CN117240312B - 基于深度学习的滤波器优化方法 - Google Patents
基于深度学习的滤波器优化方法 Download PDFInfo
- Publication number
- CN117240312B CN117240312B CN202311507278.3A CN202311507278A CN117240312B CN 117240312 B CN117240312 B CN 117240312B CN 202311507278 A CN202311507278 A CN 202311507278A CN 117240312 B CN117240312 B CN 117240312B
- Authority
- CN
- China
- Prior art keywords
- data
- wireless communication
- extraction unit
- output end
- matrix
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 84
- 238000001914 filtration Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims description 63
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000017105 transposition Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Noise Elimination (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明提供了一种基于深度学习的滤波器优化方法,属于滤波器技术领域,本发明中滤波器考虑三方面的数据:多个采集的无线通信数据、多个历史滤波数据、以及采集的无线通信数据的变化值,并将三方面的多个数据构建为训练样本,对基于神经网络的滤波器进行训练,从而使得训练后的滤波器可以通过三方面的多个数据,得到最新采集的无线通信数据的滤波数据,本发明解决了现有的滤波方法存在滤波精度差的问题,提高通信质量。
Description
技术领域
本发明涉及滤波器技术领域,具体而言,涉及一种基于深度学习的滤波器优化方法。
背景技术
在通过射频ADC采集无线通信电磁波时,需要对无线通信数据进行滤波处理,从而保障计算获取信号的精度,避免噪声影响无线通信数据,从而影响通信质量。现有的滤波方法包括:均值滤波法、中位值滤波法、一阶滞后滤波法等。均值滤波方法和中位值滤波法在考虑多个采集的无线通信数据时,通过均值或中位值表达一段时间内的无线通信数据,仅能粗略体现一段时间内无线通信数据的情况,因此,采用均值滤波法和中位值滤波法存在滤波精度差的问题。一阶滞后滤波法考虑一个采集的无线通信数据和一个历史滤波无线通信数据,采集的无线通信数据和历史滤波无线通信数据考虑的数量少,同样存在滤波精度差的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于深度学习的滤波器优化方法解决了现有的滤波方法存在滤波精度差的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于深度学习的滤波器优化方法,包括以下步骤:
S1、通过射频ADC采集无线通信电磁波,得到无线通信数据,将无线通信数据构建为第一序列,无线通信数据的滤波数据构建为第二序列,无线通信数据的变化值构建为第三序列;
S2、将第一序列构建为第一矩阵,将第二序列构建为第二矩阵,将第三序列构建为第三矩阵;
S3、将第一矩阵、第二矩阵和第三矩阵作为训练样本;
S4、采用训练样本对基于神经网络的滤波器进行训练,得到训练完成的滤波器;
S5、采用训练完成的滤波器对传感器的实时无线通信数据进行处理,得到当前滤波数据。
进一步地,所述S1中第一序列为:,其中,/>为第一序列,为第1个无线通信数据,/>为第/>个无线通信数据,/>为第/>个无线通信数据,/>为总的无线通信数据数量,/>为无线通信数据的编号;第二序列为:/>,其中,/>为第二序列,/>为/>的滤波数据,/>为/>的滤波数据,/>为/>的滤波数据,为第/>个无线通信数据;第三序列为:,其中,/>为第三序列,/>为第2个无线通信数据,/>为第/>个无线通信数据。
进一步地,所述S2中第一矩阵为:,第二矩阵为:/>,第三矩阵为:/>,其中,/>为第一矩阵,/>为第二矩阵,/>为第三矩阵,/>为转置运算。
进一步地,所述S4中滤波器包括:第一数据特征提取单元、第二数据特征提取单元、第三数据特征提取单元、Concat层和BP神经网络;
所述Concat层的输入端分别与第一数据特征提取单元的输出端、第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接,其输出端与BP神经网络的输入端连接;所述BP神经网络的输出端作为滤波器的输出端;所述第一数据特征提取单元用于处理第一矩阵;所述第二数据特征提取单元用于处理第二矩阵;所述第三数据特征提取单元用于处理第三矩阵。
上述进一步地方案的有益效果为:本发明中通过三个数据特征提取单元分别处理三个矩阵,实现特征提取,通过Concat层对特征进行拼接,再通过BP神经网络进行预测,本发明中BP神经网络的输出层仅一个输出节点,仅输出一个预测的滤波数据,即的滤波数据,BP神经网络的隐藏层选择常用的激活函数,本发明中先是实现对数据的特征提取,找到每种矩阵的特征,再根据三种特征实现预测,提高滤波的精度,准确减少噪声的干扰。
进一步地,所述第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元均包括:第一卷积层、第二卷积层、第一注意力模块、第二注意力模块和加法器;
所述第一卷积层的输入端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输入端;所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接;所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接,其输出端与第二卷积层的输入端连接;所述第二卷积层的输出端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输出端。
上述进一步地方案的有益效果为:本发明设置了两路的注意力模块,从而对特征施加不同的关注度,一方面能提高提取所需特征的精度,另一方面能提高提取特征的数据量。
进一步地,所述第一注意力模块包括:最大池化层、第一softmax层和第一乘法器;
所述最大池化层的输入端与第一乘法器的第一输入端连接,并作为第一注意力模块的输入端;所述第一softmax层的输入端与最大池化层的输出端连接,其输出端与第一乘法器的第二输入端连接;所述第一乘法器的输出端作为第一注意力模块的输出端;所述第一乘法器用于将第一softmax层的输出和第一乘法器的第一输入端的输入进行哈达玛积。
进一步地,所述第二注意力模块包括:平均池化层、第二softmax层和第二乘法器;
所述平均池化层的输入端与第二乘法器的第一输入端连接,并作为第二注意力模块的输入端;所述第二softmax层的输入端与平均池化层的输出端连接,其输出端与第二乘法器的第二输入端连接;所述第二乘法器的输出端作为第二注意力模块的输出端;所述第二乘法器用于将第二softmax层的输出和第二乘法器的第一输入端的输入进行哈达玛积。
上述进一步地方案的有益效果为:在本发明中,一路注意力模块通过最大池化层提取显著特征,另一路注意力模块通过平均池化层提取全局特征,根据显著特征和全局特征分别对第一卷积层输出的特征施加不同关注度,再通过加法器实现特征的融合。
进一步地,所述S4中对基于神经网络的滤波器进行训练的损失函数为:
其中,为第/>次训练时的损失值,/>为以自然常数为底的指数函数,/>为取最大值,/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据,为第/>个无线通信数据/>的标签滤波数据,/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据,/>为正整数,/>为训练次数的编号,/>为对数函数,| |为绝对值运算。
上述进一步地方案的有益效果为:本发明中选取多次训练中的最大差距值,从而保障训练过程中,滤波器输出的滤波数据与标签滤波数据在多次训练过程中均保持较小的差距,并设置,在/>与/>越相近时,损失值越小,从而使得参数的下降幅值越小,更便于找到最优参数。
进一步地,训练过程中,基于神经网络的滤波器中参数更新的公式为:
其中,为第/>次训练时的参数,/>为第/>次训练时的参数,/>为最大更新步长,/>为自然常数,参数包括权重和偏置。
本发明实施例的技术方案至少具有如下优点和有益效果:
1、本发明中滤波器考虑三方面的数据:多个采集的无线通信数据、多个历史滤波数据、以及采集的无线通信数据的变化值,通过多个采集的无线通信数据体现一段时间内数据值情况,通过多个历史滤波数据体现最近滤波值情况,通过变化值体现采集的无线通信数据的变化情况,从而通过三方面的多个数据对最新采集的无线通信数据的滤波数据进行预估,提高滤波精度,准确减少噪声的干扰,相比于现有的滤波方法,本发明中考虑的数据是多方面的,且数据量更多,滤波精度更高,提高通信质量。
2、本发明中将三方面的多个数据构建为训练样本,对基于神经网络的滤波器进行训练,从而使得训练后的滤波器可以通过三方面的多个数据,得到最新采集的无线通信数据的滤波数据。
附图说明
图1为一种基于深度学习的滤波器优化方法的流程图;
图2为第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元的结构示意图;
图3为第一注意力模块的结构示意图;
图4为第二注意力模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种基于深度学习的滤波器优化方法,包括以下步骤:
S1、通过射频ADC采集无线通信电磁波,得到无线通信数据,将无线通信数据构建为第一序列,无线通信数据的滤波数据构建为第二序列,无线通信数据的变化值构建为第三序列;
S2、将第一序列构建为第一矩阵,将第二序列构建为第二矩阵,将第三序列构建为第三矩阵;
S3、将第一矩阵、第二矩阵和第三矩阵作为训练样本;
S4、采用训练样本对基于神经网络的滤波器进行训练,得到训练完成的滤波器;
S5、采用训练完成的滤波器对传感器的实时无线通信数据进行处理,得到当前滤波数据。
在本实施例中,步骤S5中将最新采集的个无线通信数据,最新/>个滤波数据,以及/>个无线通信数据对应变化值输入到滤波器中,输出的值为当前滤波数据。
所述S1中第一序列为:,其中,/>为第一序列,/>为第1个无线通信数据,/>为第/>个无线通信数据,/>为第/>个无线通信数据,/>为总的无线通信数据数量,/>为无线通信数据的编号;第二序列为:/>,其中,/>为第二序列,/>为/>的滤波数据,/>为/>的滤波数据,/>为/>的滤波数据,/>为第/>个无线通信数据;第三序列为:/>,其中,/>为第三序列,/>为第2个无线通信数据,/>为第/>个无线通信数据。
在本实施例中,第一序列为采集的多个无线通信数据,为最新采集的无线通信数据,即待滤波数据,第二序列为/>至/>的滤波数据,第三序列用于表达采集的多个无线通信数据的变化情况,使得基于神经网络的滤波器更好感知数据是处于上行或者下行状态。
所述S2中第一矩阵为:,第二矩阵为:/>,第三矩阵为:,其中,/>为第一矩阵,/>为第二矩阵,/>为第三矩阵,/>为转置运算。
在本实施例中,将三个序列构建为三个矩阵,更好便于基于神经网络的滤波器进行处理。
所述S4中滤波器包括:第一数据特征提取单元、第二数据特征提取单元、第三数据特征提取单元、Concat层和BP神经网络;
所述Concat层的输入端分别与第一数据特征提取单元的输出端、第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接,其输出端与BP神经网络的输入端连接;所述BP神经网络的输出端作为滤波器的输出端;所述第一数据特征提取单元用于处理第一矩阵;所述第二数据特征提取单元用于处理第二矩阵;所述第三数据特征提取单元用于处理第三矩阵。
本发明中通过三个数据特征提取单元分别处理三个矩阵,实现特征提取,通过Concat层对特征进行拼接,再通过BP神经网络进行预测,本发明中BP神经网络的输出层仅一个输出节点,仅输出一个预测的滤波数据,即的滤波数据,BP神经网络的隐藏层选择常用的激活函数,本发明中先是实现对数据的特征提取,找到每种矩阵的特征,再根据三种特征实现预测,提高滤波的精度,准确减少噪声的干扰。
如图2所示,所述第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元均包括:第一卷积层、第二卷积层、第一注意力模块、第二注意力模块和加法器;
所述第一卷积层的输入端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输入端;所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接;所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接,其输出端与第二卷积层的输入端连接;所述第二卷积层的输出端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输出端。
本发明设置了两路的注意力模块,从而对特征施加不同的关注度,一方面能提高提取所需特征的精度,另一方面能提高提取特征的数据量。
如图3所示,所述第一注意力模块包括:最大池化层、第一softmax层和第一乘法器;
所述最大池化层的输入端与第一乘法器的第一输入端连接,并作为第一注意力模块的输入端;所述第一softmax层的输入端与最大池化层的输出端连接,其输出端与第一乘法器的第二输入端连接;所述第一乘法器的输出端作为第一注意力模块的输出端;所述第一乘法器用于将第一softmax层的输出和第一乘法器的第一输入端的输入进行哈达玛积。
如图4所示,所述第二注意力模块包括:平均池化层、第二softmax层和第二乘法器;
所述平均池化层的输入端与第二乘法器的第一输入端连接,并作为第二注意力模块的输入端;所述第二softmax层的输入端与平均池化层的输出端连接,其输出端与第二乘法器的第二输入端连接;所述第二乘法器的输出端作为第二注意力模块的输出端;所述第二乘法器用于将第二softmax层的输出和第二乘法器的第一输入端的输入进行哈达玛积。
在本发明中,一路注意力模块通过最大池化层提取显著特征,另一路注意力模块通过平均池化层提取全局特征,根据显著特征和全局特征分别对第一卷积层输出的特征施加不同关注度,再通过加法器实现特征的融合。
所述S4中对基于神经网络的滤波器进行训练的损失函数为:
其中,为第/>次训练时的损失值,/>为以自然常数为底的指数函数,/>为取最大值,/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据,为第/>个无线通信数据/>的标签滤波数据,/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据,/>为正整数,/>为训练次数的编号,/>为对数函数,| |为绝对值运算。
本发明中选取多次训练中的最大差距值,从而保障训练过程中,滤波器输出的滤波数据与标签滤波数据在多次训练过程中均保持较小的差距,并设置,在/>与越相近时,损失值越小,从而使得参数的下降幅值越小,更便于找到最优参数。
训练过程中,基于神经网络的滤波器中参数更新的公式为:
其中,为第/>次训练时的参数,/>为第/>次训练时的参数,/>为最大更新步长,/>为自然常数,参数包括权重和偏置。
均值滤波法和中位值滤波法虽然考虑了多个采集的无线通信数据,但是通过均值或中位值表达一段时间内的无线通信数据,仅能简单削弱噪声的影响,无法进行更精确的滤波。
一阶滞后滤波法考虑一个采集的无线通信数据和一个历史滤波无线通信数据,数据参考量少,容易受到噪声影响,滤波精度有限。
本发明中滤波器考虑三方面的数据:多个采集的无线通信数据、多个历史滤波数据、以及采集的无线通信数据的变化值,通过多个采集的无线通信数据体现一段时间内数据值情况,通过多个历史滤波数据体现最近滤波值情况,通过变化值体现采集的无线通信数据的变化情况,从而通过三方面的多个数据对最新采集的无线通信数据的滤波数据进行预估,提高滤波精度,准确减少噪声的干扰,相比于现有的滤波方法,本发明中考虑的数据是多方面的,且数据量更多,滤波精度更高。
本发明中将三方面的多个数据构建为训练样本,对基于神经网络的滤波器进行训练,从而使得训练后的滤波器可以通过三方面的多个数据,得到最新采集的无线通信数据的滤波数据。
以上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 (5)
1.一种基于深度学习的滤波器优化方法,其特征在于,包括以下步骤:
S1、通过射频ADC采集无线通信电磁波,得到无线通信数据,将无线通信数据构建为第一序列,无线通信数据的滤波数据构建为第二序列,无线通信数据的变化值构建为第三序列;所述第一序列为:,其中,/>为第一序列,/>为第1个无线通信数据,/>为第/>个无线通信数据,/>为第/>个无线通信数据,/>为总的无线通信数据数量,/>为无线通信数据的编号;第二序列为:/>,其中,/>为第二序列,/>为的滤波数据,/>为/>的滤波数据,/>为/>的滤波数据,/>为第/>个无线通信数据;第三序列为:/>,其中,/>为第三序列,/>为第2个无线通信数据,/>为第/>个无线通信数据;
S2、将第一序列构建为第一矩阵,将第二序列构建为第二矩阵,将第三序列构建为第三矩阵;所述第一矩阵为:,第二矩阵为:/>,第三矩阵为:/>,其中,/>为第一矩阵,/>为第二矩阵,/>为第三矩阵,/>为转置运算;
S3、将第一矩阵、第二矩阵和第三矩阵作为训练样本;
S4、采用训练样本对基于神经网络的滤波器进行训练,得到训练完成的滤波器;所述滤波器包括:第一数据特征提取单元、第二数据特征提取单元、第三数据特征提取单元、Concat层和BP神经网络;
所述Concat层的输入端分别与第一数据特征提取单元的输出端、第二数据特征提取单元的输出端和第三数据特征提取单元的输出端连接,其输出端与BP神经网络的输入端连接;所述BP神经网络的输出端作为滤波器的输出端;所述第一数据特征提取单元用于处理第一矩阵;所述第二数据特征提取单元用于处理第二矩阵;所述第三数据特征提取单元用于处理第三矩阵;
所述第一数据特征提取单元、第二数据特征提取单元和第三数据特征提取单元均包括:第一卷积层、第二卷积层、第一注意力模块、第二注意力模块和加法器;所述第一卷积层的输入端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输入端;所述第一卷积层的输出端分别与第一注意力模块的输入端和第二注意力模块的输入端连接;所述加法器的输入端分别与第一注意力模块的输出端和第二注意力模块的输出端连接,其输出端与第二卷积层的输入端连接;所述第二卷积层的输出端作为第一数据特征提取单元、第二数据特征提取单元或第三数据特征提取单元的输出端;
S5、采用训练完成的滤波器对传感器的实时无线通信数据进行处理,得到当前滤波数据。
2.根据权利要求1所述的基于深度学习的滤波器优化方法,其特征在于,所述第一注意力模块包括:最大池化层、第一softmax层和第一乘法器;
所述最大池化层的输入端与第一乘法器的第一输入端连接,并作为第一注意力模块的输入端;所述第一softmax层的输入端与最大池化层的输出端连接,其输出端与第一乘法器的第二输入端连接;所述第一乘法器的输出端作为第一注意力模块的输出端;所述第一乘法器用于将第一softmax层的输出和第一乘法器的第一输入端的输入进行哈达玛积。
3.根据权利要求1所述的基于深度学习的滤波器优化方法,其特征在于,所述第二注意力模块包括:平均池化层、第二softmax层和第二乘法器;
所述平均池化层的输入端与第二乘法器的第一输入端连接,并作为第二注意力模块的输入端;所述第二softmax层的输入端与平均池化层的输出端连接,其输出端与第二乘法器的第二输入端连接;所述第二乘法器的输出端作为第二注意力模块的输出端;所述第二乘法器用于将第二softmax层的输出和第二乘法器的第一输入端的输入进行哈达玛积。
4.根据权利要求1所述的基于深度学习的滤波器优化方法,其特征在于,所述S4中对基于神经网络的滤波器进行训练的损失函数为:
其中,为第/>次训练时的损失值,/>为以自然常数为底的指数函数,/>为取最大值,/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据,/>为第/>个无线通信数据/>的标签滤波数据,/>为第/>次训练时滤波器输出的第/>个无线通信数据/>的滤波数据,/>为正整数,/>为训练次数的编号,/>为对数函数,| |为绝对值运算。
5.根据权利要求4所述的基于深度学习的滤波器优化方法,其特征在于,训练过程中,基于神经网络的滤波器中参数更新的公式为:
其中,为第/>次训练时的参数,/>为第/>次训练时的参数,/>为最大更新步长,/>为自然常数,参数包括权重和偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507278.3A CN117240312B (zh) | 2023-11-14 | 2023-11-14 | 基于深度学习的滤波器优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507278.3A CN117240312B (zh) | 2023-11-14 | 2023-11-14 | 基于深度学习的滤波器优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117240312A CN117240312A (zh) | 2023-12-15 |
CN117240312B true CN117240312B (zh) | 2024-01-23 |
Family
ID=89082926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507278.3A Active CN117240312B (zh) | 2023-11-14 | 2023-11-14 | 基于深度学习的滤波器优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117240312B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
WO2022059024A1 (en) * | 2020-09-17 | 2022-03-24 | Lightmetrics Technologies Pvt. Ltd. | Methods and systems for unstructured pruning of a neural network |
CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
WO2022113274A1 (ja) * | 2020-11-27 | 2022-06-02 | 日本電信電話株式会社 | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
CN114724036A (zh) * | 2022-04-13 | 2022-07-08 | 中国科学院大学 | 一种基于多尺度学习的冰裂隙检测方法 |
-
2023
- 2023-11-14 CN CN202311507278.3A patent/CN117240312B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
WO2022059024A1 (en) * | 2020-09-17 | 2022-03-24 | Lightmetrics Technologies Pvt. Ltd. | Methods and systems for unstructured pruning of a neural network |
WO2022113274A1 (ja) * | 2020-11-27 | 2022-06-02 | 日本電信電話株式会社 | 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム |
CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
CN114724036A (zh) * | 2022-04-13 | 2022-07-08 | 中国科学院大学 | 一种基于多尺度学习的冰裂隙检测方法 |
Non-Patent Citations (3)
Title |
---|
Deep Conditional Generative Adversarial Network for History Matching with Complex Geologies;Yunxue Lv et al.;《2021 40th Chinese Control Conference (CCC)》;第8481-8487页 * |
基于扰动抑制的量化神经网络鲁棒性研究;梁金鹏;《中国学位论文全文数据库》;全文 * |
基于神经网络的电磁干扰滤波器建模及设计研究;陆德政;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117240312A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582555B (zh) | 基于地基云图图像特征的光伏功率预测方法 | |
CN112867010B (zh) | 基于卷积神经网络的射频指纹嵌入式实时识别方法及系统 | |
CN112367284B (zh) | 概率整形星座下的概率分布识别方法、装置、设备及介质 | |
CN110632386B (zh) | 一种太阳射电干扰滤除方法、可读存储介质及电子设备 | |
CN117240312B (zh) | 基于深度学习的滤波器优化方法 | |
CN113657472B (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
CN116321255A (zh) | 一种无线联邦学习中高时效模型压缩和用户调度方法 | |
CN106768243A (zh) | 一种快速锁定准确重量方法 | |
CN110441599A (zh) | 一种用于频谱仪的检波方法和装置、可读存储介质 | |
CN115834310B (zh) | 一种基于LGTransformer的通信信号调制识别方法 | |
CN108880672B (zh) | Bosa组件的校准方法及系统 | |
CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
CN114114117A (zh) | 一种基于深度学习的磁共振波谱相位校正方法 | |
CN114501344B (zh) | 一种基于无线测距技术的海量LoRa节点快速自组网通信方法 | |
CN111988252A (zh) | 基于深度学习的信号调制方式识别方法 | |
CN114925313A (zh) | 一种基于分布式链路追踪动态采样率的自适应方法及系统 | |
CN110233684B (zh) | 信噪比评估方法、装置、设备及存储介质 | |
CN112769414B (zh) | 一种基于自适应滤波器的干扰信号处理方法及装置 | |
CN111919220A (zh) | 自适应预编码模型训练方法、自适应预编码方法和基站 | |
CN110926435B (zh) | 一种远程水文水资源数据采集处理系统及方法 | |
CN113655791B (zh) | 一种基于线性ccd摄像头的车辆寻迹方法及系统 | |
CN114143812B (zh) | 基于5g的网络资源优化方法、系统、装置及存储介质 | |
CN114580758B (zh) | 一种多城市自动能源负荷预测方法及系统 | |
CN110492953B (zh) | 一种基于软件无线电的室内多径信号测量方法 | |
WO2021137801A1 (en) | Blind identification of channel tap numbers in wireless communication |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |