首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于信号降噪自编码器SDE的信号降噪方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:哈尔滨工程大学

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。