CN117370731A - 一种基于卷积神经网络的声音到达时间估计方法 - Google Patents
一种基于卷积神经网络的声音到达时间估计方法 Download PDFInfo
- Publication number
- CN117370731A CN117370731A CN202311311906.0A CN202311311906A CN117370731A CN 117370731 A CN117370731 A CN 117370731A CN 202311311906 A CN202311311906 A CN 202311311906A CN 117370731 A CN117370731 A CN 117370731A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- sound
- arrival time
- convolutional neural
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 230000005236 sound signal Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004587 chromatography analysis Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000003631 expected effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于卷积神经网络的声音到达时间估计方法，包括，训练数据准备、模型搭建、模型训练、模型部署和模型调用，本发明提供的基于卷积神经网络的声层析声音到达时间计算方法。相较于原来的计算方法，由于神经网络可以学习到不同信号数据的共同特点，该方法有着更强的抗干扰能力，得到的结果准确度更高，而且泛用性更强，可适用于任何流域。
Description
技术领域
本发明涉及江河流量监测领域，特别是涉及一种基于卷积神经网络的声音到达时间估计方法。
背景技术
河流声层析测流技术是一种全新的河流测量技术，具有易安装、受河面情况影响小、准确率高等优点，神经网络模型可以学习到数据的规律，能准确计算出结果。利用卷积神经网络计算声层析算法中的声音到达时间，可以大大提高算法结果的稳定性和准确性，在弱信号环境下能起到很好的效果。
目前，河流声层析测流技术仍在发展阶段，声音信号受到流域地形、温度、设备本身等因素影响，会出现信号变弱、信号缺失等情况，对声音到达时间的测量产生较大干扰，最终影响流速、流量结果的计算。
因此，本领域亟需一种能够提高河流声层析测流质量的技术方案。
发明内容
为了解决河流声层析测流方法中，测量声音到达时间过程中存在的问题，本发明提出了一种基于卷积神经网络的计算方法。
一种基于卷积神经网络的声音到达时间估计方法，包括：
训练数据准备：在高斯噪声背景下添加随机信号，模拟真实收到的声音信号，记录下每个信号的位置，组成一个数据集，再把数据集按一定比例分为训练集、测试集和验证集；
模型搭建：搭建一个多层的卷积神经网络，使用不同核大小的卷积层来识别不同的数据特征，使用resnet结构防止模型过拟合，输入为信号匹配滤波结果的二维图像，输出层使用了Sigmoid函数将输出限制在0-1的范围内，模型最终会输出一张与输入同等大小的二维热力图；
模型训练：根据输出结果与标签的差距设计损失函数，使用训练集分批训练神经网络，使用验证集来控制模型训练次数，当验证集的误差值连续多次不再下降时停止训练，最后用测试集来测试模型结果是否达到预期效果，若模型在测试集上表现合格，则表示模型训练完毕；
模型部署：将模型与相关运行环境部署在声层析***所在服务器上，编写好模型调用的接口，完成模型部署；
模型调用：在流速计算过程中，向模型输入当前信号匹配滤波结果，输出每个时间点是声音到达时间点的概率，找到目标时间点，并通过流速差公式计算出河流流速。
可选的，所述随机信号包括数量随机、位置随机、大小随机的信号。
可选的，所述信号匹配滤波结果的二维图像的大小不限。
可选的，所述在高斯噪声背景下添加随机信号，模拟真实收到的声音信号包括：在高斯噪声背景下任意时刻，添加若干个带有声纹的声音信号，组成一条仿真声音信号数据。
可选的，所述输出层使用了Sigmoid函数将输出限制在0-1的范围内具体为：
Sigmoid函数是一个定义域为实数，值域为(0,1)的严格递增函数，它可以将输出值限制在0-1的范围内。
可选的，所述二维热力图上每一个点的值的大小，表示声音在该时刻到达的可能性大小。
可选的，所述随机信号是一个数据由三个随机变量共同作用而生成的。
与现有技术相比，本发明具有以下优点和有益效果：
本发明提供的基于卷积神经网络的声层析声音到达时间计算方法。原先的声层析声音到达时间计算方法主要是特征点法，根据预设规则寻找特征点，例如找最大值点、找首个超过给定阈值的点等。这一类方法的缺点为泛用性不强，在不同的流域、站点获取到的数据有差异，用户需要设置不同的规则来寻找特征点。而且此类方法受干扰影响大，通常计算得到的结果有跳动，不稳定。
相较于原来的计算方法，本发明神经网络可以通过训练数据学习到不同信号数据的共同特点，例如神经网络能区分出噪声和声音信号，可以根据前后数据计算出连续性更好的声音到达时间结果。该方法有着更强的抗干扰能力，得到的结果准确度更高，而且泛用性更强，可适用于任何流域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的声音到达时间估计方法流程示意图。
图2为本发明实施例提供的带声纹的声音信号图。
图3为本发明实施例提供的噪声背景图与噪声+声音信号合成图。
图4为本发明实施例提供的噪声匹配滤波结果图与噪声+信号匹配滤波结果图。
图5为本发明实施例提供的神经网络结构图。
图6为本发明实施例提供的实际接收的声音信号匹配滤波图。
图7为本发明实施例提供的神经网络输出的概率热力图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种能够提高河流声层析测流质量的技术方案。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1-7所示，本实施例提供了一种基于卷积神经网络的声音到达时间估计方法，包括以下步骤：
训练数据准备：在高斯噪声背景下任意时刻，添加若干个带有声纹的声音信号，组成一条仿真声音信号数据。例如，图2是一个携带声纹的声音信号，图3左图为随机生成的高斯噪声背景，分别在噪声背景的第100、105和200时刻添加一个大小缩放为原来信号振幅的1、0.95和0.8倍的声音信号，得到图3右图的噪声+信号数据，对图3右图所示数据进行匹配滤波算法得到匹配结果(图4右图为其中一部分截图，可以看到在100、105和200取得较大值，表示在这些时刻分别接收到一个声音信号)，该结果即为一个训练数据；
记录下每个信号的添加时刻，作为该数据对应的标签。以上述数据为例，用一个长度等于数据长度，在100、105和200位置等于1，其他位置等于0的向量，表示该数据中的信号位置，该向量即为标签；
一个数据与对应的标签组成一个数据样本，随机生成10万个样本构成一个数据集，其中要求相邻两个样本的信号位置要接近，保证在时序前后信号的连续；把数据集按6：2：2划分成训练集、测试集和验证集，完成训练数据准备工作；
模型搭建：搭建一个多层的卷积神经网络(如图5)，使用不同核大小的卷积层来识别不同的数据特征，使用resnet结构防止模型过拟合。模型的输入为n个信号匹配滤波结果的二维图像(如图6)；输出层使用了Sigmoid函数，Sigmoid函数是一个定义域为实数，值域为(0,1)的严格递增函数，它可以将输出值限制在0-1的范围内；模型最终会输出一张与输入同等大小的二维热力图(如图7)，热力图横轴表示样本数，每一个样本代表发送一次声音信号，纵轴表示声音从发送到接收所需时间。图上每一个点的值的大小，表示在当前样本中该时刻是我们寻找的目标声音到达时间的可能性大小；值越大表示使用该时间计算的流速越准确；
模型训练：设计损失函数为输出和标签的均方差：
其中，xi是输出结果，yi是标签值，l是损失值，l越小表示输出结果与标签值越接近，模型训练的目标就是找到使l最小的模型参数。
为了降低训练时占用内存的大小，我们使用数据分批训练神经网络，每轮训练分为100次，每次训练只使用1000条数据；我们使用验证集来控制模型训练轮数，当验证集的误差值连续多次不再下降时停止训练；最后，我们用测试集来测试模型结果是否达到预期效果，若在测试集上得到结果的误差与训练集、验证集相近，则表示模型泛化能力强、没有出现过拟合现象，训练完毕；
模型部署：将模型与相关运行环境部署在声层析***所在服务器上，编写好模型调用的接口，完成模型部署；
模型调用：向模型输入当前信号匹配滤波结果(如图6)，输出每个时间点是声音到达时间点的概率(如图7)，通过计算概率最大值即可找到声音到达时间点。
所述随机信号包括数量随机、位置随机、大小随机的信号。所述信号匹配滤波结果的二维图像的大小不限。
本发明方法利用神经网络能区分出噪声和声音信号，可以根据前后数据计算出连续性更好的声音到达时间结果。该方法有着更强的抗干扰能力，得到的结果准确度更高，而且泛用性更强，可适用于任何流域。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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 (7)
1.一种基于卷积神经网络的声音到达时间估计方法，其特征在于，包括以下步骤：
训练数据准备：在高斯噪声背景下添加随机信号，模拟真实收到的声音信号，记录下每个信号的位置，组成一个数据集，再把数据集按一定比例分为训练集、测试集和验证集；
模型搭建：搭建一个多层的卷积神经网络，使用不同核大小的卷积层来识别不同的数据特征，使用resnet结构防止模型过拟合，输入为信号匹配滤波结果的二维图像，输出层使用了Sigmoid函数将输出限制在0-1的范围内，模型最终会输出一张与输入同等大小的二维热力图；
模型训练：根据输出结果与标签的差距设计损失函数，使用训练集分批训练神经网络，使用验证集来控制模型训练次数，当验证集的误差值连续多次不再下降时停止训练，最后用测试集来测试模型结果是否达到预期效果，若模型在测试集上表现合格，则表示模型训练完毕；
模型部署：将模型与相关运行环境部署在声层析***所在服务器上，编写好模型调用的接口，完成模型部署；
模型调用：在流速计算过程中，向模型输入当前信号匹配滤波结果，输出每个时间点是声音到达时间点的概率，找到目标时间点，并通过流速差公式计算出河流流速。
2.根据权利要求1所述的基于卷积神经网络的声音到达时间估计方法，其特征在于，所述随机信号包括数量随机、位置随机、大小随机的信号。
3.根据权利要求1所述的基于卷积神经网络的声音到达时间估计方法，其特征在于，所述信号匹配滤波结果的二维图像的大小不限。
4.根据权利要求1所述的基于卷积神经网络的声音到达时间估计方法，其特征在于，所述在高斯噪声背景下添加随机信号，模拟真实收到的声音信号包括：在高斯噪声背景下任意时刻，添加若干个带有声纹的声音信号，组成一条仿真声音信号数据。
5.根据权利要求1所述的基于卷积神经网络的声音到达时间估计方法，其特征在于，所述输出层使用了Sigmoid函数将输出限制在0-1的范围内具体为：
Sigmoid函数是一个定义域为实数，值域为(0,1)的严格递增函数，它可以将输出值限制在0-1的范围内。
6.根据权利要求1所述的基于卷积神经网络的声音到达时间估计方法，其特征在于，所述二维热力图上每一个点的值的大小，表示声音在该时刻到达的可能性大小。
7.根据权利要求2所述的基于卷积神经网络的声音到达时间估计方法，其特征在于，所述随机信号是一个数据由三个随机变量共同作用而生成的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311311906.0A CN117370731B (zh) | 2023-10-10 | 2023-10-10 | 一种基于卷积神经网络的声音到达时间估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311311906.0A CN117370731B (zh) | 2023-10-10 | 2023-10-10 | 一种基于卷积神经网络的声音到达时间估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117370731A true CN117370731A (zh) | 2024-01-09 |
| CN117370731B CN117370731B (zh) | 2024-06-04 |
Family
ID=89399700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311311906.0A Active CN117370731B (zh) | 2023-10-10 | 2023-10-10 | 一种基于卷积神经网络的声音到达时间估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370731B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
| US20190146054A1 (en) * | 2016-06-15 | 2019-05-16 | Nec Corporation | Wave source direction estimation apparatus, wave source direction estimation system, wave source direction estimation method, and wave source direction estimation program |
| CN111860628A (zh) * | 2020-07-08 | 2020-10-30 | 上海乘安科技集团有限公司 | 一种基于深度学习的流量识别与特征提取方法 |
| KR20200128497A (ko) * | 2020-11-02 | 2020-11-13 | 김영언 | 음원 인식 방법 및 장치, 그리고 컴퓨터 판독가능 저장매체 |
| CN111948622A (zh) * | 2020-08-07 | 2020-11-17 | 哈尔滨工程大学 | 基于并联cnn-lstm的线性调频雷达信号toa估计算法 |
| CN112463103A (zh) * | 2019-09-06 | 2021-03-09 | 北京声智科技有限公司 | 拾音方法、装置、电子设备及存储介质 |
| CN113129897A (zh) * | 2021-04-08 | 2021-07-16 | 杭州电子科技大学 | 一种基于注意力机制循环神经网络的声纹识别方法 |
| CN113140229A (zh) * | 2021-04-21 | 2021-07-20 | 上海泛德声学工程有限公司 | 基于神经网络的声音检测方法、工业声学检测***及方法 |
| CN115456040A (zh) * | 2022-08-08 | 2022-12-09 | 中震科建(广东)防灾减灾研究院有限公司 | 一种基于卷积神经网络的p波捡拾算法 |
| CN115508833A (zh) * | 2022-09-20 | 2022-12-23 | 北京航空航天大学 | 一种gnss bi-sar河流边界探测*** |
| CN115523969A (zh) * | 2022-09-16 | 2022-12-27 | 广州远动信息技术有限公司 | 一种声层析江河流量应急测量***及方法 |
| CN115685054A (zh) * | 2021-07-30 | 2023-02-03 | 大唐移动通信设备有限公司 | 定位估计方法、装置及终端 |
| CN115856786A (zh) * | 2022-12-22 | 2023-03-28 | 西北工业大学 | 一种基于信号分割的智能干扰抑制方法 |
-
2023
- 2023-10-10 CN CN202311311906.0A patent/CN117370731B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190146054A1 (en) * | 2016-06-15 | 2019-05-16 | Nec Corporation | Wave source direction estimation apparatus, wave source direction estimation system, wave source direction estimation method, and wave source direction estimation program |
| CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
| CN112463103A (zh) * | 2019-09-06 | 2021-03-09 | 北京声智科技有限公司 | 拾音方法、装置、电子设备及存储介质 |
| CN111860628A (zh) * | 2020-07-08 | 2020-10-30 | 上海乘安科技集团有限公司 | 一种基于深度学习的流量识别与特征提取方法 |
| CN111948622A (zh) * | 2020-08-07 | 2020-11-17 | 哈尔滨工程大学 | 基于并联cnn-lstm的线性调频雷达信号toa估计算法 |
| KR20200128497A (ko) * | 2020-11-02 | 2020-11-13 | 김영언 | 음원 인식 방법 및 장치, 그리고 컴퓨터 판독가능 저장매체 |
| CN113129897A (zh) * | 2021-04-08 | 2021-07-16 | 杭州电子科技大学 | 一种基于注意力机制循环神经网络的声纹识别方法 |
| CN113140229A (zh) * | 2021-04-21 | 2021-07-20 | 上海泛德声学工程有限公司 | 基于神经网络的声音检测方法、工业声学检测***及方法 |
| CN115685054A (zh) * | 2021-07-30 | 2023-02-03 | 大唐移动通信设备有限公司 | 定位估计方法、装置及终端 |
| CN115456040A (zh) * | 2022-08-08 | 2022-12-09 | 中震科建(广东)防灾减灾研究院有限公司 | 一种基于卷积神经网络的p波捡拾算法 |
| CN115523969A (zh) * | 2022-09-16 | 2022-12-27 | 广州远动信息技术有限公司 | 一种声层析江河流量应急测量***及方法 |
| CN115508833A (zh) * | 2022-09-20 | 2022-12-23 | 北京航空航天大学 | 一种gnss bi-sar河流边界探测*** |
| CN115856786A (zh) * | 2022-12-22 | 2023-03-28 | 西北工业大学 | 一种基于信号分割的智能干扰抑制方法 |
Non-Patent Citations (5)
| Title |
|---|
| HAO WANG等: "2D-CNN-Based AoA-ToA Estimation in Presence of Angle-Dependent Phase Errors Using Pico-cells", 《2021 CIE INTERNATIONAL CONFERENCE ON RADAR (RADAR)》, 19 December 2021 (2021-12-19), pages 1817 - 1821, XP034287356, DOI: 10.1109/Radar53847.2021.10028289 * |
| SHUANG WEI等: "A deep-learning-based time of arrival estimation using kernel sparse encoding scheme", 《SIGNAL PROCESSING》, 10 April 2023 (2023-04-10), pages 1 - 8 * |
| 尹子茹: "基于深度学习的LPI雷达信号检测与TOA估计方法研究", 《万方数据》, 4 May 2023 (2023-05-04), pages 1 - 79 * |
| 曹雅茹: "基于差分匹配滤波器的TOA提取与评估研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2021, 15 January 2021 (2021-01-15), pages 135 - 537 * |
| 黄登一: "基于WAMS的电力***扰动传播定位与控制方法研究", 《中国博士学位论文全文数据库 工程科技II辑》, no. 2023, 15 March 2023 (2023-03-15), pages 042 - 88 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117370731B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416755B (zh) | 一种基于深度学习的图像去噪方法及*** | |
| CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
| CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
| CN109934810B (zh) | 一种基于改进粒子群小波神经网络的缺陷分类方法 | |
| CN109740687B (zh) | 一种基于dlae的发酵过程故障监测方法 | |
| CN112949387B (zh) | 基于迁移学习的智能抗干扰目标检测方法 | |
| CN109635763B (zh) | 一种人群密度估计方法 | |
| CN111880158A (zh) | 一种基于卷积神经网络序列分类的雷达目标检测方法及*** | |
| CN111312273A (zh) | 混响消除方法、装置、计算机设备和存储介质 | |
| CN112949820B (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
| CN114387207B (zh) | 基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型 | |
| CN109556797B (zh) | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 | |
| CN115062678B (zh) | 设备故障检测模型的训练方法、故障检测方法及装置 | |
| CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
| CN115131347A (zh) | 一种用于锌合金零件加工的智能控制方法 | |
| CN112215803A (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
| CN112052551B (zh) | 一种风机喘振运行故障识别方法及*** | |
| CN114417688A (zh) | 一种基于声发射的阀门内漏速率检测方法 | |
| CN116680561A (zh) | 一种变转速和样本不均衡下基于gan-ae-lstm的锥齿轮故障诊断方法 | |
| CN117370731B (zh) | 一种基于卷积神经网络的声音到达时间估计方法 | |
| CN113642591B (zh) | 一种基于迁移学习的多波束海底沉积层类型的估计方法及*** | |
| CN116167007A (zh) | 基于门控递归单元自编码神经网络的模拟电路检测方法 | |
| CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
| CN114970642A (zh) | 一种用于加速度计测试的激光多普勒测速仪信号降噪方法 | |
| CN103714385A (zh) | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
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 |