-
公开(公告)号：CN110459197A
公开(公告)日：2019-11-15
申请号：CN201910618437.4
申请日：2019-07-10
Applicant: 哈尔滨工业大学(深圳) , 哈尔滨工业大学
Abstract: 本发明涉及一种信号增强器，包括：延时模块；自适应滤波器，用于输出目标信号；以及参数调节模块，用于通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节。基于该信号增强器的信号去噪和提取方法包括：将输入信号经过延时环节后，输入到自适应滤波器；通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节；和通过参数优化后的自适应滤波器输出去噪后的目标信号。本发明还涉及一种包含所述信号增强器的信号检测系统。本发明具有如下优点：1)适合噪声与目标信号频谱有重叠的强噪微弱信号提取和去噪；2)适合目标信号未知的盲信号提取；3)能够提取目标信号的时域波形和全部频率成分。
-
公开(公告)号：CN110459197B
公开(公告)日：2021-09-24
申请号：CN201910618437.4
申请日：2019-07-10
Applicant: 哈尔滨工业大学(深圳) , 哈尔滨工业大学
Abstract: 本发明涉及一种信号增强器，包括：延时模块；自适应滤波器，用于输出目标信号；以及参数调节模块，用于通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节。基于该信号增强器的信号去噪和提取方法包括：将输入信号经过延时环节后，输入到自适应滤波器；通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节；和通过参数优化后的自适应滤波器输出去噪后的目标信号。本发明还涉及一种包含所述信号增强器的信号检测系统。本发明具有如下优点：1)适合噪声与目标信号频谱有重叠的强噪微弱信号提取和去噪；2)适合目标信号未知的盲信号提取；3)能够提取目标信号的时域波形和全部频率成分。
-
公开(公告)号：CN110879254A
公开(公告)日：2020-03-13
申请号：CN201811029104.X
申请日：2018-09-05
Applicant: 哈尔滨工业大学
Abstract: 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法，本发明解决了针对不同种类的噪声环境下，通过对抗神经网络训练噪声模型实现自动滤除复杂噪声问题。本发明的步骤为：一、合成不同噪声背景下含噪信号样本库并归一化。二、生成式对抗网络的初始化。三、将去噪样本与参考样本共同输入判别器网络并根据判别误差更新判别网络权值。四、根据判别器损失值及去噪后均方误差更新生成网络权值。五、交替训练判别网络与生成网络最终用生成器前向网络实现噪声的有效去除。本发明与现有技术相比，具有以下优点：1)可用相同结构同时抑制多种噪声；2)自动学习噪声模型，不需任何先验知识；3)在高速强噪背景下仍能检测出裂纹声发射信号。
-
公开(公告)号：CN106248801B
公开(公告)日：2019-06-14
申请号：CN201610803720.0
申请日：2016-09-06
Applicant: 哈尔滨工业大学
Abstract: 一种基于多声发射事件概率的钢轨裂纹检测方法，本发明提出用卷积神经网络输出的相对概率作为声发射事件概率，解决了当前钢轨裂纹检测未充分利用样本间时序信息的问题。本发明的步骤为：一、加载声发射时域信号数据矩阵，对声发射信号做FFT变换及预处理，获得折叠为三维矩阵的频谱矩阵与标签向量。二、设定卷积网络结构参数及初始值。三、输入频谱矩阵，逐层计算迭代卷积神经网络模型误差，更新权值矩阵及偏置，进行特征提取，输出测试集分类结果及分类概率。四、基于多声发射事件概率对卷积神经网络输出修正，优化分类结果。本发明用多次声发射事件概率改进分类结果，提高了钢轨裂纹伤损的检测精度，有较强的理论与工程实际意义。
-
公开(公告)号：CN110879253B
公开(公告)日：2021-04-06
申请号：CN201811029067.2
申请日：2018-09-05
Applicant: 哈尔滨工业大学
Abstract: 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法，本发明解决了针对铁路现场复杂的噪声环境下，通过LSTM循环网络训练噪声模型实现自动滤除复杂噪声问题。本发明的主要步骤为基于相同结构的LSTM网络连续两次分别建立背景噪声的时序模型及裂纹信号时序模型，并对二者预测的误差信号取上包络做差，以去除其中的异常噪声，最终检测出含噪信号中包含的裂纹信号成分。本发明与现有技术相比，具有以下优点：1)该级联的时序模型可用于滤除产生机理未知的异常噪声；2)自动学习噪声模型，不需任何先验知识；3)在高速强噪背景下信号被噪声完全淹没时，本方法仍能有效检测出裂纹声发射信号。
-
Patent Agency Ranking
公开(公告)号：CN110879253A
公开(公告)日：2020-03-13
申请号：CN201811029067.2
申请日：2018-09-05
Applicant: 哈尔滨工业大学
Abstract: 一种基于改进长短时记忆网络的钢轨裂纹声发射信号检测方法，本发明解决了针对铁路现场复杂的噪声环境下，通过LSTM循环网络训练噪声模型实现自动滤除复杂噪声问题。本发明的主要步骤为基于相同结构的LSTM网络连续两次分别建立背景噪声的时序模型及裂纹信号时序模型，并对二者预测的误差信号取上包络做差，以去除其中的异常噪声，最终检测出含噪信号中包含的裂纹信号成分。本发明与现有技术相比，具有以下优点：1)该级联的时序模型可用于滤除产生机理未知的异常噪声；2)自动学习噪声模型，不需任何先验知识；3)在高速强噪背景下信号被噪声完全淹没时，本方法仍能有效检测出裂纹声发射信号。
-
公开(公告)号：CN110717274A
公开(公告)日：2020-01-21
申请号：CN201910961806.X
申请日：2019-10-11
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种噪声描述方法，包括：噪声预处理模块，用于输出符合建模标准的噪声；分形维提取模块，用于提取所述符合建模标准的噪声的分形维；噪声建模模块，用于在所提取的分形维的基础上建立噪声的分形布朗运动模型。分形维提取模块还包括基于小波分解的分形维提取方法：对所述符合建模标准的噪声进行多层小波分解；对分解得到的各层小波系数方差取以2为底的对数；做出小波分解层数和小波系数方差对数的曲线；采用最小二乘法估计曲线的斜率并计算分形维。本发明具有如下优点：1)能够提取噪声的分形维；2)对不同运行速度下产生的噪声给出统一描述；3)同时确定噪声的统计、时域和频域特性。
-
公开(公告)号：CN109752461A
公开(公告)日：2019-05-14
申请号：CN201711089462.5
申请日：2017-11-08
Applicant: 哈尔滨工业大学
Abstract: 一种改进的分段式调节的最小均方反卷积钢轨裂纹信号复原方法，本发明解决了通过声发射探头激励出与钢轨断裂过程相同特性的声发射信号问题。本发明步骤为：一、将已知脉冲信号由声发射探头输入钢轨；二、输出与输入做FFT变换，二者频谱相除得系统特性初值；三、对系统特性最小均方滤波；四、重复步骤三至还原误差小于预设值，输出系统脉冲响应；五、由裂纹信号与系统脉冲响应反卷积得反演信号。六、根据钢轨不同频率段衰减程度设定权值，将反演信号时域成分加权叠加得最终输入信号。本发明用分段调节最小均方反卷积方法在钢轨中反演出裂纹声发射信号，改进了现有声发射测试中裂纹源模拟方法，更加安全易于实施，有较强的理论与工程实际意义。
-
公开(公告)号：CN105631480A
公开(公告)日：2016-06-01
申请号：CN201511022779.8
申请日：2015-12-30
Applicant: 哈尔滨工业大学
IPC: G06K9/62
CPC classification number: G06K9/6267
Abstract: 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法，其步骤如下：一、对三维高光谱数据展开分类前进行预处理，获得包含有效光谱信息的数据矩阵与标签向量；二、对数据矩阵进行特征扩维，并对特征维进行按列折叠重组，获得重组的三维高光谱数据输入矩阵；三、设定多层卷积网络结构参数与初始值；四、利用前向传播与BP算法逐层计算特征与误差，并对网络权值与偏置进行更新，不断迭代获得网络稳定参数，最终获得能够用于分类的网络模型与参数。相比于其他方法，该方法原理清楚，结构清晰，识别时间短，同时探测辨识率高，是针对高光谱数据的一个有效分类方法，适用于高光谱图像快速目标探测与分类识别应用。
-
公开(公告)号：CN110717274B
公开(公告)日：2024-05-10
申请号：CN201910961806.X
申请日：2019-10-11
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种噪声描述方法，包括：噪声预处理模块，用于输出符合建模标准的噪声；分形维提取模块，用于提取所述符合建模标准的噪声的分形维；噪声建模模块，用于在所提取的分形维的基础上建立噪声的分形布朗运动模型。分形维提取模块还包括基于小波分解的分形维提取方法：对所述符合建模标准的噪声进行多层小波分解；对分解得到的各层小波系数方差取以2为底的对数；做出小波分解层数和小波系数方差对数的曲线；采用最小二乘法估计曲线的斜率并计算分形维。本发明具有如下优点：1)能够提取噪声的分形维；2)对不同运行速度下产生的噪声给出统一描述；3)同时确定噪声的统计、时域和频域特性。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.021 seconds)
