申请/专利权人:清华大学
申请日:2022-03-03
公开(公告)日:2024-06-25
公开(公告)号:CN114755711B
主分类号:G01T1/38
分类号:G01T1/38;G01T1/167;G06F17/15
优先权:
专利状态码:有效-授权
法律状态:2024.06.25#授权;2022.08.02#实质审查的生效;2022.07.15#公开
摘要:本发明公开了一种基于自编码器的α、β脉冲甄别方法和装置,其中,该方法包括:获取粒子脉冲数据;其中,粒子脉冲数据包括α、β脉冲;将粒子脉冲数据输入训练好的自编码模型进行脉冲数据重建,得到脉冲数据的重建误差;比较重建误差大小,基于重建误差大小甄别输入粒子脉冲为α或β脉冲;其中,训练好的自编码模型对α脉冲数据的重建误差小于β脉冲数据重建误差。本发明实现α和β脉冲数据甄别,能够在猝灭水平变化条件下获得较低的α和β甄别错误率,具有较好的应用前景。
主权项:1.一种基于自编码器的α、β脉冲甄别方法,其特征在于,包括以下步骤:获取粒子脉冲数据;其中,所述粒子脉冲数据包括α、β脉冲;将所述粒子脉冲数据输入训练好的自编码模型进行脉冲数据重建,得到所述脉冲数据的重建误差;其中,所述自编码模型包括:网络输入层、编码层、中间层、解码层和网络输出层;其中,所述编码层和所述解码层互为镜相,将所述编码层的第一层预设第一多个神经元、第二层预设第二多个神经元、第三层预设第三多个神经元、第四层预设第四多个神经元,将所述中间层预设第五多个神经元,将所述网络输入层和所述网络输出层预设所述第一多个神经元;比较重建误差大小,基于所述重建误差大小甄别输入的所述粒子脉冲数据为α或β脉冲;其中,所述训练好的自编码模型对α脉冲数据的重建误差小于β脉冲数据重建误差;所述编码层的第一层的激活函数采用sigmoid函数,所述编码层的第二层至所述中间层的每一层的激活函数采用ReLU函数,所述sigmoid函数的公式和所述ReLU函数的公式分别为: 将所述训练数据集输入所述自编码模型进行迭代训练时,采用所述网络输入层与所述网络输出层的均方差作为损失函数,并利用Adam优化算法更新网络权重;所述比较所述脉冲数据的重建误差,α和β脉冲甄别函数PSD的公式为: 其中,y表示脉冲输入值,表示模型重建输出值。
全文数据:
权利要求:
百度查询: 清华大学 一种基于自编码器的α、β脉冲甄别方法和装置
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。