申请/专利权人：哈尔滨工程大学

申请日：2021-11-26

公开（公告）日：2022-03-11

公开（公告）号：CN114169368A

主分类号：G06K9/00(20220101)

分类号：G06K9/00(20220101);G06K9/62(20220101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.03.29#实质审查的生效;2022.03.11#公开

摘要：本发明属于信号处理技术领域，具体涉及一种基于信号降噪自编码器SDE的信号降噪方法。本发明先利用属于信号集中的训练样本训练自编码器模型，再通过测试集样本挑选出性能表现最好的模型权重，最后接收到的信号输入该自编码器模型，输出即为降噪后的信号。本发明克服了传统降噪方法计算复杂度高、实时性差、复杂电磁环境中降噪性能弱等缺点，根据分块信号的调制规律一致性建模，随信号样本训练更新。本发明不需要人工分析，具有高效的感知处理能力，实时性强，同时低信噪比下降噪性能优于传统方法。

主权项：1.一种基于信号降噪自编码器SDE的信号降噪方法，其特征在于，包括以下步骤：步骤1：获取带噪的一维信号序列x，将带噪一维信号序列x分割成固定尺寸的数据块，每个数据块通过线性投影得到嵌入向量x1,x2,…,xn，将分割出的数据块嵌入到去噪编码块，每个数据块都有着和原信号相同的调制特性；步骤2：为了表征序列的位置信息，加入随网络自动训练的相对位置编码xpos，向量x1,x2,…,xi,…,xn,xpos分别乘以3个不同的权值矩阵得到qi＝Wqxi，ki＝Wkxi，vi＝Wvxi；其中，qi表示查询矩阵；ki表示键矩阵；vi代表了信号的调制信息；步骤3：计算y1,y2,..,yn,ypos； 其中，d是查询矩阵qi和键矩阵ki的维度；步骤4：将一系列的qi、ki、vi分别被打包成矩阵Q,K,V；通过自注意力机制提取调制信息，过滤噪声干扰；Q＝[x1,x2,...,xi,...,xn,xpos]TWQ＝XWQK＝[x1,x2,...,xi,...,xn,xpos]TWK＝XWKV＝[x1,x2,...,xi,...,xn,xpos]TWV＝XWV 其中，SA表示自注意力函数；步骤5：考虑到各数据块可能的相似性关系，将数据块线性映射到不同子空间，即信号通过不同的降噪编码层，将输出拼接起来再线性降维到和嵌入数据块相同维度；MHSAQ,K,V＝Concathead1,head2,...,headhWO其中，MHSA表示多头自注意力函数，headi＝SAQWiQ,KWiK,VWiV，表示不同的自注意力层输出，共设置h个自注意力层，且每层维度d'＝dh；线性降维矩阵将拼接起来的h层输出降到与输入同一维度；步骤6：设多头自注意力层输出Y＝MHSAX,加入残差链接防止梯度消失，Y'＝X+Y；步骤7：将多层降噪自编码块的输出信息线性整合，同时也加入残差链接；Z＝FNNY'+Y'其中：FNNx＝TanhxW1+b1W2+b2；W1、W2、b1、b2分别表示FNN的两个线性映射层的权重和偏置；因为通信信号归一化幅值在正负区域都存在，所以选激活函数步骤8：通过平均来综合各数据块的调制信息； 其中，是n+1维向量；Z是d×n+1维矩阵，每一列代表了各数据块提取到的调制信息；步骤9：利用多层感知机MLP得到与输入同维的重构信号 步骤10：将整个去噪过程映射成如下函数表达式： 其中，x表示输入的一维通信序列，θ表示SDE结构的所有训练参数，所有线性层的神经元以概率λ随即失活，是得到的重构信号；步骤11：重构信号与输入带噪信号x对应的纯净无噪信号构造损失函数如下： 其中，m表示信号序列的采样点数；步骤12：通过最小化损失函数得到最优参数； 步骤13：SDE通过训练集样本训练模型网络，再通过测试集选择最优结构参数，就得到可以对7种通信信号降噪的信号降噪自编码器；步骤14：将接收到的信号输入信号降噪自编码器中，信号降噪自编码器输出即为降噪后的信号。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种基于信号降噪自编码器SDE的信号降噪方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD