CN114169368A - 一种基于信号降噪自编码器sde的信号降噪方法 - Google Patents

一种基于信号降噪自编码器sde的信号降噪方法 Download PDF

Info

Publication number
CN114169368A
CN114169368A CN202111423589.2A CN202111423589A CN114169368A CN 114169368 A CN114169368 A CN 114169368A CN 202111423589 A CN202111423589 A CN 202111423589A CN 114169368 A CN114169368 A CN 114169368A
Authority
CN
China
Prior art keywords
signal
noise reduction
self
encoder
sde
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
Application number
CN202111423589.2A
Other languages
English (en)
Inventor
张晓林
张晓鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111423589.2A priority Critical patent/CN114169368A/zh
Publication of CN114169368A publication Critical patent/CN114169368A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Dc Digital Transmission (AREA)

Abstract

本发明属于信号处理技术领域，具体涉及一种基于信号降噪自编码器SDE的信号降噪方法。本发明先利用属于信号集中的训练样本训练自编码器模型，再通过测试集样本挑选出性能表现最好的模型权重，最后接收到的信号输入该自编码器模型，输出即为降噪后的信号。本发明克服了传统降噪方法计算复杂度高、实时性差、复杂电磁环境中降噪性能弱等缺点，根据分块信号的调制规律一致性建模，随信号样本训练更新。本发明不需要人工分析，具有高效的感知处理能力，实时性强，同时低信噪比下降噪性能优于传统方法。

Description

一种基于信号降噪自编码器SDE的信号降噪方法
技术领域
本发明属于信号处理技术领域，具体涉及一种基于信号降噪自编码器SDE的信号降噪方法。
背景技术
在日益复杂的通信电磁环境中，需要动态实时的感知对抗目标的具体参数，自动学习到威胁目标的变化，再采取对应干扰措施，这种能力是以机器学习为重要支撑的。通过与人工智能技术的结合，使机器具备感知、推理、决策和评估等能力。通过深度学习(属于机器学习)对信息战中采集到的目标信号进行降噪处理，可以有效提高后续电磁态势感知性能。
1986年Rumelhart提出自动编码器AE(Autoencoder)的概念，后来基于深度学习原理发展出了降噪DAE(Denoising Autoencoder)、稀疏降噪编码器SAE(SparseAutoencoder)、差分编码器VAE(Variational Autoencoder)和卷积编码器CAE(Convolutional Autoencoder)等，以上编码器的提出是为了对输入信息进行表征学习，应用于图像的降维和异常值检测。本发明将通信信号这样的一维序列分割成固定尺寸的数据块，各数据均满足相同的调制规律，利用数据块之间这种规律相似性关系，构建基于深度学习的自编码器模型，减弱噪声对调制规律的影响，实现降噪目的。
传统降噪方法基于小波变换、经验模态分解、奇异值分解及其他们的各种变体，但都存在计算复杂，实时性差，低信噪比下降噪性能弱等缺点，不能应对复杂的通信环境。
发明内容
本发明的目的在于克服传统降噪方法计算复杂度高、实时性差、复杂电磁环境中降噪性能弱等缺点，提出了一种基于信号降噪自编码器SDE的信号降噪方法，根据分块信号的调制规律一致性建模，随信号样本训练更新，实时性强且降噪性能远超传统方法。
一种基于信号降噪自编码器SDE的信号降噪方法，包括以下步骤：
步骤1：获取带噪的一维信号序列x，将带噪一维信号序列x分割成固定尺寸的数据块，每个数据块通过线性投影得到嵌入向量x1,x2,…,xn，
Figure BDA0003378265160000011
将分割出的数据块嵌入到去噪编码块，每个数据块都有着和原信号相同的调制特性；
步骤2：为了表征序列的位置信息，加入随网络自动训练的相对位置编码xpos，向量x1,x2,…,xi,…,xn,xpos分别乘以3个不同的权值矩阵得到qi＝Wqxi，ki＝Wkxi，vi＝Wvxi；其中，qi表示查询矩阵；ki表示键矩阵；vi代表了信号的调制信息；
步骤3：计算y1,y2,..,yn,ypos；
Figure BDA0003378265160000021
Figure BDA0003378265160000022
Figure BDA0003378265160000023
其中，d是查询矩阵qi和键矩阵ki的维度；
步骤4：将一系列的qi、ki、vi分别被打包成矩阵Q,K,V；通过自注意力机制提取调制信息，过滤噪声干扰；
Q＝[x1,x2,...,xi,...,xn,xpos]TWQ＝XWQ
K＝[x1,x2,...,xi,...,xn,xpos]TWK＝XWK
V＝[x1,x2,...,xi,...,xn,xpos]TWV＝XWV
Figure BDA0003378265160000024
其中，SA表示自注意力函数；
Figure BDA0003378265160000025
Figure BDA0003378265160000026
Figure BDA0003378265160000027
步骤5：考虑到各数据块可能的相似性关系，将数据块线性映射到不同子空间，即信号通过不同的降噪编码层，将输出拼接起来再线性降维到和嵌入数据块相同维度；
MHSA(Q,K,V)＝Concat(head1,head2,...,headh)WO
其中，MHSA表示多头自注意力函数，
Figure BDA0003378265160000028
表示不同的自注意力层输出，共设置h个自注意力层，且每层维度d'＝d/h；线性降维矩阵
Figure BDA0003378265160000029
将拼接起来的h层输出降到与输入同一维度；
步骤6：设多头自注意力层输出Y＝MHSA(X),
Figure BDA00033782651600000210
加入残差链接防止梯度消失，Y'＝X+Y；
步骤7：将多层降噪自编码块的输出信息线性整合，同时也加入残差链接；
Z＝FNN(Y')+Y'
其中：FNN(x)＝Tanh(xW1+b1)W2+b2；W1、W2、b1、b2分别表示FNN的两个线性映射层的权重和偏置；因为通信信号归一化幅值在正负区域都存在，所以选激活函数
Figure BDA0003378265160000031
步骤8：通过平均来综合各数据块的调制信息；
Figure BDA0003378265160000032
其中，
Figure BDA0003378265160000033
是n+1维向量；Z是d×(n+1)维矩阵，每一列代表了各数据块提取到的调制信息；
步骤9：利用多层感知机MLP得到与输入同维的重构信号
Figure BDA0003378265160000034
Figure BDA0003378265160000035
步骤10：将整个去噪过程映射成如下函数表达式：
Figure BDA0003378265160000036
其中，x表示输入的一维通信序列，θ表示SDE结构的所有训练参数，所有线性层的神经元以概率λ随即失活，
Figure BDA0003378265160000037
是得到的重构信号；
步骤11：重构信号
Figure BDA0003378265160000038
与输入带噪信号x对应的纯净无噪信号
Figure BDA0003378265160000039
构造损失函数如下：
Figure BDA00033782651600000310
其中，m表示信号序列的采样点数；
步骤12：通过最小化损失函数得到最优参数；
Figure BDA00033782651600000311
步骤13：SDE通过训练集样本训练模型网络，再通过测试集选择最优结构参数，就得到可以对7种通信信号降噪的信号降噪自编码器；
步骤14：将接收到的信号输入信号降噪自编码器中，信号降噪自编码器输出即为降噪后的信号。
本发明的有益效果在于：
本发明先利用属于信号集中的训练样本训练自编码器模型，再通过测试集样本挑选出性能表现最好的模型权重，最后接收到的信号输入该自编码器模型，输出即为降噪后的信号。本发明克服了传统降噪方法计算复杂度高、实时性差、复杂电磁环境中降噪性能弱等缺点，根据分块信号的调制规律一致性建模，随信号样本训练更新。本发明不需要人工分析，具有高效的感知处理能力，实时性强，同时低信噪比下降噪性能优于传统方法。
附图说明
图1为本发明的整体架构图。
图2为平均损失(均方误差)随迭代次数变化趋势图。
图3为SBPSK降噪前后波形图。
图4为Multi-h4 CPM降噪前后波形图。
图5为本发明中信号去噪编码层结构图。
图6为本发明中多层降噪编码结构图。
图7为各种方法对7种信号去噪指标数据统计表。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明的目的是为了克服传统降噪方法计算复杂度高、实时性差、复杂电磁环境中降噪性能弱等缺点，提出了一种基于深度学习的降噪方法，根据分块信号的调制规律一致性建模，随信号样本训练更新，实时性强且降噪性能远超传统方法。
本降噪方法的原理可简单概括为：先利用属于信号集中的训练样本训练自编码器模型，再通过测试集样本挑选出性能表现最好的模型权重，最后接收到的信号输入该自编码器模型，输出即为降噪后的信号。
具体的技术方案如图1所示。
降噪过程主要分为以下几个步骤：
步骤1：输入的带噪通信一维信号序列分割成固定尺寸的数据块，然后嵌入到去噪编码块，每个数据块都有着和原信号相同的调制特性。
步骤2：因为信号序列是含有位置信息的，所以加入可随网络训练更新的相对位置编码。
步骤3：去噪编码块通过衡量各数据块调制信息的相似性提取加权因子，加权因子大说明两个数据块的调制信息相近，能加强调制信息，加权因子小说明噪声明显影响了调制信息，能减弱噪声干扰。通过对数据块的加权和来尽量重构符合原始信号调制规律的输出。
步骤4：多头注意力机制将数据块线性映射到不同子空间，充分考虑各数据块可能的相似性关系，再降维到和嵌入数据块相同维度。
步骤5：FFN表示前馈神经网络，MLP表示多层感知机，图1中两者都有两个简单线性层构成。通过MLP的输出与模型的输入构造均方误差(MSE)代价函数，然后训练网络取代价函数最小时的网络权重，即得到可用来降噪的信号自编码器模型。
实施例1：
步骤S1：接收的下变频带噪一维信号序列x分割成固定尺寸的数据块，每个数据块通过线性投影得到嵌入向量x1,x2,…,xn，
Figure BDA0003378265160000051
然后嵌入到去噪编码块，每个数据块都有着和原信号相同的调制特性，对应于图5中的①。
步骤S2：为了表征序列的位置信息，加入随网络自动训练的相对位置编码xpos，然后向量x1,x2,…,xi,…,xn,xpos分别乘以3个不同的权值矩阵得到，qi＝Wqxi，ki＝Wkxi，vi＝Wvxi，其中qi表示查询矩阵，ki表示键矩阵，vi代表了信号的调制信息，对应于图5中的②。
步骤S3：接下来使用每个q与每个k做内积，匹配这两个向量有多接近，再被向量维度归一化，得到相似度量a1,i。
Figure BDA0003378265160000052
式中：d是q和k的维度，因为q·k的数值会随着维度的增大而增大，所以要除以
Figure BDA0003378265160000053
的值，相当于归一化效果。
步骤S4：对a1,i值进行softmax操作得到调制信息加权因子
Figure BDA0003378265160000054
步骤S3和S4对应于图5中的③。
Figure BDA0003378265160000055
步骤S5：最后输出是含有调制信息的vi的加权和，对应于图5中的④。
Figure BDA0003378265160000056
步骤S6：同样的方法能计算出y2,..,yn,ypos，且这个过程可以并行计算，减小计算量。一系列的q,k,v可以分别被打包成矩阵Q,K,V，去噪编码层输出如下所示：
Q＝[x1,x2,...,xi,...,xn,xpos]TWQ＝XWQ
K＝[x1,x2,...,xi,...,xn,xpos]TWK＝XWK
V＝[x1,x2,...,xi,...,xn,xpos]TWV＝XWV
Figure BDA0003378265160000057
式中，SA表示自注意力(self-attention)函数，
Figure BDA0003378265160000058
Figure BDA0003378265160000059
Figure BDA0003378265160000061
步骤S7：上述步骤S1到步骤S6整个过程如图5所示，输入信号通过自注意力机制提取调制信息，过滤噪声干扰。
步骤S8：考虑到各数据块可能的相似性关系，将数据块线性映射到不同子空间，即信号通过不同的降噪编码层，将输出拼接起来再线性降维到和嵌入数据块相同维度，公式如下所示，具体过程如图6所示。
MHSA(Q,K,V)＝Concat(head1,head2,...,headh)WO
式中，MHSA表示多头自注意力(Multi-head self-attention)函数，
Figure BDA0003378265160000062
表示不同的自注意力层输出，共设置h个自注意力层，且每层维度d'＝d/h。线性降维矩阵
Figure BDA0003378265160000063
将拼接起来的h层输出降到与输入同一维度。
步骤S9：设多头自注意力层输出Y＝MHSA(X),
Figure BDA0003378265160000064
加入残差链接防止梯度消失，Y'＝X+Y。
步骤S10：图1中右图的FNN将多层降噪自编码块的输出信息线性整合，同时也加入残差链接。
Z＝FNN(Y')+Y'
式中：FNN(x)＝Tanh(xW1+b1)W2+b2，Wi,bi,(i＝1,2)分别表示FNN的两个线性映射层的权重和偏置。因为通信信号归一化幅值在正负区域都存在，所以选激活函数
Figure BDA0003378265160000065
步骤S11：通过平均来综合各数据块的调制信息。
Figure BDA0003378265160000066
式中，
Figure BDA0003378265160000067
是n+1维向量。Z是d×(n+1)维矩阵，每一列代表了各数据块提取到的调制信息。
步骤S12：最后利用多层感知机(MLP)得到与输入同维的重构信号
Figure BDA0003378265160000068
Figure BDA0003378265160000069
步骤S13：将步骤S1到S13的整个SDE去噪过程映射成如下函数表达式：
Figure BDA0003378265160000071
式中，x表示输入的一维通信序列，θ表示SDE结构的所有训练参数，所有线性层的神经元以概率λ随即失活，
Figure BDA0003378265160000072
是得到的重构信号。
步骤S14：重构信号
Figure BDA0003378265160000073
与输入带噪信号x对应的纯净无噪信号
Figure BDA0003378265160000074
构造损失函数如下。
Figure BDA0003378265160000075
式中，m表示信号序列的采样点数。
步骤S15：通过最小化损失函数得到最优参数。
Figure BDA0003378265160000076
步骤S16：SDE通过训练集样本训练模型网络，再通过测试集选择最优结构参数，就得到可以对7种通信信号降噪的信号降噪自编码器。
实施例2：
我们选7种MIL-STD-188-181C协议中的CPM信号，在每个dB下取每个信号10000个样本按9:1划分训练集和测试集。仿真条件如下：
码元速率：19200Baud；
载频：192kHz；
采样率：16倍码元速率；
符号数：64个；
滤波器带宽：1.6倍码元速率；
信号类型SBPSK、SOQPSK、Single-h CPM、Multi-h CPM{调制指数为(4/16,5/16)、(5/16,6/16),(6/16,7/16),(12/16,13/16)四组}共7种调制类型。
与现有技术相比，本发明的有益效果是：
1.训练效果
图2中，CNN-AE表示基于卷积神经网络的自编码器，RNN-AE表示基于循环卷积神经网络的自编码器，DAE是基于寻常的前馈神经网络的降噪自编码器，VAE是变分自编码器，SDE(Signal Denoising Autoencoder)是本专利提出的信号降噪自编码器。进行迭次训练，CNN与SDE可以较快达到收敛，但SDE的MSE损失值达到平稳时比CNN小，即对无噪信号的恢复效果最佳，且SDE训练时间少，。RNN随着训练次数损失值在稳步下降，但过于消耗时间。DAE和VAE训练效果都比较差，其中VAE训练的中间隐变量服从某种分布，不适合做通信信号降噪，适合作信号样本生成器。总之，相比于其它自编码器，SDE训练耗时短，信号恢复效果最佳。
2.降噪性能
信噪比(SNR,Signal-to-noise Ratio)是指在某段信号中目标信号信号能量与噪声信号能量的比值，在一定程度上能够反映信号的质量，一般来说，信噪比越大，表明混杂在该信号中的噪声越少。本专利选用信噪比作为信号降噪效果的评价指标，SNR计算式为：
Figure BDA0003378265160000081
式中：r表示接收到的含噪信号序列，s表示发送端无噪信号序列。
本发明中接收信号r经过下变频低通处理，s给定的先验信息。式(1)不能精确计算出SNR，但仍从中可以看出各方法降噪效果。
图7给出了-2dB、-5dB、-8dB、-11dB和-14dB下不同方法对这7种信号降噪后的SNR值。可以发现RNN和TAE降噪效果优于其他方法，但在图2中已经说明RNN训练收敛速度远慢与TAE。VAE不适合做通信信号降噪，除了VAE的其它方法对SBPSK、SOQPSK信号降噪效果最好，对第四组调制指数为(12/16,13/16)的Multi-h4 CPM降噪效果最差，主要是大调制指数使信号相位变化更快，信号波形更密集，模型的表达能力跟不上。
3.波形恢复程度
从图3和图4中明显看出本发明提出的SDE比小波阈值降噪有更好效果，基本保留了信号调制规律，有利于下一步对信号具体参数信息的提取。
本发明利用自注意力机制计算信号数据块的相似度，进而提取调制信息，构建信号降噪自编码器模型。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于信号降噪自编码器SDE的信号降噪方法，其特征在于，包括以下步骤：
步骤1：获取带噪的一维信号序列x，将带噪一维信号序列x分割成固定尺寸的数据块，每个数据块通过线性投影得到嵌入向量x1,x2,…,xn，
Figure FDA0003378265150000011
将分割出的数据块嵌入到去噪编码块，每个数据块都有着和原信号相同的调制特性；
步骤2：为了表征序列的位置信息，加入随网络自动训练的相对位置编码xpos，向量x1,x2,…,xi,…,xn,xpos分别乘以3个不同的权值矩阵得到qi＝Wqxi，ki＝Wkxi，vi＝Wvxi；其中，qi表示查询矩阵；ki表示键矩阵；vi代表了信号的调制信息；
步骤3：计算y1,y2,..,yn,ypos；
Figure FDA0003378265150000012
Figure FDA0003378265150000013
Figure FDA0003378265150000014
其中，d是查询矩阵qi和键矩阵ki的维度；
步骤4：将一系列的qi、ki、vi分别被打包成矩阵Q,K,V；通过自注意力机制提取调制信息，过滤噪声干扰；
Q＝[x1,x2,...,xi,...,xn,xpos]TWQ＝XWQ
K＝[x1,x2,...,xi,...,xn,xpos]TWK＝XWK
V＝[x1,x2,...,xi,...,xn,xpos]TWV＝XWV
Figure FDA0003378265150000015
其中，SA表示自注意力函数；
Figure FDA0003378265150000016
步骤5：考虑到各数据块可能的相似性关系，将数据块线性映射到不同子空间，即信号通过不同的降噪编码层，将输出拼接起来再线性降维到和嵌入数据块相同维度；
MHSA(Q,K,V)＝Concat(head1,head2,...,headh)WO
其中，MHSA表示多头自注意力函数，headi＝SA(QWi Q,KWi K,VWi V)，
Figure FDA0003378265150000017
表示不同的自注意力层输出，共设置h个自注意力层，且每层维度d'＝d/h；线性降维矩阵
Figure FDA0003378265150000021
将拼接起来的h层输出降到与输入同一维度；
步骤6：设多头自注意力层输出Y＝MHSA(X),
Figure FDA0003378265150000022
加入残差链接防止梯度消失，Y'＝X+Y；
步骤7：将多层降噪自编码块的输出信息线性整合，同时也加入残差链接；
Z＝FNN(Y')+Y'
其中：FNN(x)＝Tanh(xW1+b1)W2+b2；W1、W2、b1、b2分别表示FNN的两个线性映射层的权重和偏置；因为通信信号归一化幅值在正负区域都存在，所以选激活函数
Figure FDA0003378265150000023
步骤8：通过平均来综合各数据块的调制信息；
Figure FDA0003378265150000024
其中，
Figure FDA0003378265150000025
是n+1维向量；Z是d×(n+1)维矩阵，每一列代表了各数据块提取到的调制信息；
步骤9：利用多层感知机MLP得到与输入同维的重构信号
Figure FDA0003378265150000026
Figure FDA0003378265150000027
步骤10：将整个去噪过程映射成如下函数表达式：
Figure FDA0003378265150000028
其中，x表示输入的一维通信序列，θ表示SDE结构的所有训练参数，所有线性层的神经元以概率λ随即失活，
Figure FDA0003378265150000029
是得到的重构信号；
步骤11：重构信号
Figure FDA00033782651500000210
与输入带噪信号x对应的纯净无噪信号
Figure FDA00033782651500000211
构造损失函数如下：
Figure FDA00033782651500000212
其中，m表示信号序列的采样点数；
步骤12：通过最小化损失函数得到最优参数；
Figure FDA00033782651500000213
步骤13：SDE通过训练集样本训练模型网络，再通过测试集选择最优结构参数，就得到可以对7种通信信号降噪的信号降噪自编码器；
步骤14：将接收到的信号输入信号降噪自编码器中，信号降噪自编码器输出即为降噪后的信号。
CN202111423589.2A 2021-11-26 2021-11-26 一种基于信号降噪自编码器sde的信号降噪方法 Pending CN114169368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111423589.2A CN114169368A (zh) 2021-11-26 2021-11-26 一种基于信号降噪自编码器sde的信号降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111423589.2A CN114169368A (zh) 2021-11-26 2021-11-26 一种基于信号降噪自编码器sde的信号降噪方法

Publications (1)

Publication Number Publication Date
CN114169368A true CN114169368A (zh) 2022-03-11

Family

ID=80481150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111423589.2A Pending CN114169368A (zh) 2021-11-26 2021-11-26 一种基于信号降噪自编码器sde的信号降噪方法

Country Status (1)

Country Link
CN (1) CN114169368A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114630207A (zh) * 2022-03-15 2022-06-14 浙江大学 基于降噪自编码器的多传感节点感知数据收集方法
CN114689700A (zh) * 2022-04-14 2022-07-01 电子科技大学 一种基于栈式自编码器的低功率emat信号降噪方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114630207A (zh) * 2022-03-15 2022-06-14 浙江大学 基于降噪自编码器的多传感节点感知数据收集方法
CN114689700A (zh) * 2022-04-14 2022-07-01 电子科技大学 一种基于栈式自编码器的低功率emat信号降噪方法
CN114689700B (zh) * 2022-04-14 2023-06-06 电子科技大学 一种基于栈式自编码器的低功率emat信号降噪方法

Similar Documents

Publication Publication Date Title
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
CN111564160B (zh) 一种基于aewgan的语音降噪的方法
CN114169368A (zh) 一种基于信号降噪自编码器sde的信号降噪方法
CN108398268B (zh) 一种轴承性能退化评估方法
CN111723701B (zh) 一种水中目标识别方法
Zhao et al. Fault Diagnosis of Motor in Frequency Domain Signal by Stacked De-noising Auto-encoder.
CN112287784B (zh) 一种基于深度卷积神经网络与特征融合的雷达信号分类方法
CN112241724A (zh) 一种基于双路卷积长短期神经网络的自动识别方法及系统
CN111680785B (zh) 基于稀疏特性与对抗神经网络相结合的ecg信号处理方法
CN112910812B (zh) 一种基于时空特征提取深度学习的调制模式识别方法
CN114970774B (zh) 一种智能变压器故障预测方法和装置
CN111815806A (zh) 一种基于野值剔除和特征提取的飞参数据预处理方法
CN115602152B (zh) 一种基于多阶段注意力网络的语音增强方法
CN111982489B (zh) 选择集成的改进局部特征分解的微弱故障特征提取方法
CN115170943A (zh) 一种基于迁移学习的改进视觉Transformer海底底质声呐图像分类方法
CN117174105A (zh) 一种基于改进型深度卷积网络的语音降噪与去混响方法
CN112652326B (zh) 基于伪彩色时频图像及卷积网络的环境声音识别方法
CN108538301B (zh) 一种基于神经网络音频技术的智能数码乐器
CN113435276A (zh) 一种基于对抗残差网络的水声目标识别方法
CN116405100A (zh) 一种基于先验知识的失真信号还原方法
CN107085839A (zh) 基于纹理增强与稀疏编码的sar图像降斑方法
CN115421029A (zh) 一种fcm-ga-pnn的模拟电路故障诊断方法
CN115293210A (zh) 一种基于脑电波的指令预测输出控制方法
CN114415018A (zh) 用于电机故障预警的自学习式光栅干涉频谱分析技术
CN112414446B (zh) 一种数据驱动的变速器传感器故障诊断方法

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