CN113743301B - 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 - Google Patents
一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 Download PDFInfo
- Publication number
- CN113743301B CN113743301B CN202111032628.6A CN202111032628A CN113743301B CN 113743301 B CN113743301 B CN 113743301B CN 202111032628 A CN202111032628 A CN 202111032628A CN 113743301 B CN113743301 B CN 113743301B
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- residual
- noise
- encoder
- 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
Classifications
-
- 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
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法,其引入自编码器、残差瓶颈模块、捷径连接、卷积层、批正则化层、激活层等结构构建深度神经网络模型,利用固态纳米孔测序电信号数据集对模型进行训练,使其准确地学习测序电信号噪声的特征模式,建立起从噪声信号到干净信号的映射,最终运用学习到的映射对噪声信号相对应的干净信号进行预测和估计。本发明的基于残差自编码器卷积神经网络的信号降噪方法,增强神经网络的对电信号噪声部分的识别能力,建立起噪声电信号到干净信号的准确映射,实现实时去噪。
Description
技术领域
本发明属于数字信号处理技术领域,具体涉及一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法,其可适用于机器学习和数字信号处理技术中。
背景技术
近年来,固态纳米孔作为新兴的纳米结构材料得到了广泛地关注。与现有的基因测序***相比,以固态纳米孔为基础研发的基因测序***稳定,具有高通量及低成本的优势,因此得到了研究者广泛地关注。然而,固态纳米孔测序***开发仍有大量问题亟待解决,其中固态纳米孔测序信号中的噪声严重影响最终测序结果的准确率。进一步的研究表明,固态纳米孔测序信号中的噪声主要由低频部分的flicker noise和高频部分的thermalnoise、dielectric noise、capacitive noise组成,但本质上来说:噪声测序电信号Y由干净的测序电信号X和加性测序***噪声N叠加组成,其可表示为数学表达式:Y=X+N。为提高测序准确率,需对噪声电信号进行降噪处理,尽可能的剔除叠加的噪声,将信号还原至干净信号的状态。
目前,针对纳米孔测序电信号的降噪处理方法主要是利用各类低通滤波器如Bessel滤波等剔除高频噪音部分以提高信噪比,然而低通滤波仅能将噪声电信号处理至可进行信号分析的程度,并且以牺牲测序信号的高频特征部分为代价。同时,该类信号处理方法不能解决噪声信号中的低频flicker noise部分影响,且处理效果不尽人意,为后续的测序信号分析带来极大不便。
发明内容
针对现有技术存在的问题,基于现实和生产实践的需要,本申请人投入大量资金,并经过长期研究,提供了一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法,其增强神经网络的对电信号噪声部分的识别能力,建立起噪声电信号到干净信号的准确映射,以实现针对固态纳米孔电信号的实时去噪。
依据本发明专利的技术方案,提供一种基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,所述方法引入自编码器结构、残差瓶颈模块、捷径连接、卷积层、批正则化层、激活层等结构创建深度神经网络模型,结合创建的固态纳米孔测序电信号训练数据集训练模型准确地学习信号中噪声的特征,建立起从噪声信号到干净信号的映射,从而能够运用学习到的映射根据噪声信号对其对应的干净信号进行预测和估计。
进一步地,所述基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,其包括以下步骤:
步骤S1,搭建残差自编码器卷积神经网络模型;
步骤S2,选取创建训练数据集,设置所述残差自编码器卷积神经网络模型的训练参数;
步骤S3,依据设定的模型训练参数,以最小化损失函数为目标训练所述残差自编码器卷积神经网络模型,完成固态纳米孔测序电信号降噪处理的神经网络模型的构建;
步骤S4,将待处理的噪声电信号输入到固态纳米孔测序电信号降噪处理神经网络模型,输出降噪处理后的信号。
优选地,步骤S1中的残差自编码器卷积神经网络模型包括编码器部分和解码器部分,编码器部分包括多个残差编码模块,残差编码模块包括多个卷积层、多个激活层和多个批正则化层;解码器部分由多个逆卷积解码模块、一个卷积层和一个sigmoid激活层组成,逆卷积解码模块由多个逆卷积层、多个激活层和多个批正则化层组成。
优选地,步骤S2中,步骤S2中所述训练数据集由干净的测序电信号和对应的噪声信号组成。进一步地,采集空白固态纳米孔测序***噪声,根据DNA碱基信号标准库构建模拟过孔信号数据集并与采集的固态纳米孔测序***噪声叠加创建训练数据集,并设置所述残差自编码器卷积神经网络模型的训练参数。
更优选地,步骤S3中,步骤S3中的损失函数为均方误差函数:
其中,Xi、Yi分别为创建的所述训练集中的噪声信号和干净信号,θ为权重,n表示信号中的数据点数量,F(·)函数表示的是通过训练后得到的噪声信号到干净信号的映射。
步骤S3中所述固态纳米孔测序电信号降噪处理的神经网络模型的权重的初始值由高斯随机函数生成,残差模块最后一个批正则化层的权重参数初始设定为零。
与现有技术相比,本发明的有益效果在于:本发明针对多种不同的噪声方差训练残差自编码器卷积神经网络模型形成对应的噪声方差下的信号降噪处理神经网络模型,并通过与待处理的图像相对应的噪声方差下的信号降噪处理神经网络模型对待处理的碱基过孔信号进行降噪处理,处理速度快。
附图说明
图1是依据本发明的基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法的流程图;
图2是依据本发明的残差自编码器卷积神经网络模型的内部构造示意图;
图3是依据本发明的残差编码模块的内部构造示意图。
具体实施方式
下面将结合本发明专利实施例中的附图,对本发明专利实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明专利的一部分实施例,而不是全部的实施例。基于本发明专利中的实施例,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,都属于本发明专利保护的范围。
本发明的基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法,引入自编码器结构、残差瓶颈模块、捷径连接、卷积层、批正则化层、激活层等结构创建深度神经网络模型,结合创建的固态纳米孔测序电信号训练数据集训练模型准确地学习信号中噪声的特征,建立起从噪声信号到干净信号的映射,从而能够运用学习到的映射根据噪声信号对其对应的干净信号进行预测和估计。
具体地,本发明的基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法,主要包括以下步骤:搭建残差自编码器卷积神经网络模型,所述残差自编码器卷积神经网络模型包括编码器和解码器两个主要部分,每个部分包括多个卷积层和每个所述卷积层后的激活层;创建固态纳米孔电信号训练集,并设置所述残差自编码器卷积神经网络模型的训练参数;根据所述残差自编码器神经网络模型及其训练参数,以最小化损失函数为目标训练所述残差自编码器神经网络模型形成固态纳米孔电信号降噪处理模型;将待处理的固态纳米孔电信号输入到所述固态纳米孔电信号降噪处理模型,输出降噪处理后的电信号。
下面对照附图并结合优选的实施方式对本发明作进一步说明。如图1所示,一种基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,包括以下步骤:
步骤S1,搭建残差自编码器卷积神经网络模型;
步骤S2,选取创建训练数据集,设置模型初始参数;
步骤S3,依据设定的模型训练参数,以最小化损失函数为目标训练所述残差自编码器卷积神经网络模型,完成固态纳米孔测序电信号降噪处理神经网络模型的构建;
步骤S4,将待处理的噪声电信号输入到固态纳米孔测序电信号降噪处理神经网络模型,输出降噪处理后的信号。
其中,步骤S1搭建残差自编码器神经网络模型中,所述残差神经网络模型包括编码器部分和解码器部分;编码器部分包括多个残差编码模块,残差编码模块包括多个卷积层、多个激活层和多个批正则化层;解码器部分包括多个逆卷积层、多个激活层和多个批正则化层。更进一步地,解码器部分由多个逆卷积解码模块、一个卷积层和一个sigmoid激活层组成,逆卷积解码模块由多个逆卷积层、多个激活层和多个批正则化层组成。
所述残差神经网络模型编码器部分的残差编码模块包括多个卷积核大于1×1的卷积层和多个卷积核为1×1的卷积层。更进一步地,残差编码模块包括一个卷积核大小为3×3的卷积层和两个卷积核为1×1的卷积层;且所述残差编码模块的第一层和第三层卷积核大小为1×1,第二层卷积核大小为3×3,构建起的残差编码模块为瓶颈神经网络结构。在进一步的实施例中,所述残差编码模块包括一个捷径连接用于绕过瓶颈卷积网络结构直接对输入和输出进行恒等映射。
步骤S2所述选取创建训练数据集且设置模型初始参数,步骤S2中所述训练数据集由干净的测序电信号和对应的噪声信号组成。进一步为采集空白固态纳米孔测序***噪声,根据DNA碱基信号标准库构建模拟过孔信号数据集并与采集的固态纳米孔测序***噪声叠加创建训练数据集,并设置所述残差自编码器卷积神经网络模型的训练参数。
步骤S3进一步根据所述残差自编码器卷积神经网络模型及其训练参数,以最小化损失函数为目标训练所述残差自编码器卷积神经网络模型形成信号降噪处理神经网络模型;步骤S3中的损失函数为均方误差函数:
其中,Xi、Yi分别为创建的所述训练集中的噪声信号和干净信号,θ为权重,n表示信号中的数据点数量,F(·)函数表示的是通过训练后得到的噪声信号到干净信号的映射。更进一步地,步骤S3中所述固态纳米孔测序电信号降噪处理的神经网络模型的权重的初始值由高斯随机函数生成,残差模块最后一个批正则化层的权重参数初始设定为零。
步骤S4进一步将待处理的噪声电信号进行预处理后输入到所述电信号降噪处理神经网络模型,输出降噪处理后的信号。
如图2所示,在此增加对步骤S1所搭建的残差自编码器卷积神经网络模型进一步说明。在本发明优选的实施例中,残差自编码器卷积神经网络的编码器部分由八个残差编码模块组成,每个残差编码模块包括一个三层的瓶颈卷积网络结构和一个捷径连接。而解码器部分由四个逆卷积解码模块、一个卷积层和一个sigmoid激活层组成,其中每个逆卷积模块由一个逆卷积层、一个激活层和一个批正则化层组成。
如图3所示,对残差自编码器卷积神经网络模型中的残差编码模块进一步说明。残差编码模块总共包括三个卷积层,其中第一个卷积层的卷积核大小为1×1,通道数为模块通道数NC;第二个卷积层的卷积核为3×3,通道数为模块通道数NC;第三个卷积层的卷积核为1×1,通道数为模块通道数NC的四倍,即4NC。这样构建起的残差编码模块属于瓶颈神经网络结构,三个卷积层对应实现的功能分别是维度压缩、特征提取、维度恢复。而捷径连接则是用于绕过瓶颈卷积网络结构直接对输入和输出进行恒等映射。
因此所述残差编码模块可表示为如下函数:
其中X和Y分别代表输入和输出矩阵,W是残差编码模块内瓶颈神经网络内的权重参数变量,代表瓶颈神经网络结构学习到的映射变换,I(·)代表捷径连接的恒等映射。残差编码模块中的瓶颈神经网络结构即/>部分学习的是输入到输入与输出之间差异的映射。
更进一步地,每一个卷积层处理之后的输出在输入下一个卷积层计算之前会通过ReLU激活层和正则化层的处理。其中,网络结构中的ReLU激活层可将卷积计算后数值低于0的神经元剔除,以筛选出更有意义的特征,提高网络的稳定性,有效的避免梯度***的问题。
在本发明的方法中,所述方法的数据来源于固态纳米孔测序***采集的DNA通过固态纳米孔时产生的阻塞电流信号。其中,训练数据集的构建是将设计的DNA标准序列进行固态纳米孔测序实验采集的标准序列过孔信号数据。另外也可基于标准序列过孔信号数据构建标准信号数据库,之后依据标准信号数据库生成大量的模拟信号数据用作训练数据。同时,模拟信号数据可以考虑叠加不同程度的***噪声构建不同***噪声影响的信号数据集用以训练能够处理不同噪声影响的神经网络模型。而正则化层运用BatchNormalization的方法对卷积层计算结果进行标准化,使其服从同一分布。BatchNormalization的引入可以使整个网络表示的函数更加平滑,有利于稳定网络的训练和后续优化。
本发明实施例的步骤S2还包括:将所述噪声碱基序列电信号和干净碱基序列电信号经过重采样和维度转换为20×10的二维信号数据。这是因为通过维度转换和卷积计算的共同作用,更利于模型挖掘电流数据时间维度上的相关特征,一定程度上加快训练速度,提高噪声处理性能。而因为输入数据仅电流幅值数据,所以输入数据通道数为1。之后,第一个卷积层的通道数设为64,目的是对输入数据进行维度上的增加,提高神经网络模型对数据特征的学习能力。八个残差编码模块的模块通道数NC依次设置为64、64、32、32、16、16、8、8,用于对信号中的特征进行挖掘提取。这样的处理可以有效地提高模型学习的准确性。对应的,八个解码模块的通道数依次设置为32、64、128、256,用于信号重构。神经网络学习的速率设定为0.001(在其他实施例中可设为0.1~0.001中的任意值,根据实际情况进行优化选择)。
在本实施例中,所述神经网络模型的权重的初始值由高斯随机函数生成,但每个残差模块最后一个批正则化层的权重参数初始设定为零,保证残差模块的残差分支初始生成结果为零,且残差编码模块初始将表现为输入到输出的恒等映射。
步骤S3中,根据所述残差自编码器卷积神经网络模型及其训练参数,以最小化损失函数为目标训练所述残差自编码器卷积神经网络模型完成信号降噪处理神经网络模型的构建。
神经网络训练的优化器选择Adam优化器,Adam优化器在优化网络参数时,在计算迭代步长时将梯度的一阶动量(梯度的指数移动平均)和二阶动量(梯度平方的指数移动平均值)纳入计算考虑,这样可以保证每个时间步长进行迭代优化时,针对梯度的一阶动量和二阶动量进行自适应调节,有效地避免神经网络模型在优化时收敛至局部最优解,同时加快优化的整体效率。
步骤S4中,将待处理的噪声电信号进行预处理后输入到所述电信号降噪处理神经网络模型,输出降噪处理后的信号。
在步骤S2中可以选取创建不同噪声影响的固态纳米孔测序电信号数据集,并按照步骤S3中所述训练针对性处理对应噪声的残差自编码器神经网络模型。而在步骤S4中将待处理的噪声电信号输入到对应噪声影响的神经网络模型中,即可预测出对应的干净信号,输出噪声处理后的测序电信号。
根据本发明的信号降噪处理方法,通过训练的残差自编码器神经网络模型对噪声信号的处理速度极快,能够在大部分硬件条件下以低于0.1秒的时间内完成信号的降噪处理,在实际应用中拥有极大的优势,特别是在于需要进行实时降噪处理的场合。
相对于现有技术,本发明提供的固态纳米孔测序电信号降噪处理方法结合自编码器和卷积神经网络结构,在编码器部分采用了残差网络中的瓶颈模块构建了残差自编码器神经网络,借助卷积层的学习能力和ReLU激活层的筛选能力,对测序电信号噪声的特征进行深度学习,从训练集中学习到最具代表性的噪声特征,之后通过逆卷积层和sigmoid激活层的转换,建立起噪声信号到干净信号的准确映射,可以实现实时去噪。
在进一步的方案中,本发明还可以具有以下有益效果:残差瓶颈模块的瓶颈设计可以在不牺牲模型时间复杂度的前提下有效提高模型的深度。而恒等映射的捷径连接可以在不增加额外参数的情况下有效地避免由网络结构层数增加带来的梯度消失或梯度***问题,在保证了模型的稳定性的同时享受到深层网络带来的准确率提升。同时,残差瓶颈模块选用了大小合适的卷积核,在不引入额外的池化层的情况下就能够达到优秀的噪声处理效果,有效地避免了池化层引入减少模型参数导致模型精确度不够、噪声处理效果变差的问题。
以上所述,仅为本发明专利较佳的具体实施方式,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利实施例揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明专利的保护范围之内。因此,本发明专利的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,其特征在于:所述方法引入自编码器、残差瓶颈模块、捷径连接、卷积层、批正则化层、激活层结构构建深度神经网络模型,利用固态纳米孔测序电信号数据集对模型进行训练,使其准确地学习测序电信号噪声的特征模式,建立起从噪声信号到干净信号的映射,最终运用学习到的映射对噪声信号相对应的干净信号进行预测和估计;
其包括以下步骤:
步骤S1,搭建残差自编码器卷积神经网络模型;
步骤S2,选取创建训练数据集,设置所述残差自编码器卷积神经网络模型的训练参数;
步骤S3,依据设定的模型训练参数,以最小化损失函数为目标训练所述残差自编码器卷积神经网络模型,完成固态纳米孔测序电信号降噪处理的神经网络模型的构建;
步骤S4,将待处理的噪声电信号输入到固态纳米孔测序电信号降噪处理神经网络模型,输出降噪处理后的信号;
其中,步骤S1中的残差自编码器卷积神经网络模型包括编码器部分和解码器部分,编码器部分包括多个残差编码模块,残差编码模块包括多个卷积层、多个激活层和多个批正则化层;解码器部分由多个逆卷积解码模块、一个卷积层和一个sigmoid激活层组成,逆卷积解码模块由多个逆卷积层、多个激活层和多个批正则化层组成;
其中,所述残差编码模块包括多个卷积核大于1×1的卷积层和多个卷积核为1×1的卷积层;
其中,所述残差编码模块包括一个卷积核大小为3×3的卷积层和两个卷积核为1×1的卷积层;且所述残差编码模块的第一个和第三个卷积层的卷积核大小为1×1,第二个卷积层的卷积核大小为3×3,构建的残差编码模块为瓶颈神经网络结构;
其中,步骤S3中的损失函数为均方误差函数:
其中,Xi、Yi分别为创建的训练集中的噪声信号和干净信号,θ为权重,n表示信号中的数据点数量,F(·)函数表示的是通过训练后得到的噪声信号到干净信号的映射。
2.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,其特征在于,所述残差编码模块包括一个捷径连接用于绕过瓶颈卷积网络结构直接对输入和输出进行恒等映射。
3.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,其特征在于,所述解码器部分的逆卷积解码模块由一个逆卷积层、一个激活层和一个批正则化层组成。
4.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,其特征在于,步骤S2中所述训练数据集由干净的测序电信号和对应的噪声信号组成。
5.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法,其特征在于,步骤S3中所述固态纳米孔测序电信号降噪处理的神经网络模型的权重的初始值由高斯随机函数生成,残差模块最后一个批正则化层的权重参数初始设定为零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032628.6A CN113743301B (zh) | 2021-09-03 | 2021-09-03 | 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032628.6A CN113743301B (zh) | 2021-09-03 | 2021-09-03 | 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743301A CN113743301A (zh) | 2021-12-03 |
CN113743301B true CN113743301B (zh) | 2023-09-26 |
Family
ID=78735415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111032628.6A Active CN113743301B (zh) | 2021-09-03 | 2021-09-03 | 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743301B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781445B (zh) * | 2022-04-11 | 2022-11-18 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
CN116904569B (zh) * | 2023-09-13 | 2023-12-15 | 北京齐碳科技有限公司 | 信号处理方法、装置、电子设备、介质和产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11486873B2 (en) * | 2016-03-31 | 2022-11-01 | Ontera Inc. | Multipore determination of fractional abundance of polynucleotide sequences in a sample |
US10883962B2 (en) * | 2017-01-19 | 2021-01-05 | University Of Kentucky Research Foundation | Electrical double layer in nanopores for detection and identification of molecules and submolecular units |
-
2021
- 2021-09-03 CN CN202111032628.6A patent/CN113743301B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
固态纳米孔上端粒序列的共价修饰与 G-四联体折叠监测;王森 等;《微纳电子技术》;第57卷(第6期);第483-491页 * |
基于LiCl盐浓度梯度的固态纳米孔DNA分子检测;张庞 等;《微纳电子技术》;第58卷(第1期);第72-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113743301A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN113743301B (zh) | 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 | |
CN111932461B (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及*** | |
CN108416755A (zh) | 一种基于深度学习的图像去噪方法及*** | |
CN111815516B (zh) | 一种弱监督红外遥感图像超分辨率重建方法 | |
CN110007265A (zh) | 一种基于深度神经网络的波达方向估计方法 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN112070668B (zh) | 一种基于深度学习和边缘增强的图像超分辨方法 | |
CN108734675A (zh) | 基于混合稀疏先验模型的图像复原方法 | |
CN111598804B (zh) | 基于深度学习的图像多级去噪方法 | |
CN115187610A (zh) | 基于图神经网络的神经元形态分析方法、设备及存储介质 | |
CN111461978A (zh) | 一种基于注意力机制的逐分辨率提升图像超分辨率复原方法 | |
CN111861886A (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN117174105A (zh) | 一种基于改进型深度卷积网络的语音降噪与去混响方法 | |
CN113421187A (zh) | 一种超分辨率重建方法、***、存储介质、设备 | |
CN114882524A (zh) | 一种基于全卷积神经网络的单目三维手势估计方法 | |
CN109063834B (zh) | 一种基于卷积特征响应图的神经网络剪枝方法 | |
CN114494047A (zh) | 一种基于双增强残差网络的生物图像去噪方法 | |
CN117078516B (zh) | 基于残差混合注意力的矿井图像超分辨率重建方法 | |
CN110223224A (zh) | 一种基于信息过滤网络的图像超分辨实现算法 | |
CN109272450A (zh) | 一种基于卷积神经网络的图像超分方法 | |
CN115375537A (zh) | 非线性感知多尺度的超分辨率图像生成***及方法 | |
CN115909077A (zh) | 基于无监督光谱解混神经网络的高光谱图像变化检测方法 | |
CN113935908B (zh) | 一种基于双支路通道和特征强化机制的遥感图像去云方法 | |
CN115131414A (zh) | 基于深度学习的无人机图像对齐方法、电子设备和存储介质 |
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 |