CN115392308A - 一种基于Attention_GRU网络的液体分类识别方法 - Google Patents

一种基于Attention_GRU网络的液体分类识别方法 Download PDF

Info

Publication number
CN115392308A
CN115392308A CN202211028195.1A CN202211028195A CN115392308A CN 115392308 A CN115392308 A CN 115392308A CN 202211028195 A CN202211028195 A CN 202211028195A CN 115392308 A CN115392308 A CN 115392308A
Authority
CN
China
Prior art keywords
attention
data
shallow
sample
scattering parameter
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
CN202211028195.1A
Other languages
English (en)
Inventor
周冬梅
王思圻
何清
成永健
李庶民
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202211028195.1A priority Critical patent/CN115392308A/zh
Publication of CN115392308A publication Critical patent/CN115392308A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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)
  • 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)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于Attention_GRU网络的液体分类识别方法，包括以下步骤：S1、采集液体危险品检测信号原始数据和环境噪声；S2、对采集的原始数据进行清洗和预处理；S3、利用小波变换结合改进的自编码器对预处理后的数据进行浅层特征提取，得到浅层特征序列；S4、获取不同液体危险品的浅层特征，并基于液体危险品的类别，对浅层特征进行标记，并加入训练集；S5、将浅层特征序列通过Attention‑GRU网络进一步进行深层特征提取，得到特征提取及分类的输出。本发明使用添加约束条件的自编码器对小波分解后的信号进行浅层特征提取，并且通过Attention‑GRU网络进一步进行深层特征提取，从而实现对超宽带厘米波液体危险品检测信号进行分类，有效提高了液体危险品识别的准确性。

Description

一种基于Attention_GRU网络的液体分类识别方法
技术领域
本发明涉及危险液体分类识别，特别是涉及一种基于Attention_GRU网络的液体分类识别方法。
背景技术
当前我国主要采用的安检方式是依靠X光机、手持式液体危险品检测仪和人工辅助方法，虽然这些安检方式比较成熟且有比较好的检测效果，但是这些方法存在一些缺点，不能完全杜绝液体危险品进入，存在一定的误差。现在对危险品检测的安检设备大多数是通过人机结合的方式进行的，因此在安检过程中就需要投入大量的人力物力。同时，安检工作人员在安检过程中还需保持比较集中的注意力，时刻观察乘客携带物品，以此保证危险品未被携带。在此过程中当人流量过多且存在物品种类数量过多时，工作人员可能出现注意力不集中的情况或漏检的问题。
采用物理和人工的方式虽然能判别出所携带的物品为液体，但对于液体具体是什么，则需要进一步的进行验证。如何能在增加安检工作效率及准确性并减少工作人员工作量的同时识别出携带物为液体后并对液体进一步分类是具有研究意义的。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于Attention_GRU网络的液体分类识别方法，使用添加约束条件的自编码器对小波分解后的信号进行浅层特征提取，并且通过Attention-GRU网络进一步进行深层特征提取，从而实现对超宽带厘米波液体危险品检测信号进行分类，有效提高了液体危险品识别的准确性。
本发明的目的是通过以下技术方案来实现的：一种基于Attention_GRU网络的液体分类识别方法，包括以下步骤：
S1、采集已知类型的液体危险品作为样品，对样品的原始数据和环境噪声进行检测；
S2、对采集的原始数据进行清洗和预处理；
S3、利用小波变换结合改进的自编码器对预处理后的数据进行浅层特征提取，得到浅层特征序列；
S4、对于不同的已知类型的液体危险品，重复执行步骤S1～S3，得到不同液体危险品的浅层特征，并基于液体危险品的类别，对浅层特征进行标记，并加入训练集；
S5、将浅层特征序列通过Attention-GRU网络进一步进行深层特征提取，得到特征提取及分类的输出。
其中，所述步骤S1包括：
利用宽带波束聚焦系统对液体危险品样品样本进行检测，得到样本的散射参数曲线作为原始数据；得到的散射参数曲线即超宽带厘米波液体危险品检测信号UWB-CMW-DLDS；
然后利用宽带波束聚焦系统对空气进行检测，得到空气的散射参数曲线，作为环境噪声。
进一步地，所述步骤S2包括：
S201.对样本的散射参数曲线进行清洗，删除重复数据，消除数据误差；
S202.对清洗后样本的散射参数曲线进行预处理，预处理采取静噪和填充实现：
将采集空气样本的数据作为环境噪声，利用清洗后的样本散射参数曲线减去空气的散射参数曲线，从而去除噪声，达到静噪的效果，静噪公式如下所示：
Figure BDA0003816412330000021
式中S为静噪后的样本散射参数曲线，Ssa清洗后的样品散射参数曲线，Sem是空气的散射参数曲线；
对静噪后的样本散射参数曲线进行填充，得到预处理后的样本散射参数曲线；
在采集过程中使用了两种矢量网络分析仪。由于矢量网络分析仪自身的问题，导致采集数据之间的扫频间隔差异大。这使得采集的超宽带厘米波液体危险品检测信号存在长度不一的问题。针对这一问题，采取统一信号长度的方式来解决，具体步骤为：设置8GHz-18GHz内800个点为统一长度，大于统一长度的数据做删除处理，小于统一长度的在缺失频段中做补0操作。
进一步地，所述步骤S3包括：
S301.采用symlet小波系的sym5小波，对预处理后的样本散射参数曲线进行5层离散小波分解，共得到5层高频信号和5层低频信号，共计10个小波分量，使不同液体的信号特征差异表现明显；
S302.将各个频率的小波分量组合成一组小波分解分量组合信号；
S303.将小波分解分量组合信号通过改进的添加约束条件的自编码器进行浅层特征提取，得到浅层特征数据序列。
进一步地，所述步骤S4包括：
S401.设置迭代次数；
S402,将步骤S3得到的浅层特征数据序列与GRU网络上一时刻的隐藏层数据ht-1一起输入attention的线性层；
S403.经过softmax层进行归一化处理，得到归一化的权重值Attn_weight；
S404.将得到的权重值与浅层特征数据序列通过Mul运算单元进行逐元素相乘，得到attention的结果；
S405.将attention的结果与ht-1输入到GRU网络得到下一时刻的隐藏层数据ht，进入迭代流程；
S406.在达到最大迭代次数时将得到的ht通过全连接层输出，得到特征提取及分类的结果。
本发明的有益效果是：(1)本发明提出的算法首次将小波变换与深度学习算法相结合，利用小波变换的相关性质，对采集的超宽带厘米波液体危险品检测信号进行小波分解，得到各个频率的小波分量并保存。这既扩充了数据集的维度，增强了数据的可解释性。改善了数据集数据量少的问题，也将各频率的数据信号分解出来，使得数据信号特征差异明确。以此提高了浅层特征提取的效果。
(2)本发明设计了一种添加约束条件的自编码器，相比较与传统的自编码器来说，对超宽带厘米波液体危险品检测信号的特征提取具有一定的优势，比如在编码器阶段采用一维卷积神经网络比采用多层感知机就具有结构简单、减少过拟合的可能性等优势。在解码器阶段，采用约束条件并将内部结构设置为3个反卷积层的解码器，相比较传统解码器来说，能更好的输出信号中的细节以及使自编码器更具有目的性。使用添加约束条件的自编码器对小波分解后的信号进行浅层特征提取，将使提取的特征差异更为明确，以便后续提高分类的准确率。
(3)本发明提出了一种改进的Attention-GRU算法作为深层特征的提取算法，选用GRU网络模型，是因为它相比于LSTM来说结构更为简单且参数少，并且在GRU网络的结构上引入了注意力机制，利用注意力机制的权重对液体信号的关键程度进行提取，使数据的特征差异程度扩大化。利用循环神经网络对序列信号处理的优势，及注意力机制对信号的重要度区别，将注意力机制与GRU网络进行结合应用于超宽带厘米波液体危险品检测信号的深层特征提取分类，加强了特征提取及分类的准确率。
(4)基于WT-AE与Attention-GRU分类算法无论是与其他常用的传统算法还是深度算法相比均提升了液体危险品分类的准确率。
附图说明
图1为本发明的整体方法流程图；
图2为实施例中宽带波束聚焦系统的示意图；
图3为实施例中编码器的原理示意图；
图4为实施例中改进的自编码器的原理示意图；
图5为实施例中解码器的内部结构示意图；
图6为浅层特征提取算法的流程图。
图7为深层特征提取算法的流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于Attention_GRU网络的液体分类识别方法，包括以下步骤：
S1、采集液体危险品检测信号原始数据和环境噪声；
利用宽带波束聚焦系统对待测液体危险品进行检测，得到待测液体危险品的散射参数；得到的散射参数即超宽带厘米波液体危险品检测信号(UWB-CMW-DLDS)
然后利用宽带波束聚焦系统对空气进行检测，得到空气的散射参数，作为环境噪声。
如图2所示，在本申请的实施例中，采用超宽带厘米信号的宽带波束聚焦系统采集信号，所述超宽带厘米信号的宽带波束聚焦系统由一对双脊喇叭天线A、B,一对聚焦透镜L1、L2、一个盛放样品的载物台(夹具)S、一个信号源、用于分析信号的矢量网络分析仪组成；将待测液体危险品透明瓶装好后放置在置载物台上，信号源通过天线B发射出的超宽带厘米信号，碰到物体后所产生的回波信号和透射信号，透射信号由天线A接收，将信号源和天线A连接到矢量网络分析仪，由矢量网络分析仪分析出散射参数；测空气时，透明瓶中不放任何液体，测得的参数即为空气的散射参数；
S2、对采集的原始数据进行清洗和预处理；
S201.在保留原始数据的原则上进行清洗，删除重复数据，消除数据误差；
S202.对清洗后的数据进行预处理，采取静噪和填充的方法，解决清洗后的数据噪声干扰大，同一性较差的问题：
在采集数据时将采集的空样本或空气样本的数据作为背景噪声，样本散射曲线减去空样本的散射参数曲线就能去除噪声，达到静噪的效果，静噪公式如下所示。
Figure BDA0003816412330000041
式中S为静噪后的散射参数，Ssa是样品的散射参数，Sem是空气的散射参数；
在采集过程中使用了两种矢量网络分析仪。由于矢量网络分析仪自身的问题，导致采集数据之间的扫频间隔差异大。这使得采集的超宽带厘米波液体危险品检测信号存在长度不一的问题。针对这一问题，采取统一信号长度的方式来解决，具体步骤为：设置8GHz-18GHz内800个点为统一长度，大于统一长度的数据做删除处理，小于统一长度的在缺失频段中做补0操作。
S3、利用小波变换结合改进的自编码器对预处理后的数据进行浅层特征提取，得到浅层特征序列；
S301.采用symlet小波系，选取sym5小波对预处理后的UWB-CMW-DLDS进行小波分解，并进行5层离散小波分解，共得到5层高频信号和5层低频信号数据结果，使不同液体的信号特征差异表现明显；
S302.将不同频率的小波分量组合成一个全新的包含各个分量的UWB-CMW-DLDS数据；
即在每一个频率下，将所有样品在该频率的分量，组成一组新的数据；
S303.将新的数据通过改进的添加约束条件的自编码器进行浅层特征提取，得到浅层特征数据序列，改进的自编码器包含输入、编码器、解码器和输出四部分；所述编码器和解码器这两个部分在结构上对称：
如图3所示，在本申请的实施例中，所述编码器内部结构设置了2层卷积层，同时第一层利用了3个卷积层，然后将通过第一层的3个数据进行结合并输入到第二个卷积层，得到编码输出；
如图4所示，在本申请的实施例中，解码器为添加分类约束条件的解码器，它与传统的解码器不同，A虚线框是传统解码器，B虚线框是分类约束结构，通过在传统解码器部分添加分类约束能使自编码器更具有目的性。
图4中所述训练集标签即为原始数据采集时打上的标签。
图4中所述小波分解分量组合信号为经小波变换之后的11维数据(小波变换得到的10维数据之外与一维原始数据组合起来共11维数据)，将该信号通过编码器得到的编码输出分别输出到A、B分支，得到两个损失函数，再将两个损失函数叠加为一个总的损失函数。解码器以这两种结构结合的方式是让这两种结构的损失函数相加。损失函数分别为自编码器中的损失函数lossencode；分类约束中定义的损失函数lossclass。
常用的损失函数有MSE均方差损失函数、log loss、交叉熵损失等。自编码器的lossencode使用的是交叉熵损失，具体如式(1)所示。
Figure BDA0003816412330000051
分类约束的损失函数lossclass使用的是均方误差MSE，由公式(2)所示。
Figure BDA0003816412330000052
总的损失函数loss由公式(3)所示。
loss＝lossencode+αlossclass (3)
式中α为系数，取值为0.0002，用于控制两种损失函数对总损失函数的影响。损失函数的值表示的是模型的预测值与真实值的不同程度。损失函数的值越小，证明模型的结果和真实值越接近。
其中MLP为多层感知机，包含输入层、隐藏层和输出层，而且不同层之间是全连接的，所谓全连接即上一层的任何一个神经元与下一层的说有神经元都有连接；由于这是个分类问题，故选择Softmax作为MLP输出层的激活函数，其作用是将数据进行归一化，即每个输出信号值在0-1之间，且所有信号的和为1，得到的归一化信号就是分类的概率大小；损失函数是一个多元函数，其自变量包含网络中的所有权重、所有偏置。由损失函数的表达式可知，要使损失函数达到最小值，必须使实际输出与期望输出的差值达到最小，因此在训练过程中，需通过沿着损失函数的负梯度方向更新权重来优化损失函数。
如图5所示，所述解码器的内部结构是由3个反卷积层构成，采用3个反卷积层的原因是来保证解码输出足够的细节。
具体提取过程是采用了5阶离散小波变换对原始采集的超宽带厘米波液体危险品检测信号分解并得到各个频率分量，再将原始信号与各频率分类保存。然后通过自编码器的编码部分对原始信号经过2层卷积层进行编码，得到一组含有小波分量的数据，最后输入解码器部分，采用反卷积层进行解码，最终得到3个输出：分别为编码输出，解码输出，分类输出。其中解码输出的序列是5阶小波分解后的各频率分量，也是小波变换-自编码器作为浅层特征提取算法所提取的浅层特征信号组成的序列。
如图6所示，为浅层特征提取算法的流程图。
S4、将浅层特征序列通过Attention-GRU网络进一步进行深层特征提取，得到特征提取及分类的输出。
在本申请的实施例中，深层特征提取算法结构设计原理如图7所示，所述步骤S4包括：
S401.设置迭代次数；
S402,将步骤S3得到的自编码器解码输出与GRU网络上一时刻的隐藏层数据ht-1一起输入attention的线性层；
S403.经过softmax层进行归一化处理，得到归一化的权重值Attn_weight；
S404.将得到的权重值与浅层特征数据序列通过Mul运算单元进行逐元素相乘，得到attention的结果；
S405.将attention的结果与ht-1输入到GRU网络得到下一时刻的隐藏层数据ht，进入迭代流程；
S406.在达到最大迭代次数时将得到的ht通过全连接层输出，得到特征提取及分类的结果。
GRU网络能够解决梯度爆炸导致的不能长期存在依赖的关系，其结构如图7的GRU网络部分所示，GRU共有更新门和重置门两个门，更新门的作用是决定丢弃哪些信息和添加哪些信息，重置门的作用是决定丢弃之前信息的程度。GRU向前进行传播一次时，其内部的计算流程为：
更新门：ut＝σ(wuxxt+wuhht-1+bu)
重置门：rt＝σ(wrxxt+wrhht-1+br)
记忆单元：
Figure BDA0003816412330000071
输出：
Figure BDA0003816412330000072
从GRU进行一次向前传播可以发现，GRU的当前时刻引入到记忆单元就会被存储并更新，能对信息产生长期依赖关系。能很好地解决长期依赖问题。
注意力机制是通过聚合完整输入序列的全局信息来更新序列的每个组成部分。注意力机制最明显的作用就是它能将数据中重要信息有效地表示出来，再进行学习训练。注意力机制一般是利用数据的相关特征进行学习得到权重，再把得到的权重与原特征信息结合进行加权求和，从而起到特征增强的作用。加入注意力机制能对特征提取起到增强作用。在特征提取过程中加入Attention权值，突出输入超宽带厘米波液体危险品检测信号在不同频段对输出的区分化影响作用，能为后续分类超宽带厘米波液体危险品检测信号提高特征区别进而提升超宽带厘米波液体危险品检测信号分类精度，同时还能使得算法更具有解释性。
如图7所示，在注意力机制中包含了以下几个单元：
(1)Linear单元：它的作用是将连接的输入信号与隐藏层通过Linear单元设置输入与输出的维度；
(2)Softmax单元：它的作用是将数据进行归一化，得到注意力机制权重；
(3)Weight单元：它是经过归一化后得到的权重值；
(4)Mul运算单位：将输入信号与得到的权重进行逐元素乘法，得到输入信号频段的重要度；
(5)applied单元：该单元是得到的信号所含信息量的重要程度。也是注意力机制的输出
从图7可以看出，是将得到的隐藏层ht-1与输入超宽带厘米波液体危险品检测信号xt一起经过Linear层设置输入输出的维度；然后经过softmax层对数据进行归一化处理得到Attn_weight权重，再通过Mul运算单元，计算出输入信号频段的重要度，得到一个有关超宽带厘米波液体危险品检测信号所含信息量的重要程度的Attn_applied，再将得到的Attn_applied与ht-1一起输入到GRU网络，得到ht，将它经过全连接层，得到特征提取及分类的输出。)
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种基于Attention_GRU网络的液体分类识别方法，其特征在于：包括以下步骤：
S1、采集已知类型的液体危险品作为样品，对样品的原始数据和环境噪声进行检测；
S2、对采集的原始数据进行清洗和预处理；
S3、利用小波变换结合改进的自编码器对预处理后的数据进行浅层特征提取，得到浅层特征序列；
S4、对于不同的已知类型的液体危险品，重复执行步骤S1～S3，得到不同液体危险品的浅层特征，并基于液体危险品的类别，对浅层特征进行标记，并加入训练集；
S5、将浅层特征序列通过Attention-GRU网络进一步进行深层特征提取，得到特征提取及分类的输出。
2.根据权利要求1所述的一种基于Attention_GRU网络的液体分类识别方法，其特征在于：所述步骤S1包括：
利用宽带波束聚焦系统对液体危险品样品样本进行检测，得到样本的散射参数曲线作为原始数据；得到的散射参数曲线即超宽带厘米波液体危险品检测信号UWB-CMW-DLDS；
然后利用宽带波束聚焦系统对空气进行检测，得到空气的散射参数曲线，作为环境噪声。
3.根据权利要求1所述的一种基于Attention_GRU网络的液体分类识别方法，其特征在于：所述步骤S2包括：
S201.对样本的散射参数曲线进行清洗，删除重复数据，消除数据误差；
S202.对清洗后样本的散射参数曲线进行预处理，预处理采取静噪和填充实现：
将采集空气样本的数据作为环境噪声，利用清洗后的样本散射参数曲线减去空气的散射参数曲线，从而去除噪声，达到静噪的效果，静噪公式如下所示：
Figure FDA0003816412320000011
式中S为静噪后的样本散射参数曲线，Ssa清洗后的样品散射参数曲线，Sem是空气的散射参数曲线；
对静噪后的样本散射参数曲线进行填充，得到预处理后的样本散射参数曲线；
所述填充过程包括：设置8GHz-18GHz内800个点为统一长度，大于统一长度的数据做删除处理，小于统一长度的在缺失频段中做补0操作。
4.根据权利要求1所述的一种基于Attention_GRU网络的液体分类识别方法，其特征在于：所述步骤S3包括：
S301.采用symlet小波系的sym5小波，对预处理后的样本散射参数曲线进行5层离散小波分解，共得到5层高频信号和5层低频信号，共计10个小波分量，使不同液体的信号特征差异表现明显；
S302.将各个频率的小波分量组合成一组小波分解分量组合信号；
S303.将小波分解分量组合信号通过改进的添加约束条件的自编码器进行浅层特征提取，得到浅层特征数据序列。
5.根据权利要求1所述的一种基于Attention_GRU网络的液体分类识别方法，其特征在于：所述步骤S4包括：
S401.设置迭代次数；
S402.将步骤S3得到的浅层特征数据序列与GRU网络上一时刻的隐藏层数据ht-1一起输入attention的线性层；
S403.经过softmax层进行归一化处理，得到归一化的权重值Attn_weight；
S404.将得到的权重值与浅层特征数据序列通过Mul运算单元进行逐元素相乘，得到attention的结果；
S405.将attention的结果与ht-1输入到GRU网络得到下一时刻的隐藏层数据ht，进入迭代流程；
S406.在达到最大迭代次数时将得到的ht通过全连接层输出，得到特征提取及分类的结果。
CN202211028195.1A 2022-08-25 2022-08-25 一种基于Attention_GRU网络的液体分类识别方法 Pending CN115392308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028195.1A CN115392308A (zh) 2022-08-25 2022-08-25 一种基于Attention_GRU网络的液体分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028195.1A CN115392308A (zh) 2022-08-25 2022-08-25 一种基于Attention_GRU网络的液体分类识别方法

Publications (1)

Publication Number Publication Date
CN115392308A true CN115392308A (zh) 2022-11-25

Family

ID=84123248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028195.1A Pending CN115392308A (zh) 2022-08-25 2022-08-25 一种基于Attention_GRU网络的液体分类识别方法

Country Status (1)

Country Link
CN (1) CN115392308A (zh)

Similar Documents

Publication Publication Date Title
Omitaomu et al. Empirical mode decomposition technique with conditional mutual information for denoising operational sensor data
CN102436586B (zh) 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法
CN113687433B (zh) 一种基于Bi-LSTM的大地电磁信号去噪方法及系统
CN117434153B (zh) 基于超声波技术的道路无损检测方法及系统
US20230417622A1 (en) Methods and systems for leakage analysis of urban pipelines and storage media
CN114970607B (zh) 基于深度神经网络声发射信号分离的变压器局放检测方法
Li A comprehensive survey of sparse regularization: Fundamental, state-of-the-art methodologies and applications on fault diagnosis
CN113887454B (zh) 基于卷积神经网络点源识别的非接触激光超声检测方法
Kim et al. Untangling the contribution of input parameters to an artificial intelligence PM2. 5 forecast model using the layer-wise relevance propagation method
CN111766210B (zh) 一种近岸复杂海水硝酸盐氮多光谱测量方法
CN115392308A (zh) 一种基于Attention_GRU网络的液体分类识别方法
CN111563455B (zh) 基于时间序列信号和压缩卷积神经网络的伤损识别方法
CN111582132A (zh) 基于改进eemd与pcnn的气体泄漏信号降噪方法
Lan et al. Improved wavelet packet noise reduction for microseismic data via fuzzy partition
CN113804657B (zh) 一种基于多元回归结合稀疏自编码器光谱特征降维方法
CN115345216A (zh) 一种融合先验信息的fmcw雷达干扰消除方法
CN106990066B (zh) 一种鉴别煤炭种类的方法及装置
Bin et al. Intelligent moving target recognition based on compressed seismic measurements and deep neural networks
CN115310472A (zh) 基于核脉冲峰值序列的一维卷积神经网络核素识别方法
Wang A Synchronous Transmission Method for Array Signals of Sensor Network under Resonance Technology.
Yao et al. Railway axle box bearing fault identification using LCD-MPE and ELM-AdaBoost
US20240094420A1 (en) Imaging methods for dispersion energy spectrums of surface waves, electronic devices, and storage media
CN114401152B (zh) 基于贝叶斯惩罚特征选择的sql注入攻击检测方法
CN112818875B (zh) 一种基于低秩稀疏分解的易燃液体检测信号去噪方法
CN115063500B (zh) 基于生成对抗网络的磁性纳米粒子成像重建方法

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