CN113570042A - 一种基于带通滤波软件的滤波算法 - Google Patents
一种基于带通滤波软件的滤波算法 Download PDFInfo
- Publication number
- CN113570042A CN113570042A CN202110867902.5A CN202110867902A CN113570042A CN 113570042 A CN113570042 A CN 113570042A CN 202110867902 A CN202110867902 A CN 202110867902A CN 113570042 A CN113570042 A CN 113570042A
- Authority
- CN
- China
- Prior art keywords
- band
- filtering
- weight
- neuron
- pass filtering
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 93
- 210000002569 neuron Anatomy 0.000 claims abstract description 86
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
-
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
- H03H2021/0085—Applications
- H03H2021/0089—System identification, i.e. modeling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于滤波技术领域,尤其是一种基于带通滤波软件的滤波算法,包括以下步骤:步骤一、单类滤波信号处理,将接收到的带通滤波信号放入神经元数学模型内进行预处理;步骤二、多类滤波信号处理,对步骤一中的神经元数学模型实现集合后的神经网络构建;步骤三、使用自适应算法对经过上述两个步骤预处理之后的带通滤波实现滤波。本发明充分利用神经元和神经网络对带通滤波预处理,可实现带通滤波软件的算法更加具备智能化和自动化处理,使得整个带通滤波软件对带通滤波具备自我接收,分类,调整的机器人思维,同时能够对现有带通滤波中的滤波信号实现自主学习,能够使得步骤一和步骤二的预处理更加快速,构成良性循环。
Description
技术领域
本发明涉及带通滤波技术领域,尤其涉及一种基于带通滤波软件的滤波算法。
背景技术
带通滤波。对地球物理信号进行处理的过程中,滤去高、低频信号,保留中频信号的滤波方法叫带通滤波。
目前信号主要来自于模拟信号和数字信号,但实际情况是信号滤波又分为低通、高通以及带通滤波。作为常被用的带通滤波,其滤波又分为经典滤波和现代滤波,而由于现实情况中存在诸多种类的物流信号,很多情况都是采用自适应滤波,这是近年以来发展起来的一种最佳滤波方法。它是在维纳滤波,Kalman滤波等线性滤波基础上发展起来的一种最佳滤波方法。由于它具有更强的适应性和更优的滤波性能,但自适应滤波正因为其适用范围广,也就意味着在滤波前会收集诸多杂乱无章的信号,这些信号滤波前没有个较为系统的分类,其计算程度比较复杂,时间长,效率低。
发明内容
基于现有的自适应算法在对带通滤波前对带通滤波计算比较复杂而造成滤波效率低的技术问题,本发明提出了一种基于带通滤波软件的滤波算法。
本发明提出的一种基于带通滤波软件的滤波算法,包括以下步骤:
步骤一、单类滤波信号处理,将接收到的带通滤波信号放入神经元数学模型内进行预处理;
步骤二、多类滤波信号处理,对步骤一中的神经元数学模型实现集合后的神经网络构建;
步骤三、使用自适应算法对经过上述两个步骤预处理之后的带通滤波实现滤波。
优选地,所述步骤一中的神经元数学模型为McCulloch和Pitts神经元。
通过上述技术方案,。
优选地,对所述神经元建模,建模中包括一组为带通滤波信号接收端的输入加权、一个将输入的带通滤波信号相加的加法器以及一个决定带通滤波信号对于当前输入的带通滤波信号是否计算归类的激活函数。
通过上述技术方案,将滤波信号处理结合到机器人的智能计算中,使得带通滤波软件智能化。
通过上述技术方案,使用公式能够直接快速的得到结果,整体算法会增加可行性和精准化的计算。
优选地,相乘的结果与预设的阈值θ对比结果遵循下式:
o=g(h)=1或0,当o=1时,h大于0,当o=0时,h小于或等于0来决定是否滤波。
通过上述技术方案,实现对滤波预处理的公式化,使得整体算法得到很好的巩固。
优选地,对所述权重ωi或权重ωij进行调整:
将一个输入向量提供给网络,其中的一个神经元得到了错误的结果,即输出与目标不相符,与神经元相连的有m个权重,每一个权重对应一个信号输入端节点,将结果错误的神经元标记为κ,即错误的权重就是ωiκ,i的取值从1 到m;
再计算yκ-tκ;
tκ是这个神经元的目标,yκ是神经元的输出,若结果为正,神经元本应该激活但没有激活,就把权重调大,反之把权重调小。
通过上述技术方案,实现对权重的调整进行细致化的分类。
优选地,再通过把这两个值相乘来调整权重:Δωiκ=-(yκ-tκ)*χi,并且把所得的值与旧的权重相加来得到新的权重。
通过上述技术方案,使得权重得到初步调整。
优选地,对所述阈值θ的调整方法为:
将阈值固定为0,再在神经元增加一个额外的输入权重,并且使得对应于该权重的输入为一个定值,当输入端全部为0时,就能够根据需要调整这个权重,从而使得神经元激活或不激活,并将此时的权重通槽以0为下标,使得与第j 个神经元相连的权重就记作ω0j。
通过上述技术方案,能够及时的对阈值θ进行纠偏调整。
优选地,通过对阈值θ调整后来决定每个权重的改变,通过将所述权重的值与一个参数η相乘得到,权重更新的最终规则遵循下式:
ωij←ωij-η(yj-tj)*χi。
通过上述技术方案,能够对权重做出最终的调整,使得对滤波信号的处理更加精准化。
优选地,对所述步骤一和所述步骤二所得滤波信号实现自主学习:
初始化,设置所有的权重ωij为最小的随机数;
训练,对T次循环,对每一个输入端的信号进行输入向量;
再现,利用下式计算每一个神经元j的激活状态。
通过上述技术方案,实现充分利用收集整理到的信号数据,直线自我学习的效果。
本发明中的有益效果为:
本发明通过对带通滤波中的数字信号进行自适应算法前步骤一和步骤二的预处理,充分利用神经元和神经网络对带通滤波预处理,可实现带通滤波软件的算法更加具备智能化和自动化处理,使得整个带通滤波软件对带通滤波具备自我接收,分类,调整的机器人思维,同时能够对现有带通滤波中的滤波信号实现自主学习,能够使得步骤一和步骤二的预处理更加快速,构成良性循环,大大提高了现有的自适应算法在对带通滤波前对带通滤波计算比较复杂而造成滤波的效率。
附图说明
图1为本发明提出的一种基于带通滤波软件的滤波算法的McCulloch和 Pitts神经元模型图;
图2为本发明提出的一种基于带通滤波软件的滤波算法的感知器网络连接原理图;
图3为本发明提出的一种基于带通滤波软件的滤波算法的带偏置的感知器网络连接原理图。
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。
参照图1-3,一种基于带通滤波软件的滤波算法:
包括步骤一、单类滤波信号处理,将接收到的带通滤波信号放入神经元数学模型内进行预处理。
神经元数学模型为McCulloch和Pitts神经元。
对神经元建模:
1.一组输入加权,ωi为带通滤波信号的接收端;
2.一个加法器,把输入的带通滤波信号相加。
3.一个激活函数(最初是一个阈值函数)决定带通滤波信号对于当前输入的带通滤波信号是否计算归类。
模型如图1所示,将应用这幅图来给出一个数学性的描述。图1中的左边是一组输入节点χ1、χ2、χ3...,χm。这些节点会被赋予具体的值,这里的值指的是计算机领域内的二进制,即0或1。例如我们很设有两个输入:分别是χ1=1,χ2=0,0代表神经元没有激活,1代表微活,所有其他神经元的接收状态都通过一个接收端传递到神经元并且这些数字信号都是有强度的,称为权重(weight)。数字信号的强度会影响信号的强弱,因此我们把数字信号与接收端的权重相乘,即ω1*χ1,ω2*χ2,,,以此类推,当所有信号到达神经元时,把它们相加起来看强度是否大到可以激活。将把这个写为这表示把数字信号与权重相乘,然后把所有得到的值相加,假设有m个数字信号的接收,那么对于这个神经元来说,有到多个相加的值,拿这个值与阈值(可预先设定的θ) 相比,决定是否接收此数字信号,即达到了滤波的效果。而决定是否决定接收此数字信号,可通过下式进行决定:o=g(h)=1或0,当o=1时,h大于0,当 o=0时,h小于或等于0,通过此模型,就能够实现数字信号的初步滤波,只要设置好正确范围内的权重即可。
步骤二、多类滤波信号处理,但由于上述模型只能够针对单个或某一类的数字信号进行滤波器前处理,且如何使得上述神经元能够改变权重和阈值,这就需要将多个神经元再构建成一个用于集合多个神经元的神经网络,即感知器。
如图2所示,感知器是一个由McCulloch和Pitts的神经元组成的集合,它包含一组输入和一些把输入和神经元连接在一起的权重。网络可以在图2中见到,左边的是输入节点。这不是神经元,而是一个示意图,形象地表示了接收端是如何将数字信号提供给网络的,以及输入端的个数(这等于输入向量的维度(元素的数量))。
在图2中,右边的为神经元,并且可以看到加法的部分(以圆形表示)和阈值的部分。
在感知器中,神经元彼此之间是完全独立的。对任一个神经元来说,神经元彼此在做什么都互不相干,多个神经元所做的只是把各自输入端的每一个元素与相应的权重相乘,然后把所有的乘积相加,再把所得的结果与阈值相比较,以判断是否激活,而无须考虑其他神经元在做什么。而且连每一个神经元的权重也是彼此独立的,所以神经元之间唯一共享的就是信号的输入端,每一个神经元都会见到提供给网络的所有的信号输入。
输入端的个数与神经元的个数相同,但实际情况并不一定是这样,一般地,通过权重连接有m个信号输入端和n个神经元。输入的个数是通过信号数据决定的,与之类似的还有输出的数量。感知器对于一个给定的输入,就会得到一个包含激活和不激活的神经元的模式。
在上述叙述的McCulloch和Pitts的神经元时,权重被标记为ωi,i的取值范围是从1到输入的数量。这里,需要确定权重是提供给哪个神经元的,所以我们把权重标记为ωij,ij的取值范围是从1到神经元的数量。例如,ω32就是连接信号输入节点3和神经元2的权重。当具体实现神经网络的时候,可以使用二维数组来保存这些权重。
经过上述记载,计算神经元是否激活就简单了。设置信号输入节点的值为输入向量的每一个元素,然后对每一个神经元使用方程和方程o=g(h) =1或0,当o=1时,h大于0,当o=0时,h小于或等于0。此时可以对每个神经元都能进行这样的处理,所得的结果就是一个神经元激活(接收)和不激活 (不接收)的模式,实际就是一个由0和1组成的二进制问量。例如有5个神经元,就像图2中那样,那么一个典型的输出模式可能是(0,1,0,0,1),这表示第2个神经元和第5个神经元激活了,而其他的三个都没有。把这个模式与目标模式,即已知的由该信号输入端得出的正确结果进行比较,可以分析计算出哪些神经元得到了正确的结果,哪些没有。
若任何一个本不应该激活而激活的神经元,或是应该激活而没有激活的神经元,则需要进行权重的调整。具体调整权重的方法如下:
当把一个输入向量提供给网络,其中的一个神经元得到了错误的结果,即输出与目标不相符。与那个神经元相连的有m个权重,每一个权重对应一个信号输入端节点。把结果错误的那个神经元标记为κ,那么我们感兴趣的权重就是ωiκ,i的取值从1到m。这样就知道了哪些权重是需要调整的,但仍然需要弄清楚如何调整这些权重。
首先需要了解的是,每一个权重是偏大还是偏小。这是显而易见的:如果神经元本不应该激活而激活了,那么某些权重是偏大的,反之如果神经元应该激活而没有激活,则某些权重是偏小的。所以计算yκ-tκ,tκ是这个神经元的目标,表示它应该得到的结果,而yκ是神经元的输出,表示它已经得到的结果,该表达式是一个可行的误差函数(errorfunction)。如果结果为正,那么该神经元本应该激活但没有激活,就把权重调大一些,反之也成立。另外需要注意的是,这里输入向量的元素可能为负,这会改变整个值的符号,所以如果想让神经元激活,就需要让权重也为负。为了顺利应付这种值符号正负的情况,将通过把这两个值相乘来看应该如何调整权重:Δωiκ=-(yκ-tκ)*χi,并且把所得的值与旧的权重相加来得到新的权重。
阈值(θ),若有一个特殊的输入端输入0。在这种情况下,如果某一个神经元的结果是错误的,那么即使改变了相应的权重也是错误的,因为任何数与0 相乘还是0。因此,需要改变它的阈值。具体的为:
将阈值固定为0,再在神经元增加一个额外的输入权重,并且使得对应于该权重的输入为一定值,这个值可以为正,也可以为负,此时上述已有的算法就不需要改进了。因此,当输入端全部为0时,由于加在额外权重上的输入为-1,就能够根据需要调整这个权重,从而使得神经元激活或不激活,这可称作偏置节点,并此时的权重通槽以0为下标,这就使得与第j个神经元相连的权重就记作ω0j。
接着需要决定每个权重改变多少。这可以通过把上面的值与一个参数η相乘得到。至此,权重更新的最终规则遵循下式:
ωij←ωij-η(yj-tj)*χi
进一步地,如图3所示,由于现有的各种信号有很多种类,为了更加快速的对现有的信号进行处理,对上述算法再进行充分利用,使得整个算法具有自我学习的智能化阶段,具体是这样实现的:
1.初始化
-设置所有的权重ωij为最小的随机数。
2.训练
-对T次循环,对每一个输入端的信号进行输入向量:
利用激活函数g计算每个神经元j的激活状态:
利用下式更新每个权重:
ωij←ωij-η(yj-tj)*χi
3.再现
-利用下式计算每一个神经元j的激活状态:
步骤三、使用自适应算法对经过上述两个步骤预处理之后的带通滤波实现计算。
本发明通过对带通滤波中的数字信号进行自适应算法前步骤一和步骤二的预处理,充分利用神经元和神经网络对带通滤波预处理,可实现带通滤波软件的算法更加具备智能化和自动化处理,使得整个带通滤波软件对带通滤波具备自我接收,分类,调整的机器人思维,同时能够对现有带通滤波中的滤波信号实现自主学习,能够使得步骤一和步骤二的预处理更加快速,构成良性循环。以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于带通滤波软件的滤波算法,其特征在于:包括以下步骤:
步骤一、单类滤波信号处理,将接收到的带通滤波信号放入神经元数学模型内进行预处理;
步骤二、多类滤波信号处理,对步骤一中的神经元数学模型实现集合后的神经网络构建;
步骤三、使用自适应算法对经过上述两个步骤预处理之后的带通滤波实现滤波。
2.根据权利要求1所述的一种基于带通滤波软件的滤波算法,其特征在于:所述步骤一中的神经元数学模型为McCulloch和Pitts神经元。
3.根据权利要求2所述的一种基于带通滤波软件的滤波算法,其特征在于:对所述神经元建模,建模中包括一组为带通滤波信号接收端的输入加权、一个将输入的带通滤波信号相加的加法器以及一个决定带通滤波信号对于当前输入的带通滤波信号是否计算归类的激活函数。
5.根据权利要求4所述的一种基于带通滤波软件的滤波算法,其特征在于:相乘的结果与预设的阈值θ对比结果遵循下式:
o=g(h)=1或0,当o=1时,h大于0,当o=0时,h小于或等于0来决定是否滤波。
6.根据权利要求5所述的一种基于带通滤波软件的滤波算法,其特征在于:对所述权重ωi或权重ωij进行调整:
将一个输入向量提供给网络,其中的一个神经元得到了错误的结果,即输出与目标不相符,与神经元相连的有m个权重,每一个权重对应一个信号输入端节点,将结果错误的神经元标记为κ,即错误的权重就是ωiκ,i的取值从1到m;
再计算yκ-tκ;
tκ是这个神经元的目标,yκ是神经元的输出,若结果为正,神经元本应该激活但没有激活,就把权重调大,反之把权重调小。
7.根据权利要求6所述的一种基于带通滤波软件的滤波算法,其特征在于:再通过把这两个值相乘来调整权重:Δωiκ=-(yκ-tκ)*χi,并且把所得的值与旧的权重相加来得到新的权重。
8.根据权利要求7所述的一种基于带通滤波软件的滤波算法,其特征在于:对所述阈值θ的调整方法为:
将阈值固定为0,再在神经元增加一个额外的输入权重,并且使得对应于该权重的输入为一个定值,当输入端全部为0时,就能够根据需要调整这个权重,从而使得神经元激活或不激活,并将此时的权重通槽以0为下标,使得与第j个神经元相连的权重就记作ω0j。
9.根据权利要求8所述的一种基于带通滤波软件的滤波算法,其特征在于:通过对阈值θ调整后来决定每个权重的改变,通过将所述权重的值与一个参数η相乘得到,权重更新的最终规则遵循下式:
ωij←ωij-η(yj-tj)*χi。
10.根据权利要求9所述的一种基于带通滤波软件的滤波算法,其特征在于:对所述步骤一和所述步骤二所得滤波信号实现自主学习:
初始化,设置所有的权重ωij为最小的随机数;
训练,对T次循环,对每一个输入端的信号进行输入向量;
再现,利用下式计算每一个神经元j的激活状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867902.5A CN113570042B (zh) | 2021-07-30 | 2021-07-30 | 一种基于带通滤波软件的滤波算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867902.5A CN113570042B (zh) | 2021-07-30 | 2021-07-30 | 一种基于带通滤波软件的滤波算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570042A true CN113570042A (zh) | 2021-10-29 |
CN113570042B CN113570042B (zh) | 2024-07-19 |
Family
ID=78169200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867902.5A Active CN113570042B (zh) | 2021-07-30 | 2021-07-30 | 一种基于带通滤波软件的滤波算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570042B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109089212A (zh) * | 2018-09-05 | 2018-12-25 | 华南理工大学 | 一种基于多层感知机的室内三维可见光指纹定位方法及其系统 |
US20190065961A1 (en) * | 2017-02-23 | 2019-02-28 | Harold Szu | Unsupervised Deep Learning Biological Neural Networks |
CN110148422A (zh) * | 2019-06-11 | 2019-08-20 | 南京地平线集成电路有限公司 | 基于传声器阵列确定声源信息的方法、装置及电子设备 |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
US20200110991A1 (en) * | 2017-06-19 | 2020-04-09 | Denso Corporation | Method for adjusting output level of multilayer neural network neuron |
CN111091175A (zh) * | 2018-10-23 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 神经网络模型训练方法、分类方法、装置和电子设备 |
CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
US20200311490A1 (en) * | 2019-04-01 | 2020-10-01 | Canon Medical Systems Corporation | Apparatus and method for sinogram restoration in computed tomography (ct) using adaptive filtering with deep learning (dl) |
CN113064134A (zh) * | 2019-12-16 | 2021-07-02 | 南京理工大学 | 基于改进模糊神经网络滤波的激光雷达回波处理方法 |
-
2021
- 2021-07-30 CN CN202110867902.5A patent/CN113570042B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190065961A1 (en) * | 2017-02-23 | 2019-02-28 | Harold Szu | Unsupervised Deep Learning Biological Neural Networks |
US20200110991A1 (en) * | 2017-06-19 | 2020-04-09 | Denso Corporation | Method for adjusting output level of multilayer neural network neuron |
CN109089212A (zh) * | 2018-09-05 | 2018-12-25 | 华南理工大学 | 一种基于多层感知机的室内三维可见光指纹定位方法及其系统 |
CN111091175A (zh) * | 2018-10-23 | 2020-05-01 | 北京嘀嘀无限科技发展有限公司 | 神经网络模型训练方法、分类方法、装置和电子设备 |
US20200311490A1 (en) * | 2019-04-01 | 2020-10-01 | Canon Medical Systems Corporation | Apparatus and method for sinogram restoration in computed tomography (ct) using adaptive filtering with deep learning (dl) |
CN110148422A (zh) * | 2019-06-11 | 2019-08-20 | 南京地平线集成电路有限公司 | 基于传声器阵列确定声源信息的方法、装置及电子设备 |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
CN113064134A (zh) * | 2019-12-16 | 2021-07-02 | 南京理工大学 | 基于改进模糊神经网络滤波的激光雷达回波处理方法 |
CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
Non-Patent Citations (5)
Title |
---|
AI研习社: "神经网络中容易被忽视的基础知识", Retrieved from the Internet <URL:https://www.leiphone.com/category/yanxishe/MWEDFvRMdOyN7Evm.html> * |
SALMEN ZOUARI: "All You Need To Understanding Activation Function In Neural Networks", Retrieved from the Internet <URL:https://salmenzouari.medium.com/all-you-need-to-understanding-activation-function-in-neural-networks-41a00717f774> * |
千寻: "神经网络激活函数的作用是什么?", HTTPS://ZHUANLAN.ZHIHU.COM/P/143990814, pages 1 - 7 * |
天泽28: "neural network for machine learning(第三周编程作业)----感知机算法", HTTPS://BLOG.CSDN.NET/U012328159/ARTICLE/DETAILS/70316856 * |
-零: "【机器学习】单层感知器", HTTPS://WWW.CNBLOGS.COM/-WENLI/P/12826272.HTML, pages 1 - 5 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570042B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | A fast and accurate online sequential learning algorithm for feedforward networks | |
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
Smith et al. | Evolutionary multi-objective generation of recurrent neural network ensembles for time series prediction | |
US9182473B2 (en) | System, method and product for locating vehicle key using neural networks | |
CN114818515A (zh) | 一种基于自注意力机制和图卷积网络的多维时序预测方法 | |
Hamadneh et al. | Learning logic programming in radial basis function network via genetic algorithm | |
CN110232169A (zh) | 基于双向长短时记忆模型和卡尔曼滤波的轨迹去噪方法 | |
CN113573322B (zh) | 基于改进遗传算法的多目标区域传感器网络覆盖优化方法 | |
CN101282243A (zh) | 无线传感器网络分布式融合识别方法 | |
CN111950711A (zh) | 复值前向神经网络的二阶混合构建方法及系统 | |
CN113159113A (zh) | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 | |
CN114882335B (zh) | 基于联邦学习框架面向感算云一体化的智能图像传感装置 | |
CN112149500A (zh) | 一种部分遮挡的人脸识别小样本学习方法 | |
CN114280930B (zh) | 一种随机高阶线性多智能体系统控制协议的设计方法及系统 | |
CN115618195A (zh) | 传感器电路故障诊断方法、系统、介质及装置 | |
Anand et al. | Intelligent adaptive filtering for noise cancellation | |
CN113570042A (zh) | 一种基于带通滤波软件的滤波算法 | |
CN109697511A (zh) | 数据推理方法、装置及计算机设备 | |
Zamani et al. | Minimum-energy distributed filtering | |
Ramirez et al. | Nonlinear system identification with a feedforward neural network and an optimal bounded ellipsoid algorithm | |
Guo-Xi | Research on a Convolutional Neural Network Method for Modulation Waveform Classification. | |
CN113300788A (zh) | 一种基于CapsNet胶囊网络的盲接收机方法及装置 | |
CN113052297B (zh) | 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 | |
Nakayama et al. | A simple class of binary neural networks and logical synthesis | |
CN118468203B (zh) | 基于社会网络和深度学习的海洋通信信号检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |