CN115184892A - 基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法 - Google Patents
基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法 Download PDFInfo
- Publication number
- CN115184892A CN115184892A CN202210716816.9A CN202210716816A CN115184892A CN 115184892 A CN115184892 A CN 115184892A CN 202210716816 A CN202210716816 A CN 202210716816A CN 115184892 A CN115184892 A CN 115184892A
- Authority
- CN
- China
- Prior art keywords
- echo signal
- signal extraction
- layer
- dncnn
- neural network
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 abstract description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 6
- 239000005433 ionosphere Substances 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 101100545272 Caenorhabditis elegans zif-1 gene Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其具体步骤为：S1、基于去噪神经网络构建回波信号提取模型；所述去噪神经网络包括两层卷积层和多个残差学习模块，多个残差学习模块连接于两层卷积层之间，第一卷积层为输入层，第二卷积层为输出层；S2、训练回波信号提取模型；S3、提取回波信号；实时收集电离图，制作电离图数据集，将电离图数据集输入至训练后的回波信号提取模型中进行回波信号提取，回波信号提取模型输出电离图回波信号，回波信号提取结束。本发明一方面使用多输入融合方法解决了提取过程中信号边界失真问题；另一方面在网络中引入跳跃连接层，避免因网络层数增加而引发的梯度消失问题，提高回波信号的提取准确性。
Description
技术领域
本发明属于电离层探测技术领域，涉及电离层垂直探测/斜向探测技术，具体地说，涉及一种基于改进DnCNN(英文：Denoising Convolutional Neural Network，中文：去噪卷积神经网络)垂直探测/斜向探测电离图回波信号提取方法。
背景技术
垂直探测(以下简称：垂测)电离图记录了电波垂直向上入射电离层后反射的回波情况，用于分析电离层电子浓度在垂直方向上随高度变化的分布状态。斜向探测(以下简称：斜测)电离图记录了电波斜向入射电离层后反射到指定接收地点的回波情况，用于研究收/发两地间电波传播模式以及群路径和强度。对垂测/斜测电离图回波信号的有效提取，可以提高对电离层状态、物理过程和特征以及电离层电波传播规律的认识，支撑电波传播理论的研究，并为无线电工程系统的设计、使用和检验提供依据，具有重要意义。
目前对垂测/斜测电离图回波信号的提取普遍基于恒虚警检测理论，利用不同的检测器进行提取。现有垂测/斜测电离图回波信号提取方法存在如下的缺点：
(1)由于基于恒虚警检测理论对垂测/斜测电离图回波信号的提取，严重依赖回波信号的信噪比，因此仅靠能量信息进行回波信号检测存在明显的性能瓶颈，当信噪比较低时，检测效果很不理想，回波信号提取准确性差。
(2)采用先检测再通过各种滤波器对虚警点进行去除，当虚警点在回波信号附近时算法失效，导致边界定位不清晰，因此，虚警率高。
(3)电离层垂测/斜测工作的高频段有大量的短波通信、广播电台及大气噪声等外干扰，严重影响电离层回波信号的提取。因此，同频干扰覆盖的频段，信号损失严重。
(4)无法有效区分瞬时干扰与电离层信号。因此，当存在瞬时干扰时，虚警概率急剧上升。
发明内容
本发明针对现有技术提取电离图回波信号时存在的提取准确性差等上述问题，提供了一种基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，能够提高回波信号的提取准确性，提高检测概率，降低虚警概率，去除瞬时干扰，提高回波信号的完整性。
为了达到上述目的，本发明提供了一种基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其具体步骤为：
S1、基于去噪神经网络DnCNN构建回波信号提取模型；所述去噪神经网络DnCNN包括两层卷积层和多个残差学习模块，多个残差学习模块连接于两层卷积层之间，第一卷积层为输入层，第二卷积层为输出层；
S2、训练回波信号提取模型；
S21、收集历史电离图作为原始图像，去掉干扰和噪声得到回波信号图作为数据标签，数据标签和原始图像共同组成训练集；
S22、对回波信号提取模型的去噪神经网络DnCNN参数进行正交初始化；
S23、对训练集进行随机排序，按照批次大小对训练集进行划分；
S24、选取一个批次的训练集中的原始图像样本作为输入，输入至回波信号提取模型，经回波信号提取模型的融合处理模块进行多输入融合处理得到融合输入图像；
S25、融合输入图像经去噪神经网络DnCNN处理得到融合噪声图像；
S26、融合噪声图像经回波信号提取模型的上采样处理模块合成噪声图像，将原始图像减去噪声图像得到得到回波信号预测图像；
S27、采用去噪神经网络DnCNN的损失函数计算数据标签与回波信号预测图像的损失值，反向更新去噪神经网络DnCNN参数；
S28、判断训练集所有批次是否完成一次训练，若没有完成，继续执行步骤S24-S27，直至训练集所有批次完成一次训练；否则，执行步骤S29；
S29、判断回波信号提取模型是否收敛，即步骤S27中的损失值是否稳定，若没有收敛，继续执行步骤S23-S28直至收敛；若收敛，则结束训练，得到训练后的回波信号提取模型；
S3、提取回波信号；
实时收集电离图，制作电离图数据集，将电离图数据集输入至训练后的回波信号提取模型中进行回波信号提取，回波信号提取模型输出电离图回波信号，回波信号提取结束。
优选的，步骤S1中，每个残差学习模块均由两层卷积层、两层批量归一化层和一层激活函数层组成，第一层卷积层之后连接第一层批量归一化层，第一层批量归一化层之后连接激活函数层，激活函数层之后连接第二层卷积层，第二层卷积层连接第二层批量归一化层。
优选的，步骤S25中，去噪神经网络DnCNN的残差学习被公式化为：
xi′＝yi-R(yi) (1)
式中，xi′为去噪神经网络DnCNN输出的第i张电离图回波信号预测图像，yi为去噪神经网络DnCNN输入的第i张含噪电离图，R(·)为经去噪神经网络DnCNN处理获得的电离图噪声图像；
残差学习模块的批量归一化层根据训练集中数据的均值和方差通过公式(2)对训练集中的数据进行规范化处理，并对规范化后的数据通过公式(3)进行变换重构，公式(2)和公式(3)表示为：
式中，uD为训练集中数据均值，σD 2为训练集中数据方差，X为输入批量归一化层的训练集中的单个数据，
为X规范值，Y为X经批量归一化层处理后的值，ε为极小值，取值1e-5，用于防止分母为零；λ和β为规范化参数。
优选的，所述卷积层的填充设置为1，步长设置为1。
优选的，步骤S24中，融合处理模块对训练集中的原始图像样本进行多输入融合处理的具体方法为：
按照预设的比例值对训练集中的原始图像样本进行多次下采样处理得到下采样图像；
将不同的下采样图像按照比例由大到小的顺序排列，并将原样本图像与多张下采样图像进行融合得到融合图像；
以原始图像样本高度为基准对融合图像进行0填充得到融合输入图像。
进一步的，进行下采样处理之前，先对原始图像样本进行归一化处理，即灰度值除以255。
优选的，步骤S27中，去噪神经网络DnCNN的损失函数为均方差函数MSE，表示为：
式中，N为样本总数，x为数据标签，x′为回波信号预测图像。
与现有技术相比，本发明的优点和积极效果在于：
(1)本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，构建回波信号提取模型采用端到端残差学习获取电离图回波信号，将学习到的噪声图像与输入的含噪电离图尺寸保持一致，在卷积之前，采用0对原始电离图进行填充，解决了造成边界伪影现象，即模型对于信号边界定位不准确导致回波信号提取的区域误差增大的问题，能够获得准确的信号边界轮廓，提高电离图回波信号的提取准确性，提高了检测概率。特别是对于较弱信号区域，提升效果显著提升。
(2)本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，去噪神经网络DnCNN中引入多个跳跃连接层(即残差学习模块)，进行特征图的信息融合，避免因网络层数增加而引发的梯度消失问题，同时，通过多尺度特征融合方式，增强回波信号提取模型的特征提取能力，使回波信号提取模型能够充分提取图像特征，提升回波信号提取模型的性能。
(3)本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，构建并训练的回波信号提取模型不仅能够去除同频干扰，还可对缺失信号进行合理重构，提高了信号的完整性。
(4)本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，还能够有效去除未知的瞬时干扰。
(5)本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，能够有效去除图像的虚警点，降低了提取的虚警概率。对信号附近的虚警点，去除效果明显。
附图说明
图1为本发明实施例所述基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法中回波信号提取模型的结构示意图；
图2为本发明实施例所述基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法中多输入融合示意图；
图3为本发明实施例残差学习模块的网络架构示意图；
图4为本发明实施例所述训练回波信号提取模型的流程图；
图5为原始垂直探测电离图；
图6为采用传统方法对垂测电离图进行信号提取的结果图；
图7为采用本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法对垂测电离图进行信号提取的结果图；
图8为原始斜向探测电离图；
图9为采用传统方法对斜测电离图进行信号提取的结果图；
图10为本发明基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法对斜测电离图进行信号提取的结果图。
图中，1、第一卷积层，2、第二卷积层，3、残差学习模块，4、融合处理模块，5、上采样处理模块，6、数据标签，7、原始图像，8、融合输入图像，9、电离图回波信号。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
在本发明的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
参见图1，本发明提供了一种基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其具体步骤为：
S1、基于去噪神经网络DnCNN构建回波信号提取模型。所述去噪神经网络DnCNN包括两层卷积层和多个残差学习模块1，多个残差学习模块1连接于两层卷积层之间，第一卷积层2为输入层，第二卷积层3为输出层。
具体地，第一卷积层的输入图像大小为96×96×4，采用3×3×64大小的卷积核进行融合后训练集中样本图像的特征提取，采用ReLU函数作为激活函数。
具体地，参见图3，每个残差学习模块均由两层卷积层、两层批量归一化层和一层激活函数层组成，第一层卷积层之后连接第一层批量归一化层，第一层批量归一化层之后连接激活函数层，激活函数层之后连接第二层卷积层，第二层卷积层连接第二层批量归一化层。残差学习模块中，使用3×3×64大小的卷积核进行图像特征提取，加入的批量归一化层能够控制数据的分布变化范围，加速训练速度。采用多个残差学习模块，即多个跳跃连接层，继续参见图3，假设，回波信号提取模块的输入为X，Yn(X)为第n层网络层的输出，则引入跳跃连接层后的第n+2层网络层的输出Yn+2(X)＝Fn+2(X)+Yn(X)，其中，Fn+2(X)为未经过特征融合的第n+2层网络层的输出。此外，图3中，
代表加和，
代表ReLU激活函数。跳跃连接能够解决网络层数较深的情况下梯度消失的问题，同时有助于梯度的反向传播，加快训练过程。本发明的回波信号提取模型中采用了多次跳跃连接层(即残差学习模块)以进行特征图的信息融合，通过这种多尺度特征融合方式，增强回波信号提取模型的特征提取能力，提升模型的性能。
需要说明的是，回波信号提取模型采用端到端残差学习，网络输入、输出的尺寸大小需要保持一致，因此，去噪神经网络DnCNN的卷积层的填充设置为1，步长设置为1。
S2、训练回波信号提取模型。
S21、收集历史电离图作为原始图像7，电离图去掉干扰和噪声得到回波信号图作为数据标签6，数据标签6和原始图像7共同组成训练集。
S22、对回波信号提取模型的去噪神经网络DnCNN的卷积核参数进行正交初始化。
S23、对训练集进行随机排序，按照批次大小对训练集进行划分。
S24、选取一个批次的训练集中的原始图像样本作为输入，输入至回波信号提取模型，经回波信号提取模型的融合处理模块4进行多输入融合处理得到融合输入图像8。
具体地，融合处理模块对训练集中的原始图像样本进行多输入融合处理的具体方法为：
按照预设的比例值(例如：90％、80％、70％)对训练集中的原始图像样本进行多次下采样处理得到下采样图像；
将不同的下采样图像按照比例由大到小的顺序排列，并将原样本图像与多张下采样图像进行融合得到融合图像；
以原始图像样本高度为基准对融合图像进行0填充得到融合输入图像。
将原始图像进行多输入融合处理，能够在保持现有网络数量的前提下增加感受野大小，增强输入图像特征，提升回波信号提取模型在回波信号提取任务上的性能，能够获得准确的信号边界轮廓。
S25、融合输入图像经去噪神经网络DnCNN处理得到融合噪声图像。
具体地，去噪神经网络DnCNN的残差学习被公式化为：
xi′＝yi-R(yi) (1)
式中，xi′为去噪神经网络DnCNN输出的第i张电离图回波信号预测图像，yi为去噪神经网络DnCNN输入的第i张含噪电离图，R(·)为经去噪神经网络DnCNN处理获得的电离图噪声图像；
残差学习模块的批量归一化层根据训练集中数据的均值和方差通过公式(2)对训练集中的数据进行规范化处理，并对规范化后的数据通过公式(3)进行变换重构，公式(2)和公式(3)表示为：
式中，uD为训练集中数据均值，σD 2为训练集中数据方差，X为输入批量归一化层的训练集中的单个数据，
为X规范值，Y为X经批量归一化层处理后的值，ε为极小值，取值1e-5，用于防止分母为零；λ和β为规范化参数。
S26、融合噪声图像经回波信号提取模型的上采样处理模块5合成噪声图像，将原始图像7减去噪声图像得到回波信号预测图像。
S27、采用去噪神经网络DnCNN的损失函数计算数据标签与回波信号预测图像的损失值，反向更新去噪神经网络DnCNN参数。
具体地，去噪神经网络DnCNN的损失函数为均方差函数MSE，表示为：
式中，N为样本总数，x为数据标签，x′为回波信号预测图像。
S28、判断训练集所有批次是否完成一次训练，若没有完成，继续执行步骤S24-S27，直至训练集所有批次完成一次训练；否则，执行步骤S29。
S29、判断回波信号提取模型是否收敛，即步骤S27中的损失值是否稳定，若没有收敛，继续执行步骤S23-S28直至收敛；若收敛，则结束训练，得到训练后的回波信号提取模型。
S3、提取回波信号。
实时收集电离图，制作电离图数据集，将电离图数据集输入至训练后的回波信号提取模型中进行回波信号提取，回波信号提取模型输出电离图回波信号9，回波信号提取结束。
本发明上述方法，一方面使用多输入融合方法，能够有效去除电离图中的虚警点，降低提取的虚警概率，解决了现有去噪神经网络存在的信号边界失真问题；另一方面在去噪神经网络中引入跳跃连接层(即残差学习模块)，避免网络层数增加而引发的梯度消失问题。同时，这种信息融合方式使得构建的回波信号提取模型能够充分提取图像特征，提升回波信号提取模型的性能，提高电离图回波信号的提取准确性，还能够去除同频干扰，对缺失信号进行合理重构，提高回波信号的完整性。
下面结合附图和具体实施例对本发明上述方法做出进一步说明。
实施例1：垂直探测电离图回波信号提取
图5、图6和图7分别为原始垂直探测探测的电离图、采用传统方法对垂测电离图进行信号提取的结果图和采用本发明上述方法对垂测电离图进行信号提取的结果图。图5中包含大量的同频干扰和噪声，这导致数据无法直接使用。对比两种信号提取方法结果图6和图7，可以发现：
1)微弱信号能量提取效果对比分析。如图5实线框区域所示，原始电离图中2F层信号能量较弱。传统方法只能提取回波信号的一些离散点，算法基本失效，如图6所示。本发明上述方法能够比较完整地提取2F层绝大部分回波信号，提取效果最好，如图7所示。
2)F2层最高临界频谱处的信号提取结果对比分析，如图5-7中虚线框区域所示。传统方法得到的非寻常波最高临界频谱fXF2为5.825MHz，本发明上述方法得到最高临界频谱为6MHz。
3)瞬时干扰去除效果对比分析。由于瞬时干扰具有能量强、持续时间短等特点，且与电离层回波信号相似，传统的方法无法区分，将其误判为回波信号，如图7实线框区域所示。本发明上述方法能够有效去除此类干扰，如图7所示。
实施例2：斜向探测电离图回波信号提取
图8、图9和图10分别为原始垂直探测探测电离图、采用传统方法对斜测电离图进行信号提取的结果图和采用本发明上述方法对斜测电离图进行信号提取的结果图。对比两种信号提取方法结果图9和图10，可以发现：
(1)强同频干扰下的信号提取效果对比分析，如图8-10实线框区域所示。原始斜测探测电离图中10MHZ和10.3MH附近的强同频干扰已经把电离层回波信号完全淹没。在这种情况下，传统方法无法对被同频干扰覆盖的信号进行提取，如图9所示。本发明上述方法能够对缺失的回波信号进行部分合理的重构，有效地提高了信号完整性，如图10所示。
(2)背景噪声去除效果对比分析，如图8-10虚线框区域所示。传统方法得到的电离层信号附近有许多离散的背景噪点，这些噪点会影响临界频率的判断以及模式的判别，如图9所示。本发明方法均能够有效去除此类背景噪点，如图10所示。
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (7)
1.一种基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，其具体步骤为：
S1、基于去噪神经网络DnCNN构建回波信号提取模型；所述去噪神经网络DnCNN包括两层卷积层和多个残差学习模块，多个残差学习模块连接于两层卷积层之间，第一卷积层为输入层，第二卷积层为输出层；
S2、训练回波信号提取模型；
S21、收集历史电离图作为原始图像，去掉干扰和噪声得到回波信号图作为数据标签，数据标签和原始图像共同组成训练集；
S22、对回波信号提取模型的去噪神经网络DnCNN参数进行正交初始化；
S23、对训练集进行随机排序，按照批次大小对训练集进行划分；
S24、选取一个批次的训练集中的原始图像样本作为输入，输入至回波信号提取模型，经回波信号提取模型的融合处理模块进行多输入融合处理得到融合输入图像；
S25、融合输入图像经去噪神经网络DnCNN处理得到融合噪声图像；
S26、融合噪声图像经回波信号提取模型的上采样处理模块合成噪声图像，将原始图像减去噪声图像得到回波信号预测图像；
S27、采用去噪神经网络DnCNN的损失函数计算数据标签与回波信号预测图像的损失值，反向更新去噪神经网络DnCNN参数；
S28、判断训练集所有批次是否完成一次训练，若没有完成，继续执行步骤S24-S27，直至训练集所有批次完成一次训练；否则，执行步骤S29；
S29、判断回波信号提取模型是否收敛，即步骤S27中的损失值是否稳定，若没有收敛，继续执行步骤S23-S28直至收敛；若收敛，则结束训练，得到训练后的回波信号提取模型；
S3、提取回波信号；
实时收集电离图，制作电离图数据集，将电离图数据集输入至训练后的回波信号提取模型中进行回波信号提取，回波信号提取模型输出电离图回波信号，回波信号提取结束。
2.如权利要求1所述的基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，步骤S1中，每个残差学习模块均由两层卷积层、两层批量归一化层和一层激活函数层组成，第一层卷积层之后连接第一层批量归一化层，第一层批量归一化层之后连接激活函数层，激活函数层之后连接第二层卷积层，第二层卷积层连接第二层批量归一化层。
3.如权利要求2所述的基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，步骤S25中，去噪神经网络DnCNN的残差学习被公式化为：
xi′＝yi-R(yi) (1)
式中，xi′为去噪神经网络DnCNN输出的第i张电离图回波信号预测图像，yi为去噪神经网络DnCNN输入的第i张含噪电离图，R(·)为经去噪神经网DnCNN络处理获得的电离图噪声图像；
残差学习模块的批量归一化层根据训练集中数据的均值和方差通过公式(2)对训练集中的数据进行规范化处理，并对规范化后的数据通过公式(3)进行变换重构，公式(2)和公式(3)表示为：
式中，uD为训练集中数据均值，σD 2为训练集中数据方差，X为输入批量归一化层的训练集中的单个数据，
为X规范值，Y为X经批量归一化层处理后的值，ε为极小值，取值1e-5，用于防止分母为零；λ和β为规范化参数。
4.如权利要求1或2所述的基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，所述卷积层的填充设置为1，步长设置为1。
5.如权利要求1所述的基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，步骤S24中，融合处理模块对训练集中的原始图像样本进行多输入融合处理的具体方法为：
按照预设的比例值对训练集中的原始图像样本进行多次下采样处理得到下采样图像；
将不同的下采样图像按照比例由大到小的顺序排列，并将原样本图像与多张下采样图像进行融合得到融合图像；
以原始图像样本高度为基准对融合图像进行0填充得到融合输入图像。
6.如权利要求5所述的基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，进行下采样处理之前，先对原始图像样本进行归一化处理，即灰度值除以255。
7.如权利要求1所述的基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法，其特征在于，步骤S27中，去噪神经网络DnCNN的损失函数为均方差函数MSE，表示为：
式中，N为样本总数，x为数据标签，x′为回波信号预测图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210716816.9A CN115184892A (zh) | 2022-06-23 | 2022-06-23 | 基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210716816.9A CN115184892A (zh) | 2022-06-23 | 2022-06-23 | 基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115184892A true CN115184892A (zh) | 2022-10-14 |
Family
ID=83515440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210716816.9A Pending CN115184892A (zh) | 2022-06-23 | 2022-06-23 | 基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115184892A (zh) |
-
2022
- 2022-06-23 CN CN202210716816.9A patent/CN115184892A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116908853B (zh) | 高相干点选取方法、装置和设备 | |
| CN104156929A (zh) | 基于全局滤波的红外弱小目标背景抑制方法及其装置 | |
| CN114119642A (zh) | 洪涝灾害水体提取方法及装置、设备和存储介质 | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN112597865A (zh) | 热轧带钢边部缺陷智能识别方法 | |
| CN101799916A (zh) | 基于贝叶斯估计的生物芯片图像小波去噪方法 | |
| CN114814840A (zh) | 含干扰合成孔径雷达图像筛选及干扰位置检测方法和系统 | |
| CN117876333A (zh) | 一种提高宫颈癌液基细胞筛查分析中细胞核分割准确率的方法 | |
| CN115184892A (zh) | 基于改进DnCNN垂直探测/斜向探测电离图回波信号提取方法 | |
| CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
| CN104268852A (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
| CN114881215B (zh) | 一种毫米波雷达数据筛选性神经网络处理方法 | |
| CN115937977A (zh) | 一种基于多维特征融合的少样本人体动作识别方法 | |
| CN113514796B (zh) | 一种无源定位方法、系统和介质 | |
| CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
| CN115311532A (zh) | 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法 | |
| CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
| CN115184893A (zh) | 基于卷积神经网络的返回散射电离图回波信号提取方法 | |
| CN110443301A (zh) | 一种基于双层特征分类的液态危险品识别方法 | |
| CN114066792B (zh) | 一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法 | |
| CN118521777B (zh) | 基于点扩散函数拟合的红外弱小目标检测方法及系统 | |
| CN115115925B (zh) | 一种基于多尺度特征信息融合的MS-YOLOv3工业仪表读数检测方法 | |
| CN118247274B (zh) | 一种手机镜头结构件的检测装置及检测方法 | |
| CN117630854A (zh) | 一种基于深度学习的雷达信号检测方法 | |
| CN116757942A (zh) | 基于组合差异图和深度学习的sar图像变化检测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 168 Wenhai Middle Road, Jimo District, Qingdao City, Shandong Province Applicant after: Qingdao Marine Science and Technology Center Address before: No. 168 Wenhai Middle Road, Jimo District, Qingdao City, Shandong Province Applicant before: QINGDAO NATIONAL LABORATORY FOR MARINE SCIENCE AND TECHNOLOGY DEVELOPMENT CENTER Country or region before: China |