参数,简单方便;能够处理形态多样的信号曲线,速度快,自动化程度高,尤其适用于大量信号曲线的识别分析应用。
本发明提供一种采用一阶导数信息的尖峰脉冲信号自动化识别方法,所述方法包括:
使用随机生成的高斯函数模拟尖峰信号。
使用随机生成的三角函数叠加的曲线模拟背景噪声。
使用均匀分布的白噪声模拟高频噪声。
对所述数据结果进行叠加,得到模拟的信号曲线。
进一步地,在对模拟数据进行构造时,每一个高斯峰都是一个已知的尖峰脉冲信号,作为其监督目标形成训练样本。
优选的,所述对训练样本进行构造为并行进行。
优选的,所述样本的产生为随机叠加。
使用差分作为信号曲线的导数信息。
优选的,导数信息作为训练样本中的输入部分,有效屏蔽背景波动带来的干扰。
进一步地,所述样本的标签为尖峰信号的列表,每个所述信号曲线的标签对应其所包含的脉冲尖峰的位置。
使用对抗网络作为智能模型进行自动化识别。
优选的,对抗网络由卷积神经网络和残差神经网络组合而成。
使用交错训练的方式对模型进行训练。
使用训练成功的系统对新输入的信号曲线执行处理任务。
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是本发明的采用一阶导数与对抗网络的信号自动识别方法流程图。
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。
图1是本发明的采用一阶导数信息的尖峰脉冲信号自动化识别方法处理流程图。
如图1所示,一种采用一阶导数信息的尖峰脉冲信号自动化识别方法,所述方法包括步骤:
步骤101,随机生成不同均值与方差的高斯函数,乘以随机系数,模拟尖峰信号。
步骤102,随机生成不同振幅与相位的三角函数,随机叠加后模拟曲线背景噪声。
步骤103,使用均匀分布的白噪声模拟高频噪声。
步骤104,对所述数据结果进行叠加,得到模拟的信号曲线。通过差分获得信号曲线的导数信息。
步骤105,建立卷积神经网络和残差神经网络组合而成的对抗网络作为脉冲峰自动化识别的智能模型。
步骤106,将导数曲线与对应的脉冲尖峰作为样本和标签输入对抗网络进行交错训练。
步骤107,训练完成获得的模型可以对新输入的信号曲线执行脉冲尖峰识别任务。
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)
1.一种采用一阶导数信息的尖峰脉冲信号自动化识别方法,其特征在于,所述方法包括:
使用随机方法自主构造包含脉冲尖峰信号的训练样本;
训练对抗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处理任务。
2.根据权利要求1所述方法,其特征在于,所述使用随机方法自主构造包含脉冲尖峰信号的训练样本,包括:
通过随机生成的高斯函数模拟尖峰信号,通过随机生成的三角函数叠加的曲线模拟背景噪声,通过均匀分布的白噪声模拟高频噪声,将尖峰与背景噪声和高频噪声叠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,所述通过随机生成的三角函数叠加的曲线模拟背景噪声的过程中,采用的叠加方式为随机赋权求和叠加。
4.根据权利要求1所述方法,其特征在于,所述使用对抗网络作为智能模型进行自动化识别,包括:
输入信息为通过差分计算获得的信号曲线的导数信息。
5.根据权利要求1所述方法,其特征在于,所述训练为联合训练,残差神经网络为生成模型,卷积神经网络为判别模型。
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新输入的信号曲线执行处理任务,包括:
处理对象为输入原始曲线的求导曲线,输出结果为其包含的脉冲尖峰信号的位置与形状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667215.9A CN113361436A (zh) | 2021-06-16 | 2021-06-16 | 采用一阶导数与对抗网络的信号自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667215.9A CN113361436A (zh) | 2021-06-16 | 2021-06-16 | 采用一阶导数与对抗网络的信号自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361436A true CN113361436A (zh) | 2021-09-07 |
Family
ID=77534479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667215.9A Pending CN113361436A (zh) | 2021-06-16 | 2021-06-16 | 采用一阶导数与对抗网络的信号自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361436A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081471A (zh) * | 2022-05-13 | 2022-09-20 | 浙江大学 | 一种基于多频段复合波形的峰电位检测及分类方法及用途 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885903A (zh) * | 2019-01-29 | 2019-06-14 | 吉林大学 | 一种基于模型的地面核磁共振信号尖峰噪声去除方法 |
CN111079559A (zh) * | 2019-11-26 | 2020-04-28 | 成都深地领航能源科技有限公司 | 一种基于卷积神经网络的泥浆脉冲信号识别方法 |
CN111767790A (zh) * | 2020-05-15 | 2020-10-13 | 山东科技大学 | 一种基于卷积神经网络的色谱峰识别方法 |
CN112466320A (zh) * | 2020-12-12 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 一种基于生成对抗网络的水声信号降噪方法 |
CN112749637A (zh) * | 2020-12-29 | 2021-05-04 | 电子科技大学 | 一种基于snn的分布式光纤传感信号识别方法 |
-
2021
- 2021-06-16 CN CN202110667215.9A patent/CN113361436A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885903A (zh) * | 2019-01-29 | 2019-06-14 | 吉林大学 | 一种基于模型的地面核磁共振信号尖峰噪声去除方法 |
CN111079559A (zh) * | 2019-11-26 | 2020-04-28 | 成都深地领航能源科技有限公司 | 一种基于卷积神经网络的泥浆脉冲信号识别方法 |
CN111767790A (zh) * | 2020-05-15 | 2020-10-13 | 山东科技大学 | 一种基于卷积神经网络的色谱峰识别方法 |
CN112466320A (zh) * | 2020-12-12 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 一种基于生成对抗网络的水声信号降噪方法 |
CN112749637A (zh) * | 2020-12-29 | 2021-05-04 | 电子科技大学 | 一种基于snn的分布式光纤传感信号识别方法 |
Non-Patent Citations (2)
Title |
---|
YUANJIE LIU: "Adversarial nets for baseline correction in spectra processing", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》, pages 1 - 17 * |
YUANJIE LIU等: "A general-purpose signal processing algorithm for biological profiles using only first-order derivative information", 《BMC BIOINFORMATICS》, pages 1 - 17 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081471A (zh) * | 2022-05-13 | 2022-09-20 | 浙江大学 | 一种基于多频段复合波形的峰电位检测及分类方法及用途 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7054792B2 (en) | Method, computer program, and system for intrinsic timescale decomposition, filtering, and automated analysis of signals of arbitrary origin or timescale | |
CN102306301B (zh) | 模拟初级视皮层脉冲神经元的动作识别系统 | |
CN103018660B (zh) | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 | |
CN109857804B (zh) | 一种分布式模型参数的搜索方法、装置和电子设备 | |
CN110568483A (zh) | 基于卷积神经网络的地震线性噪声压制效果自动评估方法 | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN112185419A (zh) | 一种基于机器学习的玻璃瓶裂纹检测方法 | |
CN113361436A (zh) | 采用一阶导数与对抗网络的信号自动识别方法 | |
Azami et al. | Extracellular spike detection from multiple electrode array using novel intelligent filter and ensemble fuzzy decision making | |
CN107729291A (zh) | 一种基于分解技术的双线性模型参数辨识方法 | |
CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
CN103473640A (zh) | 一种基于机床刀具受力状态的加工进度信息采集方法 | |
CN102346948B (zh) | 一种周界入侵检测方法和系统 | |
ATE549647T1 (de) | Verfahren zur messung lokaler änlichkeiten zwischen mehreren kuben die seismische spuren enthalten | |
Volna et al. | Pattern recognition and classification in time series data | |
CN117591909A (zh) | 一种非侵入式负荷检测与分解方法、装置及存储介质 | |
CN112329741A (zh) | 一种基于小波变换和形态学滤波的电敏感区信号去噪方法 | |
CN111523798A (zh) | 一种自动建模的方法、装置、系统、及其电子设备 | |
CN107783942B (zh) | 一种异常行为检测方法及装置 | |
CN106897553B (zh) | 基于单传感器的家庭智能用电模型建立方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN115219991A (zh) | 一种基于希尔伯特变换的二相编码调制信号识别方法 | |
US20210158154A1 (en) | Apparatus and method for distinguishing neural waveforms | |
CN115169423B (zh) | 冲压信号处理方法、装置、设备及可读存储介质 | |
CN113217102A (zh) | 声发射信号特征提取方法、识别方法、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: 20210907 |
|
WD01 | Invention patent application deemed withdrawn after publication |