基于光纤传感检测的局部放电信号去噪方法

针对局部放电超声信号检测过程中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,所提方法可提升信噪比约12.1 dB,且能够更加完整地保留原始信号波形。此外,在实验室环境下搭建了10 kV电压等级的局部放电模拟系统,采用Sagnac光纤传感检测局部放电超声信号。实验结果表明,所提方法具有良好的去噪性能,对实测信号的噪声抑制比达到了7.504。

基于DnCNN 的侵彻过载时频去噪方法

目的提高从侵彻过载中准确估计刚体过载信号的能力。方法提出一种基于前馈去噪卷积神经网络(DnCNN)的侵彻过载时频去噪方法,该方法首先应用短时傅里叶变换(STFT)提取侵彻过载信号的时频图像,使DnCNN能够充分利用时频图像信息,估计出刚体过载时频图像。最后,通过逆STFT将时频图像转换回时域,得到估计的刚体过载信号。结果在5-Fold交叉验证中,所提方法在测试集上的平均绝对误差(MAE)为0.968%,Pearson相关系数(r)为90.35%。与低通滤波、总体经验模态分解(EEMD)和小波变换方法相比,所提方法的平均MAE分别降低了1.82%、1.00%、0.75%,平均相关系数r值分别提高了47.81%、17.48%、22.93%。结论所提方法可以从侵彻过载中准确估计出刚体过载信号,在去噪能力上优于低通滤波、EEMD和小波变换方法,且在去噪过程中,无需调整参数,能够自动完成去噪任务。

基于粗糙集的去噪扩散概率方法

基于非Markov链去噪扩散隐式模型(DDIM),提出一种粗糙集的去噪扩散概率方法,用粗糙集理论对采样的原序列等价划分,在原序列上构建子序列的上下近似集和粗糙度,当粗糙度最小时获取非Markov链去噪扩散隐式模型的有效子序列.利用去噪扩散概率模型(DDPM)和DDIM进行对比实验,实验结果表明,该方法获取的序列是有效子序列,且在该序列上的采样效率优于DDPM.

应用生成对抗网络的地震数据重建和去噪一体化方法

在实际采集过程中,受地形条件和人为因素的影响,地震数据不仅在空间上会出现采样不足或不规则的情况,而且会混入噪声,不利于后续地震数据的处理和解释。通常将重建与去噪分为两个阶段处理,这样往往会引入额外的误差。为此,文中提出了一种基于条件韦氏生成对抗网络(cWGAN)的地震数据重建去噪一体化方法,该方法研究的重点是在缺失道和噪声的混合干扰下,准确提取地震数据的有效特征。首先,以U-Net模型为基本网络结构来构建生成器模型,分级提取地震数据同相轴特征;在判别器模型中引入条件约束,引导生成器优化梯度方向。其次,建立重建和去噪误差描述模型,该模型设计了一体化损失函数,可以兼顾重建与去噪两方面的处理任务。最后,经过合成数据和实际数据测试,证明文中所提的网络模型恢复的地震数据信噪比更高且具有较强鲁棒性。

GPR信号去噪的变分模态分解

为了进一步提高探地雷达(ground penetrating radar,GPR)数据的信噪比,压制由随机扰动引起的随机绕射能量,将二维变分模态分解(two-dimensional variational mode decomposition,2D-VMD)引入二维GPR数据的噪声压制处理中。首先,对GPR数据进行2D-VMD处理,并分析各阶本征模态函数(intrinsic mode function,IMF)分量及其对应的频率-波数域谱来确定雷达剖面中的各回波类型。然后,计算IMF分量与原始数据的互相关系数来确定信号模态和噪声模态,并对信号模态进行重构得到降噪后的数据。理论数据和实测数据测试表明,相比于传统的1D-VMD法,2D-VMD滤波后的含噪正演记录峰值信噪比由6.44 dB增加到7.72 dB;经2D-VMD降噪处理后的雷达剖面在保留有效信号的基础上,可以有效压制随机扰动带来的噪声,并且得到的雷达剖面同相轴连续性更好。

协同感知损失和注意力机制的低剂量CT去噪

由于存在特有的量子噪声,低剂量CT去噪是一项艰巨的任务。当前主流研究使用的深度学习方法存在定性和定量指标不匹配的问题,实验结果的定量指标高,但视觉效果不好。为此,提出一种感知损失和注意力机制的低剂量CT协同去噪网络。该协同机制能够在保证视觉效果的基础上明显改善现有方法定量指标低的问题。模型在网络输入端还引入8方向的边缘检测层,可提取更丰富的纹理与结构信息,进一步提升了网络效果。针对体模数据集和真实临床数据集的实验对比结果表明,该方法相比主流工作,在视觉感受和PSNR以及SSIM指标上,均有更优异表现。

基于SLIC超像素分割的非局部均值船舶图像去噪算法

针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。

融合模糊聚类和自适应去噪的推荐遗忘学习算法

隐私保护在推荐系统中具有至关重要的地位,因为它有助于保护用户的敏感信息免受泄露风险。近年来,推荐遗忘学习作为一种有效的隐私保护手段引起了越来越多的关注。现有方法为了提高模型的训练效率,通常将数据划分为子分区进行训练。然而,简单划分子分区会破坏用户-项目间的完整性,降低数据的可用性。此外,子分区中隐式反馈的假阳性噪声会干扰模型的训练,使其无法准确地捕捉用户的真实偏好。为解决上述问题,提出了融合模糊聚类和自适应去噪的推荐遗忘学习算法(FDRU)。该算法使用模糊聚类来划分数据集,通过计算交互样本到各个聚类中心的余弦距离来确定隶属度,进而将训练集划分为若干个子分区。FDRU设计了一种自适应去噪方法,其能够根据阈值动态地剔除子分区中的假阳性噪声。通过动态权重聚合子模型进行预测和Top-N推荐。为了验证提出算法的性能,在三个公开数据集上进行实验验证,实验结果表明,提出的算法在召回率和归一化折损累计增益上优于其他基准算法。

面向城区的基于图去噪的小区级RSRP估计方法

移动通信系统网络的规划、部署和优化都不同程度依赖于参考信号接收功率(RSRP)估计的准确性。传统上,基站覆盖小区内某信号接收点的RSRP可由对应的无线传播模型估计。在城市环境中,不同小区的无线传播模型需要使用大量RSRP实测数据校正。由于不同小区环境存在差异,经过校正后的模型只适用于对应小区,且小区内的RSRP估计精度低。针对上述问题,将RSRP估计问题转化为图去噪问题,并通过图像处理与深度学习技术得到小区级无线传播模型,不仅能实现小区整体的RSRP估计,且能适用于相似环境小区。首先,通过随机森林回归器逐点预测每个接收点的RSRP,得到整个小区的RSRP估计图;然后,将RSRP估计图和实测RSRP分布图之间的损失视为RSRP噪声图,提出基于条件生成对抗网络(CGAN)的图去噪RSRP估计方法,通过电子环境地图反映小区的环境信息,有效地降低不同小区的RSRP。实验结果表明,在无实测数据的跨小区RSRP预测场景下,所提方法预测RSRP的均方根误差(RMSE)为6.77 dBm,相较于基于卷积神经网络的RSRP估计方法EFsNet下降2.55 dBm;在同小区RSRP预测场景下,相较于EFsNet,模型参数量减小80.3%。

基于CEEMD-IDWT的受载煤岩微震电压去噪算法

受载复合煤岩变形破裂过程中产生的微小震动信号包含煤岩内部结构破裂信息,传统设备采集的微震信号存在大量环境噪声而无法直接进行分析。为有效提取受载煤岩变形破裂过程微震信号的变化特征,采用互补集合经验模态分解算法(CEEMD)与改进dmey小波(IDWT)算法相融合,提出一种新型CEEMD-IDWT联合去噪算法。该算法首先利用CEEMD算法对原始信号进行分解,然后对分解得到的IMF分量应用IDWT算法进行去噪处理,最终将处理过的分量进行重构得到去噪信号。利用仿真分析和单轴压缩实验对该算法的有效性进行验证,结果表明:CEEMD-IDWT联合算法在仿真分析中,相比传统算法信噪比最大提高204.5%,对于其他改进去噪算法信噪比最少提高11.8%,去噪能力具有明显优势;将该算法嵌入自研微震电压采集设备,在复合煤岩单轴压缩实验中得到的微震电压信号噪噪比仅为0.08975,实际去噪效果明显;经CEEMD-IDWT联合算法去噪之后的微震电压具有明显的变化特征,显著提升了信号去噪效果,有效避免了微震电压信号的失真,可以作为受载煤岩变形破裂微震电压信号去噪处理的理想算法,为煤岩动力灾害的准确预判提供了一种可靠且先进的技术参考。

室内地埋供热管道泄漏的声学监测及其信号去噪方法研究

为了更精确地对室内地埋供热管道泄漏声学监测信号进行主要特征频率提取和分析,需先对测量信号去噪。本文采用变分模态分解(variational mode decomposition,VMD),对距离漏水点5 cm和40 cm测量点的原始声信号分别进行模态分解,计算出各模态分量的排列熵并将其作为噪声信号剔除的依据,最后对信号进行重构,并与经验模态分解(empirical mode decomposition,EMD)、集合经验模态分解(ensemble empirical mode decomposition,EEMD)的处理结果进行对比。发现相比于其他两种分解降噪方法,VMD能够更好地解决模态混叠问题,能更为精确地将噪声信号去除,达到更好的去噪效果。

基于深度去噪自编码器的智能内部审计预警研究

基于生成式人工智能技术的ChatGPT,依托其强大的数据分析与处理能力以及大型语言模型,为企业智能内部审计预警提供新思路、新路径。文章在探讨生成式人工智能与企业内部审计契合性的基础上,结合ChatGPT的关键技术架构,构建了一种以添加注意力机制和双向长短期记忆(Attention-Bi-LSTM)作为神经网络的深度去噪自编码器(DDAE)智能内部审计预警模型,并从基础设施层、数据层、服务层、平台层和应用层五个层次分析了该模型在应用实施中的关注点。期望本文可以为以ChatGPT为代表的生成式人工智能应用于企业内部审计预警提供新的方法,也为注册会计师从事社会审计提供借鉴。

基于Curvelet域的注意力机制卷积网络地震数据去噪

【目的】地震资料中的噪声严重影响着对地下地层信息的准确解释。基于地震资料中横向相关性较强的有效信号在Curvelet域分布在特定系数上,而随机噪声在Curvelet域通常会均匀分布于所有系数,可对信号进行更有效的分离。【方法】基于注意力机制卷积神经网络能够聚焦图像的重要特征,自适应提取关键信息的特点,提出一种基于Curvelet变换和注意力机制卷积神经网络(Curvelet-AU-Net)的地震数据噪声衰减方法。首先,将含噪声的地震数据通过Curvelet变换得到Curvelet变换系数,分析有效信号和噪声在Curvelet域的分布情况。其次,使用加入CBAM(Convolutional block attention module)注意力机制的U-Net网络,以含噪地震数据的Curvelet变换系数制作训练集作为输入数据,用无噪地震数据的Curvelet变换系数作为标签,通过比较实际输出与标签的损失函数值,并逐层反向传播梯度来更新网络参数,当损失函数值达到最小时,网络训练完成。最后,将测试数据输入训练好的网络模型中,再对网络输出数据进行Curvelet反变换即可得到地震数据去噪结果。【结果和结论】模拟数据与实际数据处理结果表明,与传统方法和普通卷积网络相比,该方法在不同噪声水平和尺度条件下对常见噪声(如随机噪声等)的衰减效果更优,获得的地震信号信噪比和保真度更高。由于该方法融合了Curvelet变换的稀疏表示优势和深度学习模型的自适应性,将为地震数据噪声衰减提供一种新的解决途径。

基于DDPM的调制信号星座图去噪方法

调制信号广泛应用于有线通信、无线电通信和视频传输等领域。然而,调制信号在传输过程中常受到噪声干扰,这为后续调制识别造成了影响。针对这一问题,本文提出一种基于去噪扩散概率模型(Denoising Diffusion Probabilistic Model,DDPM)的调制信号去噪方法。该方法将理想调制信号星座图样点坐标输入神经网络,基于DDPM正向扩散加噪过程生成噪声数据训练网络模型,用DDPM逆扩散过程实现真实调制信号星座图去噪。该方法能够在任意噪声干扰下,恢复出信噪比较高的调制信号星座图。实验结果表明,该方法在处理二进制相移键控(Binary Phase Shift Keying,BPSK)、正交相移键控(Quadrature Phase Shift Keying,QPSK)、8移相键控(8 Phase Shift Keying,8PSK)调制方式时表现出了显著的去噪效果。当信噪比高于-5 db时,去噪后的星座图样点坐标偏移量仅为1.17e-02,标准差仅为1.53e-04,可有效用于调制识别中。

注意力去噪与复数LSTM的时变信道预测算法

随着无线通信技术的发展,高速场景下通信技术的研究也越来越广泛,其中获取到准确的信道状态信息对提升无线通信系统的性能具有重要的意义。针对正交频分复用系统在高速场景下,现有信道预测算法未考虑噪声影响及预测精度低的问题,提出了一种注意力去噪与复数卷积LSTM的时变信道预测算法。首先,设计了一种通道注意力信道去噪网络对信道状态信息进行去噪处理,降低了噪声对信道状态信息的影响。然后,提出了基于复数卷积层和长短期记忆网络的信道预测模型,对去噪后历史时刻的信道状态信息进行特征提取,并且对未来时刻的信道状态信息进行预测;改进后的LSTM预测模型增强了对信道时序特征的提取能力,提高了信道预测的精度。最后,结合Adam优化器对未来时刻信道状态信息进行预测输出。仿真结果表明:与对比算法相比,所提基于注意力去噪与复数卷积LSTM的时变信道预测算法对信道状态信息的预测精度更高,能够适用于高速移动场景下的时变信道预测。

基于小波变换的语音信号去噪算法优化

深入研究基于小波变换的语音信号去噪方法,并针对传统方法在复杂噪声环境下处理效果不佳的问题,提出一种基于自适应阈值的小波变换去噪优化方法。首先,分析小波变换去噪的基本原理。其次,深入研究自适应阈值技术的数学模型,并将其应用于小波变换,通过动态调整阈值来适应不同噪声环境的需求。最后,采用Aurora数据集进行实验验证。实验结果表明,该方法能够有效去除噪声。

参数优化VMD结合改进小波包阈值的去噪方法

针对轴承信号故障特征容易被噪声淹没的问题,提出一种参数优化变分模态分解结合改进小波包阈值的去噪方法。首先,通过变分模态分解(Variational Mode Decomposition,VMD)结合改进粒子群算法(Improve Particle Swarm Optimization,IPSO)将含噪信号分解为若干本征模态分量(Intrinsic Mode Function,IMF)。以最大相关系数-相关峭度为准则,把IMF分为高值分量(High-value Intrinsic Mode Function,HIMF)和低值分量(Low-value Intrinsic Mode Function,LIMF)。再对LIMF进行改进小波包(Improved Wavelet Packet,IWP)阈值去噪。最后对重构信号进行包络解调,提取轴承故障特征频率,完成故障诊断。实验结果表明,该方法不仅能够避免“过扼杀”现象,并且可以得到信噪比更高的去噪信号。

基于匹配追踪的信号去噪方法性能影响因素分析

基于匹配追踪(Matching Pursuit)的信号去噪方法的基本思想是利用信号、噪声与原子库相关性大小的差异。在实际应用中,相关性大小要用内积来衡量。当信噪比较低、信号长度有限时,内积不再准确反映相关性大小,去噪方法的性能严重下降甚至失效。该文首先介绍了此类方法的基本思想和处理流程,在此基础上深入分析了信噪比、信号长度对相干比阈值及去噪性能的影响,通过仿真验证了分析结果的正确性,并从中得到了一些有益的结论。

基于分数阶偏微分的数字图像滤波去噪仿真

受多种因素影响,数字图像会呈现出不同程度的噪声图斑,导致图像质量、清晰度降低,加大了图像分析、检测、分割等难度,为此,提出基于偏微分方程的图像自适应滤波去噪算法。区分图像噪声点和非噪声点,检测图像的边缘特征,提高算法对边缘的保留能力;构建分数阶偏微分方程模型,通过模型完成对图像的自适应滤波去噪处理。选取含有不同程度的噪声图像对所提方法展开实验测试,结果表明,所提方法可以有效去除图像中的冗余噪声,使图像整体质量得到大幅度提升。

基于先验驱动深度神经网络的泊松去噪变分模型

泊松去噪是一个典型的病态逆问题,其变分模型需要反复迭代和调节参数且计算效率低下,而纯深度学习模型往往依据经验设计网络且可解释性差。针对以上问题,在泊松噪声去噪变分模型的交替方向乘子法展开的基础上,设计端到端深度卷积神经网络,结合泊松噪声分布统计量与Bayesian最大后验概率估计推导出改进的泊松去噪变分模型。为了求解泊松去噪能量函数极值问题,采用交替方向乘子法,引入辅助变量、拉格朗日乘子和惩罚参数,将该问题分解为高斯去噪和图像重建两类交替优化子问题,先采用先验驱动的深度卷积神经网络实现高斯去噪,再通过解析迭代求解完成图像重建。实验结果表明,与基于非线性主成分分析、VST+BM3D、I+VST+BM3D和TRDPD的泊松去噪模型相比,改进模型在Set12数据集上的峰值信噪比均值分别提高2.73、0.87、0.57和0.50 dB,结构相似性均值分别提高0.148、0.046、0.020和0.047,在彩色图像及正电子发射断层扫描与计算机断层扫描图像上也明显提升了泊松去噪效果。上述实验结果证明了改进模型不仅有效去除了泊松噪声,而且避免了泊松去噪过程中产生的伪影和散斑等问题。