CN110363139B - 一种数字信号处理方法和*** - Google Patents
一种数字信号处理方法和*** Download PDFInfo
- Publication number
- CN110363139B CN110363139B CN201910635176.7A CN201910635176A CN110363139B CN 110363139 B CN110363139 B CN 110363139B CN 201910635176 A CN201910635176 A CN 201910635176A CN 110363139 B CN110363139 B CN 110363139B
- Authority
- CN
- China
- Prior art keywords
- signal
- digital signal
- neural network
- training sample
- network model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数字信号处理方法和***,方法包括:接收待处理的数字信号;利用预设类型的深度卷积神经网络模型对所述数字信号进行对应的预处理操作,获得处理后的数字信号;输出所述处理后的数字信号。通过该技术方案,不需要通过多个过滤器进行信号处理,而只通过深度卷积神经网络模型就可以实现信号处理,该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中,从而简化数字信号的预处理过程。
Description
技术领域
本发明涉及深度学习算法技术领域,更具体地,涉及一种数字信号处理方法和***。
背景技术
相关技术中,对于数字信号的预处理,如数字信号的还原、增强和去噪等,一般采用过滤器进行处理,但是,采用过滤器进行处理时,每种过滤器只能解决部分问题,这样,可能需要几十种过滤器,很难找到通用的过滤器。
发明内容
鉴于上述问题,本发明提出了一种数字信号处理方法和数字信号处理***,其可以通过深度卷积神经网络模型对数字信号进行处理,而该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中,从而简化数字信号的预处理过程。
根据本发明实施例的第一方面,提供一种数字信号处理方法,包括:
接收待处理的数字信号;
利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作,获得处理后的数字信号;
输出所述处理后的数字信号。
在一个实施例中,优选地,在所述接收待处理的数字信号之前,所述方法还包括:
根据深度学习算法训练得到所述预设类型的深度卷积神经网络模型。
在一个实施例中,优选地,所述利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作,包括:利用预设类型的深度卷积神经网络模型对所述数字信号进行信号去噪;
所述根据深度学习算法训练得到预设类型的深度卷积神经网络模型,包括:
获取第一训练样本信号集合,所述第一训练样本信号集合包括多组训练样本信号,每组训练样本信号包括标准数字信号和输入数字信号,所述输入数字信号中叠加有所述标准数字信号和随机高斯噪声信号;
将所述训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比,得到对比结果;
根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。
在一个实施例中,优选地,所述将所述训练结果信号与所述标准数字信号进行对比,得到对比结果,包括:
计算每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号之间的信号差值;
所述根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数,包括:
根据各个信号差值确定当前神经网络的精度,在所述精度达到精度阈值时,将当前神经网络参数确定为目标神经网络参数;
在所述精度未达到精度阈值时,调整所述当前神经网络参数。
在一个实施例中,优选地,所述获取输入数字信号,包括:
从第一预定存储空间中调用信号发生程序,获取所述信号发生程序生成的多个标准数字信号保存在内存中;
获取多个随机高斯噪声信号并保存在内存中;
从内存中分别读取各个标准数字信号及各个所述随机高斯噪声信号,按照预定的规则利用所述内存中的随机高斯噪声信号对所述内存中的标准数字信号进行叠加,得到多个所述输入数字信号,将所述标准数字信号与对应的输入数字信号关联保存到位于第二预定存储空间的第一训练样本信号集合中。
在一个实施例中,优选地,所述利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作,包括:利用预设类型的深度卷积神经网络模型对所述数字信号进行信号还原;
所述根据深度学习算法训练得到预设类型的深度卷积神经网络模型,包括:
获取第二训练样本信号集合,所述第二训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始信号和数字转换信号,所述数字转换信号由所述原始信号经预定转换方式进行转换处理得到;
将所述训练样本信号集合中的数字转换信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
将每个所述训练结果信号与各自对应的训练样本信号中的所述原始信号进行对比,得到对比结果;
根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。
在一个实施例中,优选地,所述利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作,包括:利用预设类型的深度卷积神经网络模型对所述数字信号进行相位还原;
所述根据深度学习算法训练得到预设类型的深度卷积神经网络模型,包括:
获取第三训练样本信号集合,所述第三训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始数字信号和相位偏移数字信号,所述相位偏移数字信号由所述原始数字信号经相位偏移得到;
将所述训练样本信号集合中的相位偏移数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
将每个所述训练结果信号与各自对应的训练样本信号中的所述原始数字信号进行对比,得到对比结果;
根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。
在一个实施例中,优选地,所述利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作,包括:利用预设类型的深度卷积神经网络模型对所述数字信号进行信号放大;
所述根据深度学习算法训练得到预设类型的深度卷积神经网络模型,包括:
获取第四训练样本信号集合,所述第四训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始数字信号和放大数字信号,所述放大数字信号由所述原始数字信号经信号放大处理得到;
将所述训练样本信号集合中的放大数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
将每个所述训练结果信号与各自对应的训练样本信号中的所述原始数字信号进行对比,得到对比结果;
根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数。
在一个实施例中,优选地,所述利用预设类型的深度卷积神经网络模型对所述数字信号进行预处理操作,获得处理后的数字信号,包括:
在确定预处理目标为信号还原后,利用第一深度卷积神经网络模型对所述数字信号进行去噪操作,获得去噪后的数字信号;利用第二深度卷积神经网络模型对所述去噪后的数字信号进行相位还原操作,获得相位还原后的数字信号;利用第三深度卷积神经网络模型对所述去噪后的数字信号进行信号还原操作,得到所述数字信号对应的原始信号;
在确定预处理目标为信号增强后,利用第一深度卷积神经网络模型对所述数字信号进行去噪操作,获得去噪后的数字信号;利用第二深度卷积神经网络模型对所述去噪后的数字信号进行相位还原操作,获得相位还原后的数字信号;利用第四深度卷积神经网络对所述去噪后的数字信号进行信号增强处理,得到所述数字信号对应的放大数字信号。
根据本发明实施例的第二方面,提供一种数字信号处理***,包括:
一个或多个处理器;
一个或多个存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。
本发明实施例中,通过预设类型的深度卷积神经网络模型对所述数字信号进行对应的预处理操作,如进行数字信号的还原,增强和去噪等操作,这样,不需要通过多个过滤器进行信号处理,而只通过深度卷积神经网络模型就可以实现信号处理,该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中,从而简化数字信号的预处理过程,并且可以满足不同噪声环境下的数字信号处理需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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。
图1A是本发明一个实施例的数字信号处理方法流程图。
图1B是本发明一个实施例的数字信号处理方法数字信号示意图。
图1C是本发明另一个实施例的数字信号处理方法的流程图。
图2A是本发明一个实施例的数字信号处理方法中步骤S104的流程图。
图2B是本发明另一个实施例的数字信号处理方法数字信号示意图。
图2C是本发明一个实施例的标准数字信号示意图。
图2D是本发明一个实施例的随机高斯噪声信号示意图。
图2E是本发明一个实施例的输入数字信号示意图。
图2F是本发明一个实施例的处理后的还原信号示意图。
图3是本发明另一个实施例的数字信号处理方法的流程图。
图4是本发明一个实施例的输入数字信号获取方法的流程图。
图5是本发明另一个实施例的数字信号处理方法中步骤S104的流程图。
图6是本发明另一个实施例的数字信号处理方法中步骤S104的流程图。
图7是本发明另一个实施例的数字信号处理方法中步骤S104的流程图。
图8是本发明另一个实施例的数字信号处理方法的流程图。
图9是本发明另一个实施例的数字信号处理方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,所描述的实施例仅仅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,本领域技术人员在没有作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。
图1A是本发明一个实施例的数字信号处理方法流程图,如图1A所示,所述数字信号处理方法包括:
步骤S101,接收待处理的数字信号;
步骤S102,利用预设类型的深度卷积神经网络模型对数字信号进行预处理操作,获得处理后的数字信号;
步骤S103,输出处理后的数字信号。
在该实施例中,通过预设类型的深度卷积神经网络模型对数字信号进行对应的预处理操作,如进行数字信号的还原,增强和去噪等操作,这样,不需要通过多个过滤器进行信号处理,而只通过深度卷积神经网络模型就可以实现信号处理,该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中,从而简化数字信号的预处理过程。
下面以对数字信号进行信号还原为例,详细说明书本发明的上述技术方案。
如图1B所示,接收实测输入信号,即实测数字信号,之后利用具有信号还原功能的深度卷积神经网络模型对实测输入信号进行深度学习以及训练推理过程的处理,得到处理后的还原信号,并输出还原后的信号。这样,不需要通过多个过滤器进行信号处理,而只通过深度卷积神经网络模型就可以实现信号还原处理,该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中,从而简化数字信号的预处理过程。
图1C是本发明另一个实施例的数字信号处理方法的流程图。
如图1C所示,在接收待处理的数字信号之前,还包括:步骤S104,根据深度学习算法训练得到预设类型的深度卷积神经网络模型。
其中,利用预设类型的深度卷积神经网络模型对数字信号进行预处理操作,获得处理后的数字信号,可以实施为以下几种方式:
实施例一
图2A是本发明一个实施例的数字信号处理方法中步骤S104的流程图。
如图2A所示,在一个实施例中,优选地,上述步骤S102包括:利用预设类型的深度卷积神经网络模型对数字信号进行信号去噪;
步骤S104包括:
步骤S201,获取第一训练样本信号集合,第一训练样本信号集合包括多组训练样本信号,每组训练样本信号包括标准数字信号和输入数字信号,输入数字信号中叠加有标准数字信号和随机高斯噪声信号;
其中,标准数字信号可以是不同类型的波形,如方波,正弦波或者其他任意波形。随机高斯噪声信号可以是随机生成之后存储在预定存储空间,也可以是存储了高斯噪声列表,随机或者按照某个规则从列表中选取高斯噪声。
步骤S202,将训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
步骤S203,将每个训练结果信号与各自对应的训练样本信号中的标准数字信号进行对比,得到对比结果;
步骤S204,根据对比结果确定预设类型的深度卷积神经网络模型的神经网络参数。
在一个实施例中,优选地,神经网络参数包括以下至少一项:神经网络的层数和神经网络的节点数。
在该实施例中,可以通过端对端训练的方式训练得到预设类型的深度卷积神经网络模型,具体地,通过预先设定的深度卷积神经网络模型对叠加有标准数字信号和随机高斯噪声信号的输入数字信号进行处理,得到训练结果信号,再通过训练结果信号和标准数字信号的差异确定神经网络的层数和节点数,从而得到合适的具有信号去噪功能的深度卷积神经网络模型。
下面以对数字信号进行信号去噪为例,详细说明书本发明的上述技术方案。
如图2B所示,获取标准数字信号和随机高斯噪声信号,将两者进行叠加,得到输入数字信号,之后利用具有信号去噪功能的深度卷积神经网络模型对输入数字信号进行深度学习以及训练推理过程的处理,得到处理后的还原信号,将处理后的还原信号与标准数字信号进行对比,以确定神经网络的参数。其中,标准数字信号示意图如图2C所示,随机高斯噪声信号如图2D所示,输入数字信号如图2E所示,处理后的还原信号如图2F所示,处理过程中的数据如表1所示。这样,不需要通过多个过滤器进行信号处理,而只通过深度卷积神经网络模型就可以实现信号还原处理,该深度卷积神经网络模型可以将所有使用过滤器的效果包含在其中,从而简化数字信号的预处理过程。
表1
其中,神经网络的层数和深度可以根据实际需求进行调整,层数一般在5-13层,每层节点数在7-19个之间。
图3是本发明另一个实施例的数字信号处理方法的流程图。
如图3所示,在一个实施例中,优选地,上述步骤S203包括:
步骤S301,计算每个训练结果信号与各自对应的训练样本信号中的标准数字信号之间的信号差值;
上述步骤S204,包括:
步骤S302,根据各个信号差值确定当前神经网络的精度,在精度达到精度阈值时,将当前神经网络参数确定为目标神经网络参数;
步骤S303,在精度未达到精度阈值时,调整当前神经网络参数。
在该实施例中,根据每个训练结果信号与各自对应的训练样本中的标准数字信号之间的信号差值确定当前神经网络的精度,如果精度未达到精度阈值,则调整当前神经网络参数,直到精度达到精度阈值为止,从而训练出准确的深度卷积神经网络模型。
图4是本发明一个实施例的输入数字信号获取方法的流程图。
如图4所示,在一个实施例中,优选地,获取第一训练样本信号集合,包括:
步骤S401,从第一预定存储空间中调用信号发生程序,获取信号发生程序生成的多个标准数字信号保存在内存中;
步骤S402,获取多个随机高斯噪声信号并保存在内存中;
步骤S403,从内存中分别读取各个标准数字信号及各个随机高斯噪声信号,按照预定的规则利用内存中的随机高斯噪声信号对内存中的标准数字信号进行叠加,得到多个输入数字信号,将标准数字信号与对应的输入数字信号关联保存到位于第二预定存储空间的第一训练样本信号集合中。
在该实施例中,可以分别从内存中获取多个标准数字信号和随机高斯噪声信号,再将两者按照预定的规则进行叠加,从而得到标准输入信号。其中,高斯噪声信号可以有多种,这样,标准数字信号叠加随机高斯噪声信号可以扩大数据集,从而得到较多的训练数据,使得训练得到的神经网络模型更加准确。
实施例二
图5是本发明另一个实施例的数字信号处理方法中步骤S104的流程图。
如图5所示,在一个实施例中,优选地,上述步骤S102包括:利用预设类型的深度卷积神经网络模型对数字信号进行信号还原;
上述步骤S104包括:
步骤S501,获取第二训练样本信号集合,第二训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始信号和数字转换信号,数字转换信号由原始信号经预定转换方式进行转换处理得到;
其中,在生成第二训练样本信号集合时,可以从第二预定存储空间中调用信号发生程序,获取信号发生程序生成的多个原始信号保存在内存中,获取多种转换方式保存在内存中,之后从内存中选取转换方式对原始信号进行转换,具体地,可以随机选取一种转换方式,也可以遍历各个转换方式,得到数字转换信号。例如,原始信号是模拟信号,经过模数转换得到数字信号,或者原始信号是数字信号,经过预定的转换得到数字转换信号等。
步骤S502,将训练样本信号集合中的数字转换信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
步骤S503,将每个训练结果信号与各自对应的训练样本信号中的原始信号进行对比,得到对比结果;
优选地,步骤S503包括:计算每个训练结果信号与各自对应的训练样本信号中的原始信号之间的信号差值;
步骤S504,根据对比结果确定预设类型的深度卷积神经网络模型的神经网络参数。
优选地,步骤S504包括:根据各个信号差值确定当前神经网络的精度,在精度达到精度阈值时,将当前神经网络参数确定为目标神经网络参数;在精度未达到精度阈值时,调整当前神经网络参数。
在该实施例中,根据每个训练结果信号与各自对应的训练样本中的原始信号之间的信号差值确定当前神经网络的精度,如果精度未达到精度阈值,则调整当前神经网络参数,直到精度达到精度阈值为止,从而训练出准确的深度卷积神经网络模型。
实施例三
图6是本发明另一个实施例的数字信号处理方法中步骤S104的流程图。
如图6所示,在一个实施例中,优选地,上述步骤S102包括:利用预设类型的深度卷积神经网络模型对数字信号进行相位还原;
上述步骤S104,包括:
步骤S601,获取第三训练样本信号集合,第三训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始数字信号和相位偏移数字信号,相位偏移数字信号由原始数字信号经相位偏移得到;
其中,在生成第三训练样本信号集合时,可以从第三预定存储空间中调用信号发生程序,获取信号发生程序生成的多个原始数字信号,之后随机确定一个或多个相位偏移量,再将多个原始数字信号按照相位偏移量进行相位偏移得到相位偏移数字信号。
步骤S602,将训练样本信号集合中的相位偏移数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
步骤S603,将每个训练结果信号与各自对应的训练样本信号中的原始数字信号进行对比,得到对比结果;
优选地,步骤S603包括:计算每个训练结果信号与各自对应的训练样本信号中的原始数字信号之间的信号差值;
步骤S604,根据对比结果确定预设类型的深度卷积神经网络模型的神经网络参数。
优选地,步骤S604包括:根据各个信号差值确定当前神经网络的精度,在精度达到精度阈值时,将当前神经网络参数确定为目标神经网络参数;在精度未达到精度阈值时,调整当前神经网络参数。
在该实施例中,根据每个训练结果信号与各自对应的训练样本中的原始数字信号之间的信号差值确定当前神经网络的精度,如果精度未达到精度阈值,则调整当前神经网络参数,直到精度达到精度阈值为止,从而训练出准确的深度卷积神经网络模型。
实施例四
图7是本发明另一个实施例的数字信号处理方法中步骤S104的流程图。
如图7所示,在一个实施例中,优选地,上述步骤S102包括:利用预设类型的深度卷积神经网络模型对数字信号进行信号放大;
上述步骤S104,包括:
步骤S701,获取第四训练样本信号集合,第四训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始数字信号和放大数字信号,放大数字信号由原始数字信号经信号放大处理得到;
其中,在生成第四训练样本信号集合时,可以从第四预定存储空间中调用信号发生程序,获取信号发生程序生成的多个原始数字信号保存在内存中,之后随机确定一个或多个放大系数,再将多个原始数字信号按照放大系数进行信号放大处理得到放大数字信号。
步骤S702,将训练样本信号集合中的原始数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;
步骤S703,将每个训练结果信号与各自对应的训练样本信号中的放大数字信号进行对比,得到对比结果;
优选地,步骤S703包括:计算每个训练结果信号与各自对应的训练样本信号中的放大数字信号之间的信号差值;
步骤S704,根据对比结果确定预设类型的深度卷积神经网络模型的神经网络参数。
优选地,步骤S604包括:根据各个信号差值确定当前神经网络的精度,在精度达到精度阈值时,将当前神经网络参数确定为目标神经网络参数;在精度未达到精度阈值时,调整当前神经网络参数。
在该实施例中,根据每个训练结果信号与各自对应的训练样本中的原始数字信号之间的信号差值确定当前神经网络的精度,如果精度未达到精度阈值,则调整当前神经网络参数,直到精度达到精度阈值为止,从而训练出准确的深度卷积神经网络模型。
通过上述实施例确定了各种预设类型的深度卷积神经网络模型之后,则可以通过确定的预设类型的深度卷积神经网络模型对信号进行对应的预处理操作。
实施例五
图8是本发明另一个实施例的数字信号处理方法的流程图。
如图8所示,在一个实施例中,优选地,上述步骤S102包括:
步骤S801,在确定预处理目标为信号还原后,利用第一深度卷积神经网络模型对数字信号进行去噪操作,获得去噪后的数字信号;利用第二深度卷积神经网络模型对去噪后的数字信号进行相位还原操作,获得相位还原后的数字信号;利用第三深度卷积神经网络模型对去噪后的数字信号进行信号还原操作,得到数字信号对应的原始信号。
在一些应用场景下,预处理操作的目的是信号还原,由于信号在传输过程中必然包含噪声,因此,如果需要对信号进行信号还原,则依次对信号进行去噪,相位还原和信号还原的操作,从而得到原始信号。
实施例六
图9是本发明另一个实施例的数字信号处理方法的流程图。
如图9所示,在一个实施例中,优选地,上述步骤S102包括:
步骤S901,在确定预处理目标为信号增强后,利用第一深度卷积神经网络模型对数字信号进行去噪操作,获得去噪后的数字信号;利用第二深度卷积神经网络模型对去噪后的数字信号进行相位还原操作,获得相位还原后的数字信号;利用第四深度卷积神经网络对去噪后的数字信号进行信号增强处理,得到数字信号对应的放大数字信号。
在一些应用场景下,预处理操作的目的是信号增强,由于信号在传输过程中必然包含噪声,如果需要对信号进行信号增强,则依次对信号进行去噪,相位还原和信号增强的操作,从而得到放大数字信号。
根据本发明实施例的第二方面,提供一种数字信号处理***,包括:
一个或多个处理器;
一个或多个存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序被配置为执行如第一方面或第一方面任一实施例中所述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种便捷式多功能设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种数字信号处理方法,其特征在于,包括:
接收待处理的数字信号;
在确定预处理目标为信号还原后,利用第一深度卷积神经网络模型对所述数字信号进行去噪操作,获得去噪后的数字信号;利用第二深度卷积神经网络模型对所述去噪后的数字信号进行相位还原操作,获得相位还原后的数字信号;利用第三深度卷积神经网络模型对所述去噪后的数字信号进行信号还原操作,得到所述数字信号对应的原始信号;输出所述原始信号;
在确定预处理目标为信号增强后,利用第一深度卷积神经网络模型对所述数字信号进行去噪操作,获得去噪后的数字信号;利用第二深度卷积神经网络模型对所述去噪后的数字信号进行相位还原操作,获得相位还原后的数字信号;利用第四深度卷积神经网络模型对所述去噪后的数字信号进行信号增强处理,得到所述数字信号对应的放大数字信号;输出所述放大数字信号;
所述第一深度卷积神经网络模型是采用端对端的训练方式得到的,所述第一深度卷积神经网络模型的训练方式包括:获取第一训练样本信号集合,所述第一训练样本信号集合包括多组训练样本信号,每组训练样本信号包括标准数字信号和输入数字信号,所述输入数字信号中叠加有所述标准数字信号和随机高斯噪声信号;将所述第一训练样本信号集合中的输入数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;将每个所述训练结果信号与各自对应的训练样本信号中的所述标准数字信号进行对比,得到对比结果;根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数;所述第一训练样本信号集合包括标准数字信号,所述标准数字信号是通过调用第一预定存储空间中的信号发生程序生成的;
所述第二深度卷积神经网络模型的训练方式包括:获取第二训练样本信号集合,所述第二训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始信号和数字转换信号,所述数字转换信号由所述原始信号经预定转换方式进行转换处理得到;将所述第二训练样本信号集合中的数字转换信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;将每个所述训练结果信号与各自对应的训练样本信号中的所述原始信号进行对比,得到对比结果;根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数;所述第二训练样本信号集合包括原始信号,所述原始信号是通过调用第二预定存储空间中的信号发生程序生成的;
所述第三深度卷积神经网络模型的训练方式包括:获取第三训练样本信号集合,所述第三训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始数字信号和相位偏移数字信号,所述相位偏移数字信号由所述原始数字信号经相位偏移得到;将所述第三训练样本信号集合中的相位偏移数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;将每个所述训练结果信号与各自对应的训练样本信号中的所述原始数字信号进行对比,得到对比结果;根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数;所述第三训练样本信号集合包括原始数字信号,所述原始数字信号是通过调用第三预定存储空间中的信号发生程序生成的;
所述第四深度卷积神经网络模型的训练方式包括:获取第四训练样本信号集合,所述第四训练样本信号集合包括多组训练样本信号,每组训练样本信号包括原始数字信号和放大数字信号,所述放大数字信号由所述原始数字信号经信号放大处理得到;将所述第四训练样本信号集合中的原始数字信号输入预设类型的深度卷积神经网络模型中,得到每组训练样本信号对应的训练结果信号;将每个所述训练结果信号与各自对应的训练样本信号中的所述放大数字信号进行对比,得到对比结果;根据所述对比结果确定所述预设类型的深度卷积神经网络模型的神经网络参数;所述第四训练样本信号集合包括原始数字信号,所述原始数字信号是通过调用第四预定存储空间中的信号发生程序生成的。
2.一种数字信号处理***,其特征在于,包括 :
一个或多个处理器 ;
一个或多个存储器 ;
一个或多个应用程序, 其中所述一个或多个应用程序被存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行, 所述一个或多个程序被配置为执行权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635176.7A CN110363139B (zh) | 2019-07-15 | 2019-07-15 | 一种数字信号处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635176.7A CN110363139B (zh) | 2019-07-15 | 2019-07-15 | 一种数字信号处理方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363139A CN110363139A (zh) | 2019-10-22 |
CN110363139B true CN110363139B (zh) | 2020-09-18 |
Family
ID=68219481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635176.7A Active CN110363139B (zh) | 2019-07-15 | 2019-07-15 | 一种数字信号处理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363139B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106782504A (zh) * | 2016-12-29 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别方法和装置 |
CN108172238A (zh) * | 2018-01-06 | 2018-06-15 | 广州音书科技有限公司 | 一种语音识别***中基于多个卷积神经网络的语音增强算法 |
CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及*** |
CN109215665A (zh) * | 2018-07-20 | 2019-01-15 | 广东工业大学 | 一种基于3d卷积神经网络的声纹识别方法 |
CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学(深圳) | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021373B (zh) * | 2014-05-27 | 2017-02-15 | 江苏大学 | 一种半监督语音特征可变因素分解方法 |
-
2019
- 2019-07-15 CN CN201910635176.7A patent/CN110363139B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106782504A (zh) * | 2016-12-29 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 语音识别方法和装置 |
CN108172238A (zh) * | 2018-01-06 | 2018-06-15 | 广州音书科技有限公司 | 一种语音识别***中基于多个卷积神经网络的语音增强算法 |
CN108416755A (zh) * | 2018-03-20 | 2018-08-17 | 南昌航空大学 | 一种基于深度学习的图像去噪方法及*** |
CN109215665A (zh) * | 2018-07-20 | 2019-01-15 | 广东工业大学 | 一种基于3d卷积神经网络的声纹识别方法 |
CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学(深圳) | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Speech Emotion Recognition from Spectrograms with Deep Convolutional Neural Network;Abdul Malik Badshah等;《International Conference on Platform》;20170323;全文 * |
一种融合相位估计的深度卷积神经网络语音增强方法;袁文浩等;《电子学报》;20181031;第46卷(第10期);第2359-2365页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110363139A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163827B (zh) | 图像去噪模型的训练方法、图像去噪方法、装置及介质 | |
CN112449703B (zh) | 在设备中的神经网络模型的量化方法和装置 | |
Chen et al. | L2–L∞ filtering for stochastic Markovian jump delay systems with nonlinear perturbations | |
WO2014153606A1 (en) | Audio filtering with virtual sample rate increases | |
CN110969092A (zh) | 脉冲信号去噪方法、装置及终端设备 | |
CN112861947A (zh) | 传感器数据处理方法、装置及计算设备 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN110348398B (zh) | 一种神经网络模型确定方法和*** | |
CN112836820A (zh) | 用于图像分类任务的深度卷积网络训方法、装置及*** | |
CN108959649A (zh) | 一种基于web页面的数据表字段映射配置方法和*** | |
CN110363288B (zh) | 一种神经网络的输入图像生成方法和*** | |
CN110348566B (zh) | 一种生成神经网络训练用数字信号的方法和*** | |
CN110363139B (zh) | 一种数字信号处理方法和*** | |
CN115908159A (zh) | 图像去雾方法、装置、电子设备及存储介质 | |
CN111667063B (zh) | 基于fpga的数据处理方法及装置 | |
CN112381147B (zh) | 动态图片相似度模型建立、相似度计算方法和装置 | |
CN110363863B (zh) | 一种神经网络的输入数据生成方法和*** | |
Desidera et al. | Strehl-constrained iterative blind deconvolution for post-adaptive-optics data | |
CN110349088A (zh) | 一种图像处理方法和*** | |
JP2011221840A (ja) | 画像処理装置 | |
JP7458641B2 (ja) | 生体組織の電極配置推定方法 | |
CN111858862B (zh) | 一种答复推荐方法、答复推荐装置及电子设备 | |
JP2021117800A (ja) | 信号処理装置、信号処理方法およびプログラム | |
CN111090269A (zh) | 基于生成对抗网络的传感器模拟方法、装置和存储介质 | |
CN113744156B (zh) | 一种基于可变形卷积神经网络的图像去噪方法 |
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 |