CN116401513A - 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 - Google Patents
一种基于深度残差网络的磁共振工频谐波噪声抑制方法 Download PDFInfo
- Publication number
- CN116401513A CN116401513A CN202310391111.9A CN202310391111A CN116401513A CN 116401513 A CN116401513 A CN 116401513A CN 202310391111 A CN202310391111 A CN 202310391111A CN 116401513 A CN116401513 A CN 116401513A
- Authority
- CN
- China
- Prior art keywords
- network
- noise
- residual
- power frequency
- magnetic resonance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001629 suppression Effects 0.000 title abstract description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000015556 catabolic process Effects 0.000 claims abstract description 4
- 238000006731 degradation reaction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005481 NMR spectroscopy Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及磁共振信号处理领域,为一种基于深度残差网络的磁共振工频谐波噪声抑制方法。首先将混叠了工频谐波噪声的含噪信号与工频谐波噪声作为深度残差网络的输入和输出,通过前向传播和反向传播计算误差,并引入残差块建立恒等映射,重复训练使损失函数减少至期望值,即可确定去噪模型。通过模型提取噪声并与含噪信号作差,从而获得去除工频噪声的信号。与传统方法相比,本发明利用训练过的模型进行预测的时间非常短,并且不需要调整网络参数。与卷积网络相比,残差网络在高深度时解决了退化问题,精度更高,模型效果更好,更加节省算力。
Description
技术领域
本发明属于核磁共振测深(Magnetic Resonance Sounding,MRS)信号噪声抑制方法领域,特别是基于深度残差网络(Deep Residual Network,DRN)的磁共振地下水探测工频谐波噪声抑制方法。
背景技术
核磁共振技术探测地下水是目前唯一的直接找水的地球物理方法。与传统的地球物理探测方法相比具有高分辨力、高效率、信息量丰富和解唯一性等优点。MRS信号的质量对于探测结果是至关重要的。信号参数估计的准确性依赖于测量地点的电磁噪声水平。由于通过接收线圈接收到的核磁共振信号幅度极小,只有nV级,环境噪声足以将其淹没,影响信号质量最严重的两类噪声是工频谐波噪声和尖峰噪声,其中工频及其谐波噪声来源于电力线、发电机和变电器等,频率固定为50Hz或60Hz的整数倍。工频谐波噪声对接收信号的影响最为严重,且拉莫尔频率附近的工频干扰尤为突出。而工频谐波的存在,会使接收装置中的信号调理模块提前达到饱和状态,影响了后续的数据反演效果,从而降低了核磁共振探测结果的准确性。
Legchenko,A等人在Journalof Applied Geophyics[2003,53(2-3),103-120]上发表的论文“Removal of power-line harmonics from proton magnetic resonancemeasurements”中基于NUMIS进行了工频谐波消噪的研究,利用区块对消等数据处理方法进行工频谐波干扰的消除。Larsen,J等人在Geophysical Journal International[2014,196(2),828-836]上发表的论文“Noise cancelling of MRS signals combining model-based removal of powerline harmonics and multichannel Wiener filtering”中提出基于工频谐波建模和多通道维纳滤波相结合的方法来进行工频谐波噪声抑制。李玥于2022年12月在论文“地面磁共振工频谐波噪声消减及全波信号提取方法研究”中提出一种工频谐波噪声处理的新方法,针对工频谐波噪声干扰严重且来源密集化的问题,提出了频域对称算法。利用工频谐波噪声经过傅里叶变换和解调等过程产生的虚部频谱,估计与MRS信号混叠在一起的实部频谱从而消除噪声。专利CN111860273A公开了一种“基于卷积神经网络的磁共振地下水探测噪声抑制方法”,其特点是利用卷积神经网络的学习性,使用模拟训练数据集来优化模型参数,待模型训练完成后即可用其进行实测数据的消噪处理。
上述发明的传统方法需要人工调整滤波参数,不利于非专业技术人员使用。基于卷积神经网络的消噪方法普适性强,但针对工频噪声的滤除效果有限,在强工频噪声环境下无法达到预期效果。
发明内容
本发明所要解决的技术问题在于提供一种基于深度残差网络的磁共振工频谐波噪声抑制方法,该方法利用深度残差网络的学习性训练出一套成型的消除工频谐波噪声的模型,向模型输入含工频谐波噪声的MRS信号,模型自动提取工频谐波噪声并将其消除。与传统方法相比,本发明利用训练过的模型进行预测的时间非常短,并且不需要调整网络参数。
本发明是这样实现的,
一种基于深度残差网络的磁共振工频谐波噪声抑制方法,该方法包括:
形成数据集:建立仿真磁共振地下水探测仪采集的磁共振信号数据集X(n),加入多种频率的工频及其谐波噪声N(n),得到含工频谐波噪声的磁共振信号Y(n),形成训练数据集,其中每条信号的长度为N,每个数据集的信号个数为M;
构建网络:设计残差网络的结构,确定网络深度及残差块种类,将网络参数初始化;
训练模型:输入训练数据集,前向传播时计算误差,反向传播时利用梯度下降法更新网络参数,利用残差学习机制建立含噪信号与噪声之间的映射关系,使损失函数逐渐优化至最小;
测试模型:组建基于实际测量数据的测试数据集,利用训练好的模型进行降噪处理。
进一步地,残差网络包括:
卷积运算,对输入数据进行特征提取,第一层的卷积运算调整输入含噪信号的尺寸用于池化;
池化层,用于提取数据的特征信息,过滤冗余信息;
残差块,用于在深层网络中防止神经网络退化,使网络随着深度的增加获得更高的精度;
全连接层,设置在放在残差网络的末尾,使输出与输入尺寸相同。
进一步地,构建残差网络的具体步骤为:步骤a:选定残差块种类,确定残差网络结构的层数L、残差块个数n和每层隐藏层的类型及参数,定义卷积核的大小K、填充大小P以及步幅S;
步骤b:初始化网络参数θ={W,b}、学习速率β及停止迭代阈值ε,其中W、b分别表示各残差块内部的隐藏层与输出层的线性关系系数矩阵和偏倚向量。
进一步地,训练模型的具体步骤包括:
将含工频谐波噪声的磁共振信号Y(n)作为残差网络的输入,工频谐波噪声N(n)作为残差网络的输出,构造去工频谐波噪声的残差网络模型:
x=y-RN(y;θ)
其中,RN表示搭建的残差网络,θ={W,b}为网络参数,网络参数会在反向传播中不断更新,将仿真的含工频谐波噪声的核磁信号Y(n)输入进残差网络,含噪的磁共振信号数据y经网络前向传播算法输出工频谐波噪声数据RN(y;θ),将y减去噪声数据RN(y;θ)得到干净的信号x;
其中进行前向传播算法,将含噪数据作为残差网络的输入,引入残差块,所述残差块由多个卷积层加上一个恒等映射构成,设F为残差函数,h为恒等映射,xn为第n个残差块的输入,yn为第n个残差块的输出,Wn为第n个残差块的内部关系矩阵,则有:
xn+1=yn=h(xn)+F(xn,Wn);
其中,ReLU(x)=max(0,x)表示激活函数,*表示卷积操作,在单个卷积层内,卷积运算和激活操作之间利用BN算法进行批量归一化,来达到加速网络训练的目的。
进一步地,所述残差块的层数为两层,若aL为第n个两层残差块的输入张量,aL=xn,根据残差块结构则有
F(xn,Wn)=xn+1=aL+2
以残差块为单位进行前向传播:
进行反向传播算法:在残差网络中引入残差δ,利用损失函数J(θ)计算第n个残差块的残差:
则得到
其中bn为第n个残差块对应的偏倚向量,利用梯度下降法更新网络参数:
(Wk)’←Wk-β·xkδk+1
(bk)’←bk-β·δk+1,k=1,2,...,n-1,θ={W,b},β为学习速率;
当各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b小于停止更新的阈值ε时,停止梯度下降法并将W和b输出,其中W、b分别表示各残差块内部的隐藏层与输出层的线性关系系数矩阵和偏倚向量。
进一步地,构建训练数据集的具体步骤为:
步骤a:使用MATLAB构建仿真的磁共振信号,表达式为其中t为时间,E0是初始振幅,T2 *是弛豫时间,fL是拉莫尔频率,/>是初始相位,得到X1(n),重复m次,得到信号个数为M,采集数据长度为N的核磁共振信号数据集X(n)=[X0(n),X1(n),X2(n),...,XM-1(n)];
步骤b:使用MATLAB构建仿真的工频谐波信号,表达式为其中k为工频谐波的次数,fN是基波频率,为50±0.1或60±0.1Hz,Ek和/>是k次谐波的初始振幅和相位,改变谐波次数k以构建不同频率,不同振幅的工频谐波噪声N(n)=[N0(n),N1(n),N2(n),...,NM-1(n)],信号个数为M,采集数据长度为N;
步骤c:根据Y(n)=X(n)+N(n),通过改变初始振幅、初始相位、谐波次数来构造多组的核磁共振信号数据集X(n)、和工频谐波噪声信号N(n),得到含噪的磁共振信号Y(n)。
本发明与现有技术相比,有益效果在于:本发明在模型训练完成后,无需调节滤波参数,可直接消除工频谐波噪声,且针对未训练的工频谐波噪声也有较好的去噪效果;与传统的去噪方法依赖人工经验、处理效率低相比,本发明消除工频谐波噪声的效率得到了很大的提高,可以很好的消除磁共振信号中的工频谐波噪声,达到理想的去噪效果;本发明能有效抑制工频谐波噪声造成的干扰,与传统的消噪方法相比具有更好的抗干扰能力,提高了可靠性,保障磁共振探测地下水的方法可以在有较强工频谐波噪声干扰的环境中使用。同时,与卷积神经网络相比,本发明引入了残差块,有效避免了神经网络的退化问题,针对工频噪声获得更高的精度。
附图说明
图1为基于深度残差网络的磁共振工频谐波噪声抑制方法流程图;
图2为深度残差网络结构图;
图3为深度残差网络中应用的双层残差块结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参见图1所示,一种基于深度残差网络的磁共振工频谐波噪声抑制方法,包括以下步骤:
a,形成数据集:建立仿真磁共振地下水探测仪采集的磁共振信号数据集X(n),加入多种频率的工频及其谐波噪声N(n),得到含工频谐波噪声的磁共振信号Y(n),形成训练数据集,其中每条信号的长度为N,每个数据集的信号个数为M;
b,构建网络:如图2所示的深度残差网络结构,确定网络深度及残差块种类,将网络参数初始化;
c,训练模型:输入训练数据集,前向传播时计算误差,反向传播传播时利用梯度下降法更新网络参数,利用残差学习机制建立含噪信号与噪声之间的映射关系,使损失函数逐渐优化至最小;
d,测试模型:组建基于实际测量数据的测试数据集,利用训练好的模型进行降噪处理。
所述步骤a中形成数据集的基本步骤为:
步骤a1:构建仿真的磁共振信号其中t=(0:N-1)/fsfs为采样率,N=2000,E0∈(10,4000)nV,/>fL∈(1300,3700)Hz,得到X0(n),重复1000次,得到信号个数为M=1000,采集数据长度为N=2000的核磁共振信号数据集X(n)=[X0(n),X1(n),X2(n),...,X999(n)];
步骤a2:构建仿真的工频谐波信号,其表达式为 其中t0=(0:N-1)/fs,fs为采样率,N=2000,该信号为工频噪声的45次谐波与47次谐波的叠加,其频率恰好在拉莫尔频率的附近。45次谐波的初始振幅为50nV,初始相位为/>47次谐波的初始振幅为40nV,初始相位为重复1000次,得到信号个数为M=1000,采集数据长度为N=2000的工频谐波噪声信号数据集N(n)=[N0(n),N1(n),N2(n),...,N999(n)]。
步骤a3:根据Y(n)=X(n)+N(n),通过改变初始振幅、初始相位、谐波次数等参数来构造多组的核磁共振信号数据集X(n)、和工频谐波噪声信号N(n),得到含噪的磁共振信号Y(n)。
所述步骤b中构建残差网络的具体步骤为:
步骤b1:选用图3所示的双层残差块,确定残差网络结构的层数L和每层隐藏层的类型及参数,定义卷积核的大小K,填充大小P,步幅S;
步骤b2:初始化网络参数θ={W,b}、学习速率β=0.05及停止迭代阈值ε=50nV。
所述步骤c中训练模型的具体步骤为:
步骤c1:含工频谐波噪声的磁共振信号Y(n)作为残差网络的输入,工频谐波噪声N(n)作为残差网络的输出,构造去工频谐波噪声的残差网络模型
x=y-RN(y;θ)
其中,RN表示搭建的残差网络,θ={W,b}为网络参数。
进行前向传播算法,将含噪数据作为残差网络的输入。设F为残差函数,h为恒等映射,xn为第n个残差块的输入,yn为第n个残差块的输出,Wn为第n个残差块的内部关系矩阵,则有
xn+1=yn=h(xn)+F(xn,Wn);
以残差块为单位进行前向传播:
步骤c3:进行反向传播算法:利用梯度下降法更新网络参数:
(Wk)’←Wk-β·xkδk+1
(bk)’←bk-β·δk+1,k=1,2,...,n-1,θ={W,b},β为学习速率;
当各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b小于停止更新的阈值ε时,停止梯度下降法并将W和b输出。
所述步骤d具体实施过程为:
在某MRS探测点进行实际数据采集获得数据集Ytest(n),此地点的拉莫尔频率应与网络训练的拉莫尔频率相近。将Ytest(n)输入进训练好的残差网络RN(y;θ)中,得到预测的工频谐波噪声输出为Ntest(n),利用Ytest(n)-Ntest(n)=Xtest(n),得到消去工频谐波噪声的信号Xtest(n)。
Claims (6)
1.一种基于深度残差网络的磁共振工频谐波噪声抑制方法,其特征在于,该方法包括:
形成数据集:建立仿真磁共振地下水探测仪采集的磁共振信号数据集X(n),加入多种频率的工频及其谐波噪声N(n),得到含工频谐波噪声的磁共振信号Y(n),形成训练数据集,其中每条信号的长度为N,每个数据集的信号个数为M;
构建网络:设计残差网络的结构,确定网络深度及残差块种类,将网络参数初始化;
训练模型:输入训练数据集,前向传播时计算误差,反向传播时利用梯度下降法更新网络参数,利用残差学习机制建立含噪信号与噪声之间的映射关系,使损失函数逐渐优化至最小;
测试模型:组建基于实际测量数据的测试数据集,利用训练好的模型进行降噪处理。
2.按照权利要求1所述的方法,其特征在于,残差网络包括:
卷积运算,对输入数据进行特征提取,第一层的卷积运算调整输入含噪信号的尺寸用于池化;
池化层,用于提取数据的特征信息,过滤冗余信息;
残差块,用于在深层网络中防止神经网络退化,使网络随着深度的增加获得更高的精度;
全连接层,设置在放在残差网络的末尾,使输出与输入尺寸相同。
3.按照权利要求2所述的方法,其特征在于,构建残差网络的具体步骤为:步骤a:选定残差块种类,确定残差网络结构的层数L、残差块个数n和每层隐藏层的类型及参数,定义卷积核的大小K、填充大小P以及步幅S;
步骤b:初始化网络参数θ={W,b}、学习速率β及停止迭代阈值ε,其中W、b分别表示各残差块内部的隐藏层与输出层的线性关系系数矩阵和偏倚向量。
4.按照权利要求1所述的方法,其特征在于,训练模型的具体步骤包括:
将含工频谐波噪声的磁共振信号Y(n)作为残差网络的输入,工频谐波噪声N(n)作为残差网络的输出,构造去工频谐波噪声的残差网络模型:
x=y-RN(y;θ)
其中,RN表示搭建的残差网络,θ={W,b}为网络参数,网络参数会在反向传播中不断更新,将仿真的含工频谐波噪声的核磁信号Y(n)输入进残差网络,含噪的磁共振信号数据y经网络前向传播算法输出工频谐波噪声数据RN(y;θ),将y减去噪声数据RN(y;θ)得到干净的信号x;
其中进行前向传播算法,将含噪数据作为残差网络的输入,引入残差块,所述残差块由多个卷积层加上一个恒等映射构成,设F为残差函数,h为恒等映射,xn为第n个残差块的输入,yn为第n个残差块的输出,Wn为第n个残差块的内部关系矩阵,则有:
xn+1=yn=h(xn)+F(xn,Wn);
其中,ReLU(x)=max(0,x)表示激活函数,*表示卷积操作,在单个卷积层内,卷积运算和激活操作之间利用BN算法进行批量归一化,来达到加速网络训练的目的。
5.按照权利要求4所述的方法,其特征在于,所述残差块的层数为两层,若aL为第n个两层残差块的输入张量,aL=xn,根据残差块结构则有
F(xn,Wn)=xn+1=aL+2
以残差块为单位进行前向传播:
进行反向传播算法:在残差网络中引入残差δ,利用损失函数J(θ)计算第n个残差块的残差:
则得到
其中bn为第n个残差块对应的偏倚向量,利用梯度下降法更新网络参数:
(Wk)’←Wk-β·xkδk+1
(bk)’←bk-β·δk+1,k=1,2,...,n-1,θ={W,b},β为学习速率;
当各隐藏层与输出层的线性关系系数矩阵W和偏倚向量b小于停止更新的阈值ε时,停止梯度下降法并将W和b输出,其中W、b分别表示各残差块内部的隐藏层与输出层的线性关系系数矩阵和偏倚向量。
6.按照权利要求1所述的方法,其特征在于,构建训练数据集的具体步骤为:
步骤a:使用MATLAB构建仿真的磁共振信号,表达式为其中t为时间,E0是初始振幅,T2 *是弛豫时间,fL是拉莫尔频率,/>是初始相位,得到X1(n),重复m次,得到信号个数为M,采集数据长度为N的核磁共振信号数据集X(n)=[X0(n),X1(n),X2(n),...,XM-1(n)];
步骤b:使用MATLAB构建仿真的工频谐波信号,表达式为其中k为工频谐波的次数,fN是基波频率,为50±0.1或60±0.1Hz,Ek和/>是k次谐波的初始振幅和相位,改变谐波次数k以构建不同频率,不同振幅的工频谐波噪声N(n)=[N0(n),N1(n),N2(n),...,NM-1(n)],信号个数为M,采集数据长度为N;
步骤c:根据Y(n)=X(n)+N(n),通过改变初始振幅、初始相位、谐波次数来构造多组的核磁共振信号数据集X(n)、和工频谐波噪声信号N(n),得到含噪的磁共振信号Y(n)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391111.9A CN116401513A (zh) | 2023-04-13 | 2023-04-13 | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391111.9A CN116401513A (zh) | 2023-04-13 | 2023-04-13 | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116401513A true CN116401513A (zh) | 2023-07-07 |
Family
ID=87012077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391111.9A Pending CN116401513A (zh) | 2023-04-13 | 2023-04-13 | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401513A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872487A (zh) * | 2024-03-08 | 2024-04-12 | 吉林大学 | 一种适用于油田原油渗漏检测的磁共振移动探测方法 |
-
2023
- 2023-04-13 CN CN202310391111.9A patent/CN116401513A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872487A (zh) * | 2024-03-08 | 2024-04-12 | 吉林大学 | 一种适用于油田原油渗漏检测的磁共振移动探测方法 |
CN117872487B (zh) * | 2024-03-08 | 2024-05-24 | 吉林大学 | 一种适用于油田原油渗漏检测的磁共振移动探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860273B (zh) | 基于卷积神经网络的磁共振地下水探测噪声抑制方法 | |
CN109828318B (zh) | 一种基于变分模态分解的磁共振测深信号噪声滤除方法 | |
CN112395992B (zh) | 一种基于改进小波阈值的电力谐波信号去噪方法 | |
CN109557429A (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
CN107729845B (zh) | 一种基于子空间特征值分解的实测频响函数降噪方法 | |
CN112882115B (zh) | 基于gwo优化小波阈值的大地电磁信号去噪方法及系统 | |
CN116401513A (zh) | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 | |
CN107886078A (zh) | 一种基于分层自适应阈值函数的小波阈值降噪方法 | |
CN114091538B (zh) | 一种基于信号特征的判别损失卷积神经网络智能降噪方法 | |
CN110716532A (zh) | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 | |
CN116561515A (zh) | 一种基于循环神经网络磁共振信号工频噪声抑制方法 | |
CN110263762B (zh) | 一种基于输出的半潜式海洋平台能量传递路径分析方法 | |
CN113887360A (zh) | 一种基于迭代扩展频散模态分解的频散波提取方法 | |
CN117574062A (zh) | 基于vmd-dnn模型的小回线瞬变电磁信号去噪方法 | |
Wang et al. | Wire rope damage detection signal processing using K-singular value decomposition and optimized double-tree complex wavelet transform | |
CN106980722B (zh) | 一种脉冲响应中谐波成分的检测和去除方法 | |
CN113624447A (zh) | 一种用于光纤光栅传感网络的复合去噪方法 | |
CN112883318A (zh) | 相减策略的多频衰减信号参数估计算法 | |
CN116148935A (zh) | 一种基于自适应自编码器的磁共振随机噪声抑制方法 | |
CN114813129B (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 | |
CN109871784B (zh) | 遗传算法优化匹配追踪的全波核磁共振信号噪声滤除方法 | |
CN113655534B (zh) | 基于多线性奇异值张量分解核磁共振fid信号噪声抑制方法 | |
CN114200232B (zh) | 一种输电线路故障行波波头检测方法及系统 | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
CN113556169A (zh) | 一种小波阈值去噪方法及基于所述方法的光时域反射仪 |
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 |