CN117407663A - 一种基于卷积神经网络的全波形数据去噪方法 - Google Patents

一种基于卷积神经网络的全波形数据去噪方法 Download PDF

Info

Publication number
CN117407663A
CN117407663A CN202311723903.8A CN202311723903A CN117407663A CN 117407663 A CN117407663 A CN 117407663A CN 202311723903 A CN202311723903 A CN 202311723903A CN 117407663 A CN117407663 A CN 117407663A
Authority
CN
China
Prior art keywords
dense
data
layer
convolution
full waveform
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.)
Granted
Application number
CN202311723903.8A
Other languages
English (en)
Other versions
CN117407663B (zh
Inventor
吕婧
张新杰
杜立彬
柳泽政
刘杰
孟祥谦
李雨鑫
庞家豪
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and 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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202311723903.8A priority Critical patent/CN117407663B/zh
Publication of CN117407663A publication Critical patent/CN117407663A/zh
Application granted granted Critical
Publication of CN117407663B publication Critical patent/CN117407663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/14Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141Discrete Fourier transforms
    • G06F17/142Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/10Pre-processing; Data cleansing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02Preprocessing
    • G06F2218/04Denoising
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于卷积神经网络的全波形数据去噪方法,属于激光雷达数据处理技术领域,具体包括如下步骤:激光雷达采集原始数据。对原始数据十六进制数据转换为十进制数据。建立一维卷积稠密连接网络,利用一维卷积稠密连接网络进行全波形数据去噪。将去噪后的机载激光雷达全波形数据输出。本发明的技术方案克服现有技术中全波形数据去噪效果较差和在经验模态分解中要靠人为选择高频分量,实现全波形数据的去噪的问题。

Description

一种基于卷积神经网络的全波形数据去噪方法
技术领域
本发明涉及激光雷达数据处理技术领域,具体涉及一种基于卷积神经网络的全波形数据去噪方法。
背景技术
机载激光雷达是一种主动式探测装备,搭载于有人机或无人机上,通过发射脉冲激光束,接收后向散射回波来测量路径上有关目标的距离等信息,在地理测绘、军事侦察等方面发挥重要作用。目前对于海洋海底地形探测大多使用声呐和多波束等设备,但对于近海岸浅滩等受限于设备搭载船只无法航行的区域,这些探测设备都无法发挥作用。而机载激光测深雷达不受水域影响,可以应对各种复杂水域情况,得到水底地形数据,同时也可以获取水面目标数据,实现一体化探测。
机载激光测深雷达的数据采集系统接收脉冲激光的反射回波并记录存储,完整记录每一条发射激光的回波强度信息,这种信息称为全波形数据。记录目标回波的全波形数据是实现激光测深的基础,全波形数据按照时间序列记录回波强度,利用发射激光和接收到目标回波信号之间的时间差计算发射点与目标之间的距离。当路径上存在多个目标时,会记录到多个回波信号,全波形数据是多个回波信号数据叠加而成的。
在实际情况中,全波形数据会受到各种噪声的干扰,这些噪声可能源于环境噪声、反射噪声和雷达系统噪声等。这些噪声会干扰提取全波形数据的距离信息,严重时会将目标的回波信息淹没在噪声中,极大影响激光测深雷达的测深精度。所以将原始的全波形数据进行去噪就显得极为重要。
在现有技术中中,大都采用传统的去噪方法。例如:高斯滤波器或低通滤波器被广泛使用,但这些滤波器的去噪能力有限,当低信噪比时去噪效果不理想。现有技术中还有使用基于小波变换的去噪方法和经验模态分解的方法。小波去噪方法中的基函数选择对去噪效果会产生关键影响,但基函数选择大都依靠经验,缺乏原则依据。经验模态分解方法的去噪效果严重依赖人为选择的高频分量。
因此,现需要一种去噪效果较好、在经验模态分解中不依靠人为选择高频分量的基于卷积神经网络的全波形数据去噪方法。
本发明的技术方案克服现有技术中全波形数据去噪效果较差和在经验模态分解中要靠人为选择高频分量,实现全波形数据的去噪的问题。
发明内容
本发明的主要目的在于提供一种基于卷积神经网络的全波形数据去噪方法,以解决现有技术中全波形数据去噪效果较差和在经验模态分解中要靠人为选择高频分量,实现全波形数据的去噪的问题。
为实现上述目的,本发明提供了一种基于卷积神经网络的全波形数据去噪方法,具体包括如下步骤:
S1,激光雷达采集原始数据。
S2,对原始数据十六进制数据转换为十进制数据。
S3,建立一维卷积稠密连接网络,利用一维卷积稠密连接网络进行全波形数据去噪。
S4,将去噪后的机载激光雷达全波形数据输出。
进一步地,步骤S2具体包括如下步骤:
S2.1,调用系统线程,读取计算机处理器的总线程数,确定要使用的线程数量。
S2.2,各个线程加载原始数据的每一批数据,之后各个线程进行相同流程的操作,即将数据从十六进制有符号数转换为十进制的回波强度数据。
S2.3,按照批次顺序保存为一个全波形数据文件。
进一步地,步骤S3具体包括如下步骤:
S3.1,建立一维卷积稠密连接网络包括:输入层、八个稠密块、八个过渡层和输出层;并且输入层连接第一稠密块后再连接第一过渡层,然后其余七个稠密块和七个过渡层交替连接,最后连接输出层。
S3.2,将全波形数据输入输入层,输入层包括输入操作和卷积操作,卷积操作利用 复合函数表示,复合函数依次执行:数据批归一化、一维卷积和ReLU激活函数操 作,经过一维卷积后的全波形数据提升维度。
S3.3,经过升维后的全波形数据进入第一稠密块进行特征提取,第一稠密块由六 个稠密层稠密连接构成,并每个稠密层由两个大小不同的卷积核构成的卷积层连接组成, 若稠密块中的第个稠密层的输出为,稠密层执行的操作用表示,则第个稠密层的 输出可表示为:
若在稠密块中每个稠密层的通道数的增长率为,数据在输入稠密层前的通道数 为,则经过个稠密层后的通道数表示为:
S3.4,全波形数据进入第一过渡层,数据经过第一过渡层中的一维卷积层后通道数被压缩,随后进行平均池化操作。
S3.5,随后数据再通过七次如步骤S3.3-步骤S3.5的操作,最后经过输出层输出,输出层由一个卷积层和输出操作组成,卷积层将通道数压缩,输出操作批量输出去噪数据。
进一步地,步骤S3.3中,每个稠密块中包括六个稠密层,每个稠密块中的每个稠密层都与其他稠密层直接连接,这种连接方式称为稠密连接。
进一步地,步骤S3.2中的一维卷积的卷积核为1*3。
进一步地,步骤S3.3中的每个稠密层中的两个大小不同的卷积核分别为:1*5和1*1,并且数据先经过卷积核为1*5的卷积层,再经过1*1的卷积层。
进一步地,步骤S3.4中的一维卷积层的卷积核为1*1。
进一步地,步骤S3.5中的卷积层的卷积核为1*1。
本发明具有如下有益效果:
利用本发明提供的数据转换方法可以将全波形数据的原始十六进制格式快速转换为规范要求的全波形数据。
利用本发明提供的全波形数据去噪方法,与传统去噪方法相比提高了准确性。
本发明以稠密连接网络结构为框架,编写了一维卷积稠密连接网络用于全波形数据去噪处理。将稠密块和过渡层的数量扩充为8个,稠密层中的卷积操作变更为两步卷积操作,有利于网络学习高维度特征。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了根据本发明的一种基于卷积神经网络的全波形数据去噪方法的流程图。
图2示出了本发明中的稠密块内的稠密层的连接方式示意图。
图3示出了本发明中的稠密块的部分稠密层的特征图通道数示意图。
图4示出了利用本发明提供的方法对理想数据添加噪声后进行去噪后的数据对比图。
图5示出了利用本发明提供的方法对实测数据进行去噪后的数据对比图。
具体实施方式
下面将结合附图对本发明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。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。
如图1所示的一种基于卷积神经网络的全波形数据去噪方法,具体包括如下步骤:
S1,激光雷达采集原始数据。
S2,对原始数据十六进制数据转换为十进制数据。
S3,建立一维卷积稠密连接网络,利用一维卷积稠密连接网络进行全波形数据去噪。
S4,将去噪后的机载激光雷达全波形数据输出。
具体地,步骤S2具体包括如下步骤:
S2.1,调用系统线程,读取计算机处理器的总线程数,确定要使用的线程数量。
S2.2,各个线程加载原始数据的每一批数据,之后各个线程进行相同流程的操作,即将数据从十六进制有符号数转换为十进制的回波强度数据。
S2.3,按照批次顺序保存为一个全波形数据文件。
具体地,步骤S3具体包括如下步骤:
S3.1,建立一维卷积稠密连接网络包括:输入层、八个稠密块、八个过渡层和输出层;并且输入层连接第一稠密块后再连接第一过渡层,然后其余七个稠密块和七个过渡层交替连接,最后连接输出层。一维卷积稠密连接网络中的各个层的连接方式为:输入层连接第一稠密块后连接第一过渡层,第一过渡层连接第二稠密块后再连接第二过渡层;依次类推,第八稠密块连接第八过渡层后连接输出层。
S3.2,将全波形数据输入输入层,输入层包括输入操作和卷积操作,卷积操作利用 复合函数表示,复合函数依次执行:数据批归一化、一维卷积和ReLU激活函数操 作,经过一维卷积后的全波形数据提升维度。
S3.3,经过升维后的全波形数据进入第一稠密块进行特征提取,第一稠密块由六 个稠密层稠密连接构成,并每个稠密层由两个大小不同的卷积核构成的卷积层连接组成, 若稠密块中的第个稠密层的输出为,稠密层执行的操作用表示,则第个稠密层的 输出可表示为:
若在稠密块中每个稠密层的通道数的增长率为,数据在输入稠密层前的通道数 为,则经过个稠密层后的通道数表示为:
S3.4,全波形数据进入第一过渡层,数据经过第一过渡层中的一维卷积层后通道数被压缩,随后进行平均池化操作。
S3.5,随后数据再通过七次如步骤S3.3-步骤S3.5的操作,最后经过输出层输出,输出层由一个卷积层和输出操作组成,卷积层将通道数压缩,输出操作批量输出去噪数据。
一维卷积稠密连接网络是基于DenseNet网络改进而来。DenseNet用于计算机视觉领域的图像识别,网络从特征提取入手,通过多层特征的稠密连接,实现了简洁的网络结构和高效的识别结果。同时网络对于计算性能的要求较低,能够显著的降低存储和带宽的开销,节省运行成本。基于以上DenseNet的多种优点,设计了用于全波形数据去噪的一维卷积稠密连接网络,它继承了DenseNet网络的结构特点,利用了稠密连接方式加强了特征重用,减少参数量有助于提升训练速度。
具体地,如图2所示,一个稠密块由6个稠密层构成,每个稠密层中特征图的大小相同,这样可以在通道上对特征图进行合并,把通道数合并后的特征图作为下一个稠密层的输入,即当前稠密层会将之前所有稠密层输出的特征图作为输入。这种连接方式称为稠密连接,稠密连接加强了特征信息的流动和特征重用,提高了特征的流动效率。
图3从特征图通道数的角度说明稠密连接机制,图3中的每一个圆圈表示一个稠密 层,图3中的一个长方形表示一条一维的序列数据,表示进入这三个稠密层前的通道数,分别表示第一稠密层、第二稠密层、第三稠密层后输出的通道数。稠密连接的 作用是每一个稠密层之后,得到的不仅有对应的输出,得到的是前面所有稠密层输出的数 据在通道维度上叠加产生的数据。图3中第三个稠密层的输入通道不仅包含来自第二个稠 密层的输出,还有之间的通道数,它们的是在通道维度上连接在一起的。
具体地,步骤S3.3中,每个稠密块中包括六个稠密层,每个稠密块中的每个稠密层都与其他稠密层直接连接,这种连接方式称为稠密连接。
具体地,步骤S3.2中的一维卷积的卷积核为1*3。
具体地,步骤S3.3中的每个稠密层中的两个大小不同的卷积核分别为:1*5和1*1,并且数据先经过卷积核为1*5的卷积层,再经过1*1的卷积层。1*5卷积用于数据维度的提升,用于学习到更多数据特征,然后通过1*1卷积压缩维度数,将维度数的增长率保持为k。
具体地,步骤S3.4中的一维卷积层的卷积核为1*1。
具体地,步骤S3.5中的卷积层的卷积核为1*1。
实施例一
下面利用本发明提供的方法对实际激光雷达采集的全波形数据进行去噪。
激光雷达采集的全波形数据存储在硬盘中,以十六进制存储,两个字节的十六进制数转换为一个十进制的激光回波数据。
以二进制格式读取原始数据文件,原始数据文件为一分钟激光雷达记录的全波形数据,每一行数据有32个字节的十六进制数,共有3.072亿行数据。依照数据转换流程,计算CPU的线程数,为每个线程分配相同行数的数据,并记录分配数据的顺序位置。分块加载数据完成后,每个线程中都将执行以下相同操作。
将每个字节的十六进制数转换为对应的十进制数,转换完成后,每相邻的两个十 进制数为一组按照下列公式计算为一个回波强度数据:某一行中的转换的十进制数为
其中为偶数且表示全波形数据。
当转换为回波强度数据后,每一行有16个数据,分块数据按照顺序拼接为3.072亿行、16列的回波数据矩阵。最后按照激光雷达扫描格式将1024行数据拼接为1行数据,形成30万行,16384列的一分钟全波形回波数据。
当完成数据转换的流程后,下一步是对全波形数据的去噪处理。
将全波形数据分批输入一维卷积稠密连接网络中,网络中的卷积操作可以看作是批归一化、一维卷积和ReLU激活的复合作用。数据首先经过一个卷积核为1*3一维卷积层,增加数据通道,提升数据维度。然后升维后的数据进入稠密块1中进行特征提取,稠密块包含6个稠密层,每个稠密层是两个卷积核为1*5和1*1的卷积操作。网络的增长率设定为16,数据经过稠密块1的操作后,通道数增长为112。之后数据进入过渡层1的处理步骤中,包含一个卷积核为1*1的卷积操作,将通道数压缩为16,然后进行平均池化操作。数据通过后续稠密块和过渡层进行的操作与稠密块1和过渡层1相同,直至最后的输出层。网络通过复用稠密块和过渡层的方式减少参数量,简化了模型复杂度,使网络易于训练和应用。输出层的卷积操作卷积核大小为1*1,将数据通道压缩为1,得到最终去噪数据。
通过仿真全波形数据的训练集、测试集完成一维卷积稠密链接网络模型的训练和去噪效果的测试,并使用实测全波形数据进行验证,得到的结果如图所示。
为反映网络模型的处理效果,选取决定系数()指标来衡量去噪数据与理想数 据之间的相似程度。 的计算公式为:
式中,为全波形数据的总数,分别表示网络输出的去噪数据,全波形 数据的均值和理想数据。介于0到1之间,越接近1则说明两条波形的相似程度越高。经计 算测试集中5000条全波形数据,的结果为0.99846。
图4中理想数据为生成的无噪声仿真数据,加噪声数据中添加了随机噪声,去噪数据是经过一维卷积稠密连接网络处理后的数据结果。理想数据中设定的距离提取位置在69.8ns和83.8ns处,经处理后的提取位置为69.5ns和83.2ns处。图5中为实测数据和去噪数据的波形展示,全波形信息提取的偏差在要求以内。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。

Claims (8)

1.一种基于卷积神经网络的全波形数据去噪方法,其特征在于,具体包括如下步骤:
S1,激光雷达采集原始数据;
S2,对原始数据十六进制数据转换为十进制数据;
S3,建立一维卷积稠密连接网络,利用一维卷积稠密连接网络进行全波形数据去噪;
S4,将去噪后的机载激光雷达全波形数据输出。
2.根据权利要求1所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S2具体包括如下步骤:
S2.1,调用系统线程,读取计算机处理器的总线程数,确定要使用的线程数量;
S2.2,各个线程加载原始数据的每一批数据,之后各个线程进行相同流程的操作,即将数据从十六进制有符号数转换为十进制的回波强度数据;
S2.3,按照批次顺序保存为一个全波形数据文件。
3.根据权利要求1所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S3具体包括如下步骤:
S3.1,建立一维卷积稠密连接网络包括:输入层、八个稠密块、八个过渡层和输出层;并且输入层连接第一稠密块后再连接第一过渡层,然后其余七个稠密块和七个过渡层交替连接,最后连接输出层;
S3.2,将全波形数据输入输入层,输入层包括输入操作和卷积操作,卷积操作利用复合函数表示,复合函数/>依次执行:数据批归一化、一维卷积和ReLU激活函数操作,经过一维卷积后的全波形数据提升维度;
S3.3,经过升维后的全波形数据进入第一稠密块进行特征提取,第一稠密块由六个稠密层稠密连接构成,并每个稠密层由两个大小不同的卷积核构成的卷积层连接组成,若稠密块中的第个稠密层的输出为/>,稠密层执行的操作用/>表示,则第/>个稠密层的输出可表示为:
若在稠密块中每个稠密层的通道数的增长率为,数据在输入稠密层前的通道数为/>,则经过/>个稠密层后的通道数/>表示为:
S3.4,全波形数据进入第一过渡层,数据经过第一过渡层中的一维卷积层后通道数被压缩,随后进行平均池化操作;
S3.5,随后数据再通过七次如步骤S3.3-步骤S3.5的操作,最后经过输出层输出,输出层由一个卷积层和输出操作组成,卷积层将通道数压缩,输出操作批量输出去噪数据。
4.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S3.3中,每个稠密块中包括六个稠密层,每个稠密块中的每个稠密层都与其他稠密层直接连接,这种连接方式称为稠密连接。
5.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S3.2中的一维卷积的卷积核为1*3。
6.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S3.3中的每个稠密层中的两个大小不同的卷积核分别为:1*5和1*1;并且数据先经过卷积核为1*5的卷积层,再经过1*1的卷积层。
7.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S3.4中的一维卷积层的卷积核为1*1。
8.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法,其特征在于,步骤S3.5中的卷积层的卷积核为1*1。
CN202311723903.8A 2023-12-15 2023-12-15 一种基于卷积神经网络的全波形数据去噪方法 Active CN117407663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311723903.8A CN117407663B (zh) 2023-12-15 2023-12-15 一种基于卷积神经网络的全波形数据去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311723903.8A CN117407663B (zh) 2023-12-15 2023-12-15 一种基于卷积神经网络的全波形数据去噪方法

Publications (2)

Publication Number Publication Date
CN117407663A true CN117407663A (zh) 2024-01-16
CN117407663B CN117407663B (zh) 2024-03-26

Family

ID=89491173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311723903.8A Active CN117407663B (zh) 2023-12-15 2023-12-15 一种基于卷积神经网络的全波形数据去噪方法

Country Status (1)

Country Link
CN (1) CN117407663B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN109859172A (zh) * 2019-01-08 2019-06-07 浙江大学 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
CN112258415A (zh) * 2020-10-27 2021-01-22 浙江工业大学 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法
US20210216877A1 (en) * 2019-12-16 2021-07-15 Korea Advanced Institute Of Science And Technology Ultra-high sensitive target signal detection method based on noise analysis using deep learning based anomaly detection and system using the same
CN113327205A (zh) * 2021-06-01 2021-08-31 电子科技大学 基于卷积神经网络的相位去噪网络及方法
CN115759202A (zh) * 2022-11-22 2023-03-07 江苏济远医疗科技有限公司 一种可变空洞卷积的稠密图像超分辨率网络
CN115964616A (zh) * 2022-12-08 2023-04-14 之江实验室 一种分布式声波传感系统数据降噪方法、装置及存储介质
CN116029916A (zh) * 2022-10-31 2023-04-28 中国计量大学 基于结合稠密小波的双分支网络的低照度图像增强方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765319A (zh) * 2018-05-09 2018-11-06 大连理工大学 一种基于生成对抗网络的图像去噪方法
CN109859172A (zh) * 2019-01-08 2019-06-07 浙江大学 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
US20210216877A1 (en) * 2019-12-16 2021-07-15 Korea Advanced Institute Of Science And Technology Ultra-high sensitive target signal detection method based on noise analysis using deep learning based anomaly detection and system using the same
CN112258415A (zh) * 2020-10-27 2021-01-22 浙江工业大学 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法
CN113327205A (zh) * 2021-06-01 2021-08-31 电子科技大学 基于卷积神经网络的相位去噪网络及方法
CN116029916A (zh) * 2022-10-31 2023-04-28 中国计量大学 基于结合稠密小波的双分支网络的低照度图像增强方法
CN115759202A (zh) * 2022-11-22 2023-03-07 江苏济远医疗科技有限公司 一种可变空洞卷积的稠密图像超分辨率网络
CN115964616A (zh) * 2022-12-08 2023-04-14 之江实验室 一种分布式声波传感系统数据降噪方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIONG YAOHUA 等: "A SAR Oil Spill Image Recognition Method Based on DenseNet Convolutional Neural Network", 《IEEE》, 31 August 2019 (2019-08-31) *
张攀龙;李尧;张田涛;岳景杭;董锐;曹帅;张庆松;: "基于U-Net深度神经网络的地震数据去噪研究", 金属矿山, no. 01, 15 January 2020 (2020-01-15) *
杜立彬等: "基于辐射噪声特征的舰船目标识别分类方法综述", 《数字海洋与水下攻防》, 31 October 2023 (2023-10-31) *
王婕等: "一种改进的多尺度融合并行稠密残差去噪网络", 《小型微型计算机系统》, 30 April 2021 (2021-04-30) *

Also Published As

Publication number Publication date
CN117407663B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN107220606B (zh) 基于一维卷积神经网络的雷达辐射源信号的识别方法
CN110163813B (zh) 一种图像去雨方法、装置、可读存储介质及终端设备
CN108845306B (zh) 基于变分模态分解的激光雷达回波信号去噪方法
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN111007566B (zh) 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法
CN111624570B (zh) 基于二维卷积神经网络的雷达目标识别方法
CN111445395A (zh) 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法
CN115311531A (zh) 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法
CN112215199A (zh) 基于多感受野与密集特征聚合网络的sar图像舰船检测方法
CN116468995A (zh) 一种联合slic超像素和图注意力网络的声呐图像分类方法
CN112819199A (zh) 降水量的预测方法、装置、设备和存储介质
CN117407663B (zh) 一种基于卷积神经网络的全波形数据去噪方法
CN112881986B (zh) 基于优化深度模型的雷达切片存储转发式干扰抑制方法
CN114065809A (zh) 一种乘用车异响识别方法、装置、电子设备以及存储介质
CN113191962A (zh) 基于环境背景光的水下图像颜色恢复方法、装置及存储介质
CN112307926A (zh) 一种基于生成对抗网络的声学被动式舰船目标分类方法
CN117173556A (zh) 一种基于孪生神经网络的小样本sar目标识别方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统
CN115510898A (zh) 一种基于卷积神经网络的舰船声尾流检测方法
CN115131548A (zh) 一种融合频域显著性的sar图像舰船目标检测方法
CN111538003B (zh) 一种单比特压缩采样合成孔径雷达成像方法
CN115267713A (zh) 一种基于语义分割的间歇采样干扰识别和抑制方法
CN114998137A (zh) 一种基于生成对抗网络的探地雷达图像杂波抑制方法
CN115361025A (zh) 基于字典矩阵rip准则的互质双通道降采样方法及系统
CN115690080A (zh) 一种基于4维小波变换的光场图像质量评价方法及系统

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