CN115878968A - 一种基于极值特征神经网络的信号降噪方法 - Google Patents
一种基于极值特征神经网络的信号降噪方法 Download PDFInfo
- Publication number
- CN115878968A CN115878968A CN202310165022.2A CN202310165022A CN115878968A CN 115878968 A CN115878968 A CN 115878968A CN 202310165022 A CN202310165022 A CN 202310165022A CN 115878968 A CN115878968 A CN 115878968A
- Authority
- CN
- China
- Prior art keywords
- layer
- extreme
- node
- neural network
- characteristic
- 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.)
- Withdrawn
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000009467 reduction Effects 0.000 title claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 33
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 25
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 47
- 150000001875 compounds Chemical class 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000010355 oscillation Effects 0.000 description 22
- 238000013016 damping Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000011541 reaction mixture Substances 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0499—Feedforward 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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
Description
技术领域
本发明涉及一种基于极值特征神经网络的信号降噪方法,属于神经网络、信号降噪技术领域。
背景技术
在用纯基于数据驱动的神经网络进行数据降噪时,随着神经网络隐藏层节点数目的增加,往往会出现过拟合现象。最近发展的基于物理信息的神经网络,将物理信息以微分方程或者偏微分方程,以残差约束的形式耦合到全连接神经网络中,减小参数优化的范围,提高神经网络的泛化能力。由于一些物理过程难以用完整的数学模型进行描述,无法用传统的基于物理信息的神经网络进行训练;因此,若将描述物理过程的函数的1阶、2阶、3阶、4阶等高阶导函数的极值点信息作为约束,引入到神经网络中,可以减少或避免降噪后的数据的导函数出现物理不真实的极值点,使降噪后数据更接近物理真实。
如何发展一种基于极值特征神经网络的信号降噪方法,将真实物理过程中极值点的信息以高阶导数极值特征的形式引入神经网络中,获取符合物理真实的降噪结果,是本领域亟待解决的重要问题之一。
发明内容
本发明目的是提供了一种基于极值特征神经网络的信号降噪方法,将真实物理过程中极值点的信息以高阶导数极值特征的形式引入极值特征神经网络中;在对无法用完整的数学模型描述的物理过程的数据进行降噪时,可减少或避免导函数出现物理不真实的极值点,降低噪声对物理真实的影响,使降噪后的数据更接近物理真实。本发明为实现上述目的,通过以下技术方案实现:
步骤2:建立极值特征神经网络,所述极值特征神经网络包含输入层、隐藏层、输出层、极值特征层;所述极值特征神经网络的损失函数为包含极值特征的损失函数。
所述输出层的第个节点的输出为/>;所述输出/>关于输入向量/>的第/>个分量/>的/>阶偏导数为/>;所述输出层的每个节点存储该节点关于输入向量/>的所有分量的0到/>阶偏导数,当/>时,/>;其中/>取值范围为0~/>,/>表示需要求极值特征的偏导数的最高阶数。
步骤3:将输入向量输入到所述极值特征神经网络,将因变信号序列作为极值特征神经网络训练的目标值,以所述包含极值特征的损失函数为损失函数;对所述极值特征神经网络进行训练,直到包含极值特征的损失函数满足要求,当损失函数小于0.0002结束训练,得到训练完成的极值特征神经网络和包含极值特征的损失函数。
步骤4:将自变信号序列输入到训练好的极值特征神经网络中得到降噪后的信号。
优选的,所述包含极值特征的损失函数如下:
式中,是所述输出层第/>个节点对应的第/>个训练样本的目标值,/>是所述第/>个训练样本对应的所述输出层第/>个节点的输出;/>是幂次数;/>表示所述输出层的第/>个节点的输出/>关于所述输入层的第/>个节点的输入/>的/>阶偏导数/>所对应的极值特征;/>是所述极值特征所对应的极值特征误差;/>是所述极值特征误差的加权系数;/>是训练样本数目;/>是输出层节点数;/>是输入层节点数;/>是所述需要求极值特征的偏导数的最高阶数;/>表示所述第/>个训练样本的目标值/>与所述输出值/>的绝对误差;/>是所述绝对误差的/>次幂的加权系数。
式中,是所述偏导数/>关于/>的第/>个极值点的/>坐标,/>是所述偏导数/>关于/>的极值点的数目;/>是所述输出层第/>个节点的输出/>所对应的真实物理过程的输出/>关于/>的/>阶偏导数的所有极值点的坐标集的平均值;/>表示取的绝对误差;/>表示幂次数。
式中,是对所有满足/>,且/>为非负整数的解进行/>求和;/>;/>表示所述隐藏层的第/>层第i个节点的激活函数的/>阶导数;/>表示第/>层的节点数目;/>是所述隐藏层的第/>层的第/>节点到所述隐藏层的第/>层的第/>节点的权重;/>是所述隐藏层的第/>层的第/>个节点的偏置;/>,/>是所述隐藏层的总层数。
式中,表示所述隐藏层第1层的第/>个节点的激活函数的阶导数;/>表示所述输入层的节点数目;/>是所述输入层的第/>个节点到所述隐藏层第1层的第/>个节点的权重;/>是所述隐藏层第1层的第/>个节点的偏置;/>是所述输入层的第/>个节点到所述隐藏层第1层的第/>个节点的权重,/>是/>的/>次幂。
式中,是对所有满足/>且/>为非负整数的解进行/>求和;/>;/>表示所述隐藏层第1层第/>个节点的激活函数的/>阶导数;/>表示所述输入层的节点数目;/>是所述输入层的第/>节点到所述隐藏层第1层的第/>节点的权重;/>是所述隐藏层第1层的第/>个节点的偏置;/>是所述输入层的第/>个节点到所述隐藏层第1层的第/>个节点的权重。
优选的,所述极值特征神经网络训练过程采用Gradient descent算法或Gauss-Newton算法或Levenberg-Marquardt算法。
本发明的优点在于:
(1)采用基于极值特征神经网络的信号降噪方法进行数据降噪时,不需要物理过程的完整数学模型作为约束,能够减轻或避免降噪后的数据的高阶偏导数(或导数)物理失真的问题;可获得符合物理真实的高阶偏导数(或导数),进而可采用高阶偏导数(或导数)分析实际的物理过程,使得对物理过程的分析更深入;避免了传统基于物理信息的神经网络需要完整的数学模型进行训练的不足。
(2)极值特征神经网络各层的节点都存储了该节点关于输入的各阶偏导数,可采用递推的方法,由前一层节点的输出关于输入的偏导数获得后一层节点的输出关于输入的偏导数;便于偏导数的计算和神经网络的训练;增加了数据降噪计算的灵活性。
(3)极值特征神经网络进行训练时,由于增加了符合实际物理过程的极值特征作为约束,能减少不确定性因素对训练的影响,可提高网络的泛化能力和信号降噪的鲁棒性。
(4)应用极值特征神经网络进行降噪时,由于增加了符合实际物理过程的高阶极值特征约束,能够降低噪声对物理失真的影响,使得降噪结果不再只依赖于数据约束,防止数据的高阶偏导数或导数偏离物理真实。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1是本发明实施例提供的基于极值特征神经网络的信号降噪方法的流程图;
图2是本发明实施例提供的极值特征神经网络结构示意图;
图4是本发明实施例提供的单隐藏层的极值特征神经网络结构示意图;
图5是本发明实施例提供的不带噪声的电压有阻尼自由振荡过程的信号图;
图6是本发明实施例提供的高频噪声信号图;
图7是本发明实施例提供的随机噪声信号图;
图8是本发明实施例提供的带噪声的电压有阻尼自由振荡过程的信号图;
图9是本发明实施例提供的单隐藏层的极值特征神经网络得到的降噪后的信号图;
图10是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的1阶导数的对比图;
图11是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的1阶导数与电压有阻尼自由振荡信号的1阶导数的偏差对比图;
图12是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的2阶导数的对比图;
图13是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的2阶导数与电压有阻尼自由振荡信号的2阶导数的偏差对比图;
图14是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的3阶导数的对比图;
图15是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的3阶导数与电压有阻尼自由振荡信号的3阶导数的偏差对比图;
图16是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的4阶导数的对比图;
图17是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的4阶导数与电压有阻尼自由振荡信号的4阶导数的偏差对比图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明实施例提供的基于极值特征神经网络的信号降噪方法的流程图;图2是本发明实施例提供的降噪方法的极值特征神经网络结构示意图。
极值特征神经网络可以建立多个输出和多个输入之间的对应关系。
当只有一个输出、一个输入时,就对应一个单输入单输出的对应关系。
S102:建立极值特征神经网络,极值特征神经网络包含输入层、隐藏层、输出层、极值特征层和包含极值特征的损失函数。
隐藏层的层数大于等于1。当隐藏层的层数等于1时,创建的网络是单隐藏层的神经网络。隐藏层的每个节点存储该节点的输出关于输入层输入向量所有分量的/>的0到阶偏导数。/>是需要求极值特征的偏导数的最高阶数,/>。信号变化越复杂/>的值越大,噪声越强/>的值越大。优选的/>或6。
输出层的节点数为,输出层的第/>个节点的输出是输入向量/>的函数,记作,输出层的第/>个节点的输出/>关于输入向量/>的第/>个分量/>的/>阶偏导数是输入向量/>的函数,记作/>。输出层的每个节点存储该节点的输出/>关于输入向量/>的所有分量/>的0到/>阶偏导数,当/>时,/>。
极值特征层只有一层,极值特征层的节点数为,极值特征层的第/>个节点只与输出层的第/>个节点相连。极值特征层的第/>个节点存储输出层的第/>个节点的输出/>关于输入层的第/>个输入/>的0到/>阶偏导数的极值特征。0阶偏导数的极值特征由1阶偏导数求得;1阶偏导数的极值特征由2阶偏导数求得;/>阶偏导数的极值特征由/>阶偏导数求得。
图3是本发明实施例提供的极值特征神经网络的包含0到阶偏导数的节点的示意图;极值特征层的每个节点包含/>个极值特征组,极值特征组的每一组包括/>个极值特征;/>是输入层节点数;/>是最高阶偏导数阶数。极值特征层的第/>个节点的第/>个极值特征组的第/>个极值特征为输出层的第/>个节点的输出/>关于输入层的第/>个输入/>的/>阶偏导数/>的极值的函数,表示为:
式(4)中,是所述偏导数/>关于/>的第/>个极值点的/>坐标,/>是所述偏导数/>关于/>的极值点的数目;/>是所述输出层第/>个节点的输出/>所对应的真实物理过程的输出/>关于/>的/>阶偏导数的所有极值点的坐标集的平均值;/>表示取/>的绝对误差;/>表示幂次数,优选的/>为1或2;由物理过程的已知信息确定的极值点的坐标集的平均值。
包含极值特征的损失函数为:
式(2)中,是所述输出层第/>个节点对应的第/>个训练样本的目标值,/>是所述第/>个训练样本对应的所述输出层第/>个节点的输出;/>是幂次数;/>表示所述输出层的第/>个节点的输出/>关于所述输入层的第/>个节点的输入/>的/>阶偏导数/>所对应的极值特征;/>是所述极值特征/>所对应的极值特征误差;/>是所述极值特征误差/>的加权系数;/>是训练样本数目;/>是输出层节点数;/>是输入层节点数;/>是所述需要求极值特征的偏导数的最高阶数;/>表示所述第/>个训练样本的目标值/>与所述输出值的绝对误差;/>是所述绝对误差/>的/>次幂的加权系数。
包含极值特征的损失函数的误差由两部分组成,分别是样本数据误差和极值特征误差。当增加时,极值特征神经网络的训练结果受样本误差的影响增加,极值特征神经网络训练结果与训练样本的目标值之间的误差减小;此时,如果训练样本含有较大的噪声,降噪结果的高阶偏导数偏离物理真实的几率增加。当/>增加时,极值特征误差对训练过程的影响增加,极值特征神经网络的训练结果的高阶偏导数更接近物理真实;此时,能够降低噪声对高阶偏导数失真的影响。可根据数据噪声水平和极值特征的特点,选择/>、/>的大小。
S103:以个自变信号序列作为输入向量,/>个因变信号序列作为目标值,以包含极值特征的损失函数为损失函数,采用Levenberg-Marquardt算法进行训练,直到包含极值特征的损失函数满足要求,训练结束。
也可以选择Gradient descent或Gauss-Newton算法进行训练。
本发明建立的基于极值特征神经网络的数据降噪方法,输出结果满足0到阶偏导数或导数物理真实。传统的基于物理信息的神经网络将物理信息以微分方程或者偏微分方程的形式耦合到全连接神经网络中,其实质是给神经网络的训练增加了物理规律约束,从而可提高神经网络的泛化能力。但对于一些难以用完整的数学模型进行描述的物理过程,无法用传统的基于物理信息的神经网络进行训练。极值特征神经网络将输出对输入的高阶偏导函数的极值点信息作为约束,以极值特征层的形式引入到神经网络中,对神经网络的训练增加了0到/>阶偏导数或导数物理真实的约束条件,从而可降低不确定因素对神经网络训练的影响,提高神经网络的泛化能力。另一方面,极值特征神经网络的实质是将物理过程的0到/>阶偏导数或导数的极值规律信息引入到神经网络的训练中去,增加了对神经网络的约束。与传统的神经网络相比,其训练结果更接近物理真实,不会出现0到/>阶偏导数或导数严重失真的情况;与基于物理信息的神经网络相比,其训练过程不需要完整的数学模型,增加了符合物理规律的神经网络的适用范围。本发明建立的基于极值特征神经网络的数据降噪方法,极值特征神经网络输出结果满足0到/>阶偏导数或导数物理真实,为应用0到/>阶偏导数或导数分析数据建立了基础。
实施例2
本实施例是在实施例1的基础上进行的具体应用。
具体步骤为:
S101:获取1个自变信号序列;获取1个因变信号序列。
自变量信号序列是时间序列,信号时间区间为0.4-6秒,序列间隔为0.01秒,时间序列长度为561。
因变信号序列是带噪声的电压有阻尼自由振荡信号;带噪声的电压有阻尼自由振荡信号由高频噪声信号、随机噪声信号和不带噪声的电压有阻尼自由振荡信号叠加而成。
不带噪声的电压有阻尼自由振荡过程的信号的函数形式如式(9)所示,高频噪声信号如式(10)所示,随机噪声信号如式(11)所示,带噪声的电压有阻尼自由振荡过程的信号如式(12)所示,不带噪声的电压有阻尼自由振荡过程的信号如图5所示,高频噪声信号如图6所示,随机噪声信号如图7所示,带噪声的电压有阻尼自由振荡过程的信号如图8所示。
不带噪声的电压有阻尼自由振荡过程的信号:
高频噪声信号:
随机噪声信号:
式(9)、(10)中,x的取值范围为0.4-6秒。
带噪声的电压有阻尼自由振荡过程的信号:
以带噪声的电压有阻尼自由振荡信号作为极值特征神经网络的降噪处理对象,以不带噪声的电压有阻尼自由振荡信号作为依据,可以评价极值特征神经网络的降噪性能。
S102:建立极值特征神经网络。输入层有1个节点;隐藏层有1层,8个节点;输出层有1个节点;极值特征层有1个节点。所建立的单隐藏层的极值特征神经网络结构示意图,如图4所示。
极值特征层的组数为4组,分别是0阶、1阶、2阶和3阶导数的极值特征组。
0阶导数的极值特征如式(13)所示:
1阶导数的极值特征如式(14)所示:
2阶导数的极值特征如式(15)所示:
3阶导数的极值特征如式(16)所示:
极值特征层存储输出层的节点相对于输入的0到3阶导数的极值特征。
隐藏层的激活函数为sigmoid函数,sigmoid的函数形式为,x是激活函数的输入,y是激活函数的输出,sigmoid函数的 1阶导数为/>;sigmoid函数的2阶导数为/>,sigmoid函数的3阶导数为,sigmoid函数的4阶导数为
输出层对输入层的1阶导数如式(17)所示:
输出层对输入层的2阶导数如式(18)所示:
输出层对输入层的3阶导数如式(19)所示:
输出层对输入层的4阶导数如式(20)所示:
包含极值特征的损失函数为:
在本实施例中,因为网络只有一个输入和输出,基于极值特征神经网络的极值特征误差简化为:
S103:以时间序列作为输入,以带噪声的电压有阻尼自由振荡信号序列作为目标值,以包含极值特征的损失函数为损失函数,采用Levenberg-Marquardt算法进行训练;直到包含极值特征的损失函数满足要求,训练结束。
S104:以时间序列作为输入,输入极值特征神经网络,通过网络计算得到输出,输出即是降噪后的信号。
如图9所示是本实施例的单隐藏层的极值特征神经网络得到的降噪后的信号图。
为了验证极值特征神经网络的性能,将极值特征神经网络与浅层神经网络性能进行对比。所用浅层神经网络的节点数与极值特征神经网络的输入层、隐藏层、输出层的节点数目均为1、8、1。
图10是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的1阶导数的对比图;从图10可见,两种神经网络降噪结果的1阶导数与不带噪声的电压有阻尼自由振荡信号的1阶导数在整个时间段内都比较一致,看不出明显的偏差。图11是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的1阶导数与电压有阻尼自由振荡信号的1阶导数的偏差对比图;从图11可见,在0.4到0.45秒时间段,极值特征神经网络得到的1阶导数的误差比传统浅层神经网络得到的1阶导数的误差的最大幅值大;在0.45到6秒时间段,极值特征神经网络得到的1阶导数的误差最大幅值比传统浅层神经网络得到的1阶导数的误差最大幅值小。
图12是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的2阶导数的对比图;从图12可见,两种神经网络的2阶导数与不带噪声的电压有阻尼自由振荡信号的2阶导数在整个时间段内都比较一致,但在信号的起始段和结束段,两种神经网络给出的2阶导数都出现了明显的偏差。图13是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的2阶导数与电压有阻尼自由振荡信号的2阶导数的偏差对比图;从图13可见,在0.4到0.47秒时间段,极值特征神经网络得到的2阶导数的误差比传统浅层神经网络得到的2阶导数的误差大;在0.47到6秒时间段,极值特征神经网络得到的2阶导数的误差的最大幅值比传统浅层神经网络得到的2阶导数的误差的最大幅值小。
图14是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的3阶导数的对比图;从图14可见,在0.7到5.6秒时间段,两种神经网络的3阶导数与不带噪声的电压有阻尼自由振荡信号的3阶导数都比较一致;但在0.4到0.7秒时间段和5.6到6秒时间段,两种神经网络给出的3阶导数都出现了明显的物理失真;在5.6到6秒时间段内,传统浅层神经网络得到的3阶导数比极值特征神经网络得到的3阶导数的失真严重。图15是本发明实施例提供的由极值特征神经网络和浅层神经网络得到降噪后信号的3阶导数与电压有阻尼自由振荡信号的3阶导数的偏差对比图;从图15可见,在0.4到0.49秒时间段内,极值特征神经网络得到的3阶导数的偏差的最大幅值略大于传统浅层神经网络得到的3阶导数偏差的最大幅值;在0.49到6秒时间段内,极值特征神经网络得到的3阶导数的偏差的最大幅值小于传统浅层神经网络得到的3阶导数偏差的最大幅值。
图16是本发明实施例提供的极值特征神经网络和浅层神经网络对带噪声的电压有阻尼自由振荡信号进行降噪后的4阶导数的对比图;从图16可见,在0.4到0.68秒和5.48到6秒时间段内,传统神经网络给出的4阶导数出现了大幅度的物理失真;在5.48到6秒时间段内,极值特征神经网络的4阶导数没有出现大幅度的物理失真。图17是本发明实施例提供的由极值特征神经网络和浅层神经网络得到的降噪后信号的4阶导数与电压有阻尼自由振荡信号的4阶导数的偏差对比图;从图17可见,在整个信号时间段内,极值特征神经网络得到的4阶导数的误差的最大幅值都小于传统浅层神经网络得到的4阶导数的偏差的最大幅值。
传统浅层神经网络和极值特征神经网络得到的0到3阶导数的偏差在整个时间段内都有波动。将两种网络得到的0到3阶导数的极值点数目和标准差进行对比。
表1是极值特征神经网络和传统浅层神经网络训练结果得到的0到3阶导数的极值点数目对比。从表1可知,两种神经网络得到的0到2阶导数的极值点数目与真实物理过程的极值点数目是一致的。极值特征神经网络得到的3阶导数的极值点数目与真实物理过程的极值点数目一致,浅层神经网络得到的3阶导数的极值点数目与真实物理过程的极值点数目不一致。可知极值特征神经网络的训练结果比传统浅层神经网络的训练结果更接近物理真实。
表1 0到3阶导数的极值点数目对比
采用标准差对比浅层神经网络、极值特征神经网络得到的各阶导数与不带噪声的电压有阻尼自由振荡信号的各阶导数的差别。不带噪声的电压有阻尼自由振荡信号关于时间的/>阶导数与极值特征神经网络或浅层神经网络输出/>关于输入/>的/>阶导数的标准差由式(21)计算。
在0.4-6秒的时间段内,浅层神经网络和极值特征神经网络得到的1阶、2阶、3阶、4阶导数与不带噪声的电压有阻尼自由振荡信号的相应阶导数的标准差如表2所示。从表2可见,极值特征神经网络的标准差小于传统浅层神经网络的标准差。
表2浅层神经网络和极值特征神经网络标准差对比
从应用极值特征神经网络和传统浅层神经网络对带噪声的电压有阻尼自由振荡信号的降噪结果看,极值特征神经网络能够在一定程度上避免或者降低0到3阶导数的物理失真现象。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.一种基于极值特征神经网络的信号降噪方法,其特征在于,包括如下步骤:
步骤2:建立极值特征神经网络,所述极值特征神经网络包含输入层、隐藏层、输出层、极值特征层;所述极值特征神经网络的损失函数为包含极值特征的损失函数;
所述输出层的第个节点的输出为/>;所述输出/>关于输入向量/>的第/>个分量/>的/>阶偏导数为/>;所述输出层的每个节点存储该节点关于输入向量的所有分量的0到/>阶偏导数,当/>时,/>;其中/>取值范围为0~/>,/>表示需要求极值特征的偏导数的最高阶数;
步骤3:将输入向量输入到所述极值特征神经网络,将因变信号序列作为极值特征神经网络训练的目标值,以所述包含极值特征的损失函数为损失函数;对所述极值特征神经网络进行训练,直到包含极值特征的损失函数满足要求,当损失函数小于0.0002结束训练,得到训练完成的极值特征神经网络和包含极值特征的损失函数;
步骤4:将自变信号序列输入到训练好的极值特征神经网络中得到降噪后的信号。
2.根据权利要求1所述的基于极值特征神经网络的信号降噪方法,其特征在于,所述包含极值特征的损失函数如下:
10.根据权利要求1所述的基于极值特征神经网络的信号降噪方法,其特征在于,所述极值特征神经网络训练过程采用Gradient descent算法或Gauss-Newton算法或Levenberg-Marquardt算法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310165022.2A CN115878968A (zh) | 2023-02-27 | 2023-02-27 | 一种基于极值特征神经网络的信号降噪方法 |
CN202310879418.3A CN116955928A (zh) | 2023-02-27 | 2023-07-18 | 一种基于极值特征神经网络的信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310165022.2A CN115878968A (zh) | 2023-02-27 | 2023-02-27 | 一种基于极值特征神经网络的信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878968A true CN115878968A (zh) | 2023-03-31 |
Family
ID=85761615
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310165022.2A Withdrawn CN115878968A (zh) | 2023-02-27 | 2023-02-27 | 一种基于极值特征神经网络的信号降噪方法 |
CN202310879418.3A Pending CN116955928A (zh) | 2023-02-27 | 2023-07-18 | 一种基于极值特征神经网络的信号降噪方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879418.3A Pending CN116955928A (zh) | 2023-02-27 | 2023-07-18 | 一种基于极值特征神经网络的信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115878968A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764472A (zh) * | 2018-05-18 | 2018-11-06 | 南京信息工程大学 | 卷积神经网络分数阶误差反向传播方法 |
CN114239698A (zh) * | 2021-11-26 | 2022-03-25 | 中国空间技术研究院 | 数据处理方法、装置及设备 |
-
2023
- 2023-02-27 CN CN202310165022.2A patent/CN115878968A/zh not_active Withdrawn
- 2023-07-18 CN CN202310879418.3A patent/CN116955928A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764472A (zh) * | 2018-05-18 | 2018-11-06 | 南京信息工程大学 | 卷积神经网络分数阶误差反向传播方法 |
CN114239698A (zh) * | 2021-11-26 | 2022-03-25 | 中国空间技术研究院 | 数据处理方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116955928A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111564160B (zh) | 一种基于aewgan的语音降噪的方法 | |
CN107845389A (zh) | 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法 | |
Prakash et al. | IoT device friendly and communication-efficient federated learning via joint model pruning and quantization | |
CN111193256A (zh) | 基于变分模态分解和门控循环单元的电力负荷预测方法 | |
CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
US11416743B2 (en) | Swarm fair deep reinforcement learning | |
CN112580728B (zh) | 一种基于强化学习的动态链路预测模型鲁棒性增强方法 | |
Wang et al. | Application of wavelet threshold method based on optimized VMD to ECG denoising | |
Amin et al. | Orthogonal least squares based complex-valued functional link network | |
CN115878968A (zh) | 一种基于极值特征神经网络的信号降噪方法 | |
CN116187401B (zh) | 神经网络的压缩方法、装置、电子设备及存储介质 | |
CN114938232B (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
Ibnkahla | Statistical analysis of neural network modeling and identification of nonlinear systems with memory | |
CN111310996A (zh) | 基于图自编码网络的用户信任关系预测方法及系统 | |
CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质 | |
CN114172770B (zh) | 量子根树机制演化极限学习机的调制信号识别方法 | |
CN115829870A (zh) | 一种基于可变尺度滤波的图像去噪方法 | |
CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
CN112149617A (zh) | 一种基于深度学习的脉冲波形去噪方法 | |
Darojah et al. | The training of feedforward neural network using the unscented Kalman filter for voice classification application | |
CN114662523A (zh) | 一种融合认知强化压缩感知与人工神经网络的扩频信号检测方法 | |
CN107315713B (zh) | 一种基于非局部相似性的一维信号去噪增强方法 | |
CN116248229B (zh) | 一种面向实时语音通讯的丢包补偿方法 | |
Chen et al. | Adapting a Generative Pretrained Transformer Achieves SOTA Performance in Assessing Diverse Physiological Functions Using Only Photoplethysmography Signals: A GPT-PPG Approach | |
CN105610408B (zh) | 一种基于贡献因子的非线性Volterra滤波优化方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230331 |