CN113723213A - 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 - Google Patents
一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 Download PDFInfo
- Publication number
- CN113723213A CN113723213A CN202110901992.5A CN202110901992A CN113723213A CN 113723213 A CN113723213 A CN 113723213A CN 202110901992 A CN202110901992 A CN 202110901992A CN 113723213 A CN113723213 A CN 113723213A
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- convolutional neural
- layer
- vibration signal
- 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
- 238000012549 training Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009467 reduction Effects 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 55
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,该方法首先采集信噪比低于15dB的列车振动数据和包含各类噪声情况下的无列车振动数据,并生成训练集、测试集以及验证集;利用残差卷积块和批量标准化块搭建卷积神经网络训练模型,并定义该模型的损失值,每轮训练后根据十折交叉验证法更新验证集,最终选取在测试集上损失值最小的卷积神经网络训练模型作为最终的降噪网络模型。本发明利用Hilbert曲线将一维地铁振动信号编码为二维信号,大幅度地降低了卷积神经网络训练模型需要训练的参数量和训练难度。
Description
技术领域
本发明涉及深度学习技术以及Hilbert曲线编码技术,具体涉及一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法。
背景技术
随着中国经济的高速发展,城市的规模不断扩大,城市人口的不断攀升对城市交通提出了全新的挑战。地铁作为城市的重要交通设施,准确并及时地检测施工、打桩、和外部人员入侵等事件的发生,对维护地铁结构安全意义重大。监测地铁隧道的振动信号并抽取振动信号特征的方法,可用于识别并评估地下结构的安全状况。光栅阵列传感器与传统的振动传感器相比,具有分布式、长距离、高精度和抗干扰等优势,非常适合针对地铁隧道这种长线路,环境复杂的结构开展安全监测。
然而,由于地铁隧道中的环境噪声,光纤内部的光噪声,以及耦合器产生的噪声等一系列噪声的叠加,会导致收集到的振动信号的信噪比偏低,不利于分析振动信号所蕴含的结构状态特征。所以,提高信号的信噪比就显得格外重要。对于传统的降噪方法,一方面,需要拥有充足的先验知识来确定降噪物理模型的各项参数,即需要分析该结构振动信号中噪声的时频信息来确定降噪物理模型的各项参数;另一方面,传统降噪物理模型存在破坏振动信号中原始特征的可能。这两点导致极难设计出好的降噪物理模型。
卷积神经网络凭借其强大的特征提取能力,已经在降噪领域取得了成功的应用。针对一维振动信号的卷积神经网络训练,网络模型的训练参数量会随着一维振动信号序列长度成指数型上升,尤其对于地铁振动信号这种高频采样下的一维信号,其训练参数量往往过于庞大,导致模型训练难以进行。针对上述问题,可尝试将一维信号转化为二维信号,利用卷积神经网络对转化为二维信号的地铁振动信号进行训练,来降低网络模型训练复杂度。Hilbert曲线是一个空间填充曲线,可以将一维空间的点一对一的映射到多维空间(一般为2维),同时尽可能地保持原空间中相邻点的相关性。本专利将利用Hilbert曲线对振动信号进行编码,通过降低卷积神经网络训练时的复杂度来实现地铁振动信号的降噪。
发明内容
本发明的目的在于提供一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,以实现对地铁振动信号的降噪。
为解决上述技术问题,本发明提供了一种技术方案:一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,该方法包括以下步骤:
S1、利用光栅阵列传感器收集一批信噪比低于15dB的列车通过时激励产生的结构振动信号xi,将包含有效振动信息的序列长度处理为4k长,其中k为大于0的整数;将该序列长度信号记为标签集U;
S2、利用光栅阵列传感器收集一批非列车通过而激励产生的机构振动信号,将该信号作为噪声信号,记为vj;
S4、利用Hilbert曲线对数据集对标签集U和数据集T中的信号进行编码,
编码后的标签集U和数据集T分别记为DU和DT;
S5、计算DU和DT的平均值μ和标准差σ,并根据μ和σ对DU和DT进行零一均值规范化处理,记处理后的数据集分别为BDU和BDT;
S6、从BDU和BDT中分别抽取q1%的数据组成训练集,将剩余的q2%数据作为测试集;同时通过十折交叉验证法将训练集中的q3%划分出来作为验证集;
S7、利用残差卷积块和批量标准化块搭建卷积神经网络训练模型,以BDU作为BDT的标签来优化卷积神经网络训练模型参数,在网络各层采用ReLU激活函数;
S8、设置卷积神经网络训练模型的学习率为c,训练的次数为s;
S9、定义卷积神经网络训练模型的损失值:以BDT中数据y作为卷积神经网络训练模型的输入样本,BDT对应的标签t为BDU中的数据;设卷积神经网络训练模型的输出值为R(y),该卷积神经网络训练模型的损失值即为R(y)与y-t的均方差;
S10、在卷积神经网络训练模型的训练过程中,每m步更新学习率,完成一轮训练后,根据十折交叉验证法更新验证集,进行重复训练,最终选取在测试集上损失值最小的卷积神经网络训练模型作为最终的降噪网络模型。
按上述方案,S4中所述编码具体为:
利用下式展开针对一维振动信号的矩阵扫描:
对长度为N的振动信号进行Hilbert曲线编码,根据式(1)得到L×L维度的Hilbert表现矩阵HL,其中需要保证L=2k且N=L2;按照Hilbert表现矩阵对应的索引值将长度为N的振动信号的点一对一地映射到维度为L×L的矩阵P中;
根据获取的Hilbert表现矩阵HL对数据集T和标签集U分别编码,得到DU和DT。
按上述方案,S5中所述零一均值规范化处理具体为:
式中,xi *表示DU和DT中的数据。
按上述方案,所述的q1=80,q2=20,q3=10。
按上述方案,所述卷积神经网络训练模型的结构具体为:
第一层包含Conv和ReLU,该层的Conv包含64个内核为3×3的滤波器,以实现64个特征映射,并以ReLU作为该层的激活函数,特征映射计算公式如下:
从第2层到第D-1层,每一层都包含Conv、BN和ReLU,每一层的Conv都包含64个内核为3×3的滤波器,每一层都以ReLU作为该层的激活函数,且在每一层中添加BN以加速深度网络训练,如下所示:
式中,x作为该层BN的输入值,E[x]代表x的平均值,Var[x]代表x的标准值,ε为常数;
从第2层到第D-1层中使用shortcut方法抑制深度卷积神经网络中出现的梯度消失问题;
第D层由单独的Conv组成,该层的Conv包含1个内核为3×3的滤波器。
按上述方案,S6中为加快训练速度,将训练集随机分隔为num个子batch(i),其中i=1,2,3,…,batch_size,batch_size为一次训练的个数。
按上述方案,所述定义卷积神经网络训练模型的损失值具体为:
将BDT中数据y输入卷积神经网络训练模型,输出为y的噪声部分,记为Residual,定义所述损失值为l(θ),θ为卷积神经网络训练模型的训练参数,于是有:
式中,R(yi;θ)得到y的噪声部分,N的值等于batch_size;
所述卷积神经网络训练模型进行训练时,每训练m步,学习率衰减为之前的a,每训练N步,记录该模型在验证集上的损失值,并与之前的损失值进行比较,若本次记录的损失值为已记录损失值中的最低值,则对本次训练的训练参数θ进行保存。
本发明的有益效果是:以振动的信号数据来驱动卷积神经网络训练模型进行训练,避免了传统方法所需的大量先验知识;利用Hilbert曲线将一维地铁振动信号编码为二维信号,大幅度地降低了卷积神经网络训练模型需要训练的参数量和训练难度。
附图说明
图1为本发明一实施例的总体流程图;
图2为本发明一实施例的未经过等长切割的地铁振动信号图;
图3为本发明一实施例的经过等长切割后的地铁振动信号图;
图4为本发明一实施例的各阶Hilbert曲线示意图;
图5为本发明一实施例的编码后地铁振动信号示意图;
图6为本发明一实施例的卷积神经网络训练模型示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
参见图1,一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,该方法包括以下步骤:
S1、利用光栅阵列传感器收集一批信噪比低于15dB的列车通过时激励产生的结构振动信号xi,将包含有效振动信息的序列长度处理为4k长,其中k为大于0的整数;将该序列长度信号记为标签集U;参见图2,图3;
S2、利用光栅阵列传感器收集一批非列车通过而激励产生的机构振动信号,将该信号作为噪声信号,记为vj;
S4、利用Hilbert曲线对数据集对标签集U和数据集T中的信号进行编码,
编码后的标签集U和数据集T分别记为DU和DT;
S5、计算DU和DT的平均值μ和标准差σ,并根据μ和σ对DU和DT进行零一均值规范化处理,记处理后的数据集分别为BDU和BDT;
S6、从BDU和BDT中分别抽取q1%的数据组成训练集,将剩余的q2%数据作为测试集;同时通过十折交叉验证法将训练集中的q3%划分出来作为验证集;
S7、利用残差卷积块和批量标准化块搭建卷积神经网络训练模型,以BDU作为BDT的标签来优化卷积神经网络训练模型参数,在网络各层采用ReLU激活函数;
S8、设置卷积神经网络训练模型的学习率为c,训练的次数为s;
S9、定义卷积神经网络训练模型的损失值:以BDT中数据y作为卷积神经网络训练模型的输入样本,BDT对应的标签t为BDU中的数据;设卷积神经网络训练模型的输出值为R(y),该卷积神经网络训练模型的损失值即为R(y)与y-t的均方差;
S10、在卷积神经网络训练模型的训练过程中,每m步更新学习率,完成一轮训练后,根据十折交叉验证法更新验证集,进行重复训练,最终选取在测试集上损失值最小的卷积神经网络训练模型作为最终的降噪网络模型。
进一步地,S4中所述编码具体为:
利用下式展开针对一维振动信号的矩阵扫描:
由式(1)推导出Hilbert表现矩阵,进而生成不同阶的Hilbert曲线,参见图4;
对长度为N的振动信号进行Hilbert曲线编码,根据式(1)得到L×L维度的Hilbert表现矩阵HL,其中需要保证L=2k且N=L2;按照Hilbert表现矩阵对应的索引值将长度为N的振动信号的点一对一地映射到维度为L×L的矩阵P中;例如,将序列长度为4的一维信号k(i),i=1,2,3,4根据Hilbert表现矩阵进行映射,得到2×2的矩阵
根据获取的Hilbert表现矩阵HL对数据集T和标签集U分别编码,得到DU和DT;为更好地显示经过一维转二维编码后每个像素点的幅值,用z轴代替颜色,参见图5。
进一步地,S5中所述零一均值规范化处理具体为:
式中,xi *表示DU和DT中的数据。
进一步地,所述的q1=80,q2=20,q3=10。
进一步地,参见图6,所述卷积神经网络训练模型的结构具体为:
第一层包含Conv和ReLU,该层的Conv包含64个内核为3×3的滤波器,以实现64个特征映射,并以ReLU作为该层的激活函数,特征映射计算公式如下:
从第2层到第D-1层,每一层都包含Conv、BN和ReLU,每一层的Conv都包含64个内核为3×3的滤波器,每一层都以ReLU作为该层的激活函数,且在每一层中添加BN以加速深度网络训练,如下所示:
式中,x作为该层BN的输入值,E[x]代表x的平均值,Var[x]代表x的标准值,ε为常数;
从第2层到第D-1层中使用shortcut方法抑制深度卷积神经网络中出现的梯度消失问题;例如,第n层输入为x,设第n+2层的输出为F(x),那么输入到第n+3层的值为F(x)+x;
第D层由单独的Conv组成,该层的Conv包含1个内核为3×3的滤波器。
进一步地,S6中为加快训练速度,将训练集随机分隔为num个子batch(i),其中i=1,2,3,…,batch_size,batch_size为一次训练的个数。
进一步地,所述定义卷积神经网络训练模型的损失值具体为:
将BDT中数据y输入卷积神经网络训练模型,输出为y的噪声部分,记为Residual,定义所述损失值为l(θ),θ为卷积神经网络训练模型的训练参数,于是有:
式中,R(yi;θ)得到y的噪声部分,N的值等于batch_size;
所述卷积神经网络训练模型进行训练时,每训练m步,学习率衰减为之前的a,每训练N步,记录该模型在验证集上的损失值,并与之前的损失值进行比较,若本次记录的损失值为已记录损失值中的最低值,则对本次训练的训练参数θ进行保存。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,其特征在于:该方法包括以下步骤:
S1、利用光栅阵列传感器收集一批信噪比低于15dB的列车通过时激励产生的结构振动信号xi,将包含有效振动信息的序列长度处理为4k长,其中k为大于0的整数;将该序列长度信号记为标签集U;
S2、利用光栅阵列传感器收集一批非列车通过而激励产生的机构振动信号,将该信号作为噪声信号,记为vj;
S4、利用Hilbert曲线对数据集对标签集U和数据集T中的信号进行编码,编码后的标签集U和数据集T分别记为DU和DT;
S5、计算DU和DT的平均值μ和标准差σ,并根据μ和σ对DU和DT进行零一均值规范化处理,记处理后的数据集分别为BDU和BDT;
S6、从BDU和BDT中分别抽取q1%的数据组成训练集,将剩余的q2%数据作为测试集;同时通过十折交叉验证法将训练集中的q3%划分出来作为验证集;
S7、利用残差卷积块和批量标准化块搭建卷积神经网络训练模型,以BDU作为BDT的标签来优化卷积神经网络训练模型参数,在网络各层采用ReLU激活函数;
S8、设置卷积神经网络训练模型的学习率为c,训练的次数为s;
S9、定义卷积神经网络训练模型的损失值:以BDT中数据y作为卷积神经网络训练模型的输入样本,BDT对应的标签t为BDU中的数据;设卷积神经网络训练模型的输出值为R(y),该卷积神经网络训练模型的损失值即为R(y)与y-t的均方差;
S10、在卷积神经网络训练模型的训练过程中,每m步更新学习率,完成一轮训练后,根据十折交叉验证法更新验证集,进行重复训练,最终选取在测试集上损失值最小的卷积神经网络训练模型作为最终的降噪网络模型。
2.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,其特征在于:S4中所述编码具体为:
利用下式展开针对一维振动信号的矩阵扫描:
对长度为N的振动信号进行Hilbert曲线编码,根据式(1)得到L×L维度的Hilbert表现矩阵HL,其中需要保证L=2k且N=L2;按照Hilbert表现矩阵对应的索引值将长度为N的振动信号的点一对一地映射到维度为L×L的矩阵P中;
根据获取的Hilbert表现矩阵HL对数据集T和标签集U分别编码,得到DU和DT。
4.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,其特征在于:所述的q1=80,q2=20,q3=10。
5.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,其特征在于:所述卷积神经网络训练模型的结构具体为:
第一层包含Conv和ReLU,该层的Conv包含64个内核为3×3的滤波器,以实现64个特征映射,并以ReLU作为该层的激活函数,特征映射计算公式如下:
从第2层到第D-1层,每一层都包含Conv、BN和ReLU,每一层的Conv都包含64个内核为3×3的滤波器,每一层都以ReLU作为该层的激活函数,且在每一层中添加BN以加速深度网络训练,如下所示:
式中,x作为该层BN的输入值,E[x]代表x的平均值,Var[x]代表x的标准值,ε为常数;
从第2层到第D-1层中使用shortcut方法抑制深度卷积神经网络中出现的梯度消失问题;
第D层由单独的Conv组成,该层的Conv包含1个内核为3×3的滤波器。
6.根据权利要求1所述的基于Hilbert曲线编码实现地铁振动信号降噪训练的方法,其特征在于:S6中为加快训练速度,将训练集随机分隔为num个子batch(i),其中i=1,2,3,...,batch_size,batch_size为一次训练的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901992.5A CN113723213B (zh) | 2021-08-06 | 2021-08-06 | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901992.5A CN113723213B (zh) | 2021-08-06 | 2021-08-06 | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723213A true CN113723213A (zh) | 2021-11-30 |
CN113723213B CN113723213B (zh) | 2023-11-10 |
Family
ID=78675144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110901992.5A Active CN113723213B (zh) | 2021-08-06 | 2021-08-06 | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723213B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
WO2019041376A1 (zh) * | 2017-08-30 | 2019-03-07 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
WO2021143484A1 (zh) * | 2020-01-17 | 2021-07-22 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理系统 |
-
2021
- 2021-08-06 CN CN202110901992.5A patent/CN113723213B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103962888A (zh) * | 2014-05-12 | 2014-08-06 | 西北工业大学 | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 |
WO2019041376A1 (zh) * | 2017-08-30 | 2019-03-07 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
WO2021143484A1 (zh) * | 2020-01-17 | 2021-07-22 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理系统 |
Non-Patent Citations (3)
Title |
---|
朱丹宸;张永祥;潘洋洋;朱群伟;: "基于多传感器信号和卷积神经网络的滚动轴承故障诊断", 振动与冲击, no. 04 * |
李政颖;孙文丰;王洪海: "基于光频域反射技术的超弱反射光纤光栅传感技术研究", 光学学报, no. 008 * |
王纯;郭春生: "基于真实场景图像下的卷积神经网络去噪算法", 传感器与微系统, vol. 36, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723213B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10181092B2 (en) | Method and system for reconstructing super-resolution image | |
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN112884747B (zh) | 一种融合循环残差卷积与上下文提取器网络的自动桥梁裂缝检测系统 | |
CN109829959B (zh) | 基于人脸解析的表情编辑方法及装置 | |
CN106295245A (zh) | 基于Caffe的堆栈降噪自编码基因信息特征提取的方法 | |
CN110378397B (zh) | 一种驾驶风格识别方法及装置 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN106022355A (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
CN112396088A (zh) | 一种小样本下隐式激励对抗训练的机械故障智能诊断方法 | |
CN111079665A (zh) | 基于Bi-LSTM神经网络的摩尔斯电码自动识别方法 | |
CN115100148B (zh) | 一种基于轻量型卷积神经网络的农作物害虫检测方法 | |
Gombor | On exact overlaps for gl (N) symmetric spin chains | |
CN110210371B (zh) | 一种基于深度对抗学习的空中手写惯性传感信号生成方法 | |
CN113723213A (zh) | 一种基于Hilbert曲线编码实现地铁振动信号降噪训练的方法 | |
CN116465623B (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
CN116484258A (zh) | 电梯曳引机轴承故障诊断方法 | |
CN101510943A (zh) | 利用超完备拓扑稀疏编码有效去除图像噪声的方法 | |
CN117235489A (zh) | 传动系统多源监测数据的图变分自编码特征提取方法 | |
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 | |
CN114997214A (zh) | 一种残差密集网络故障诊断方法以及装置 | |
Leão et al. | Stochastic near-optimal controls for path-dependent systems | |
Freeman et al. | Package ‘ModelMap’ | |
CN112309063A (zh) | 混合光纤入侵信号特征谱提取方法及装置 | |
CN116563169B (zh) | 基于混合监督学习的探地雷达图像异常区域增强方法 | |
CN117670878B (zh) | 一种基于多模态数据融合的VOCs气体检测方法 |
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 |