基于深度降噪卷积神经网络的宽波段共相检测研究

拼接镜的共相误差检测是当前科学研究的热点问题之一,基于宽波段光源的共相检测技术解决了夏克哈特曼法由于目标流量低引起的测量时间长的问题,从而提升了piston误差的检测精度和量程。然而,当前宽波段算法在实际应用中,由于复杂的环境以及相机扰动等干扰因素的存在导致获取的圆形孔径衍射图像含有一定量的噪声,从而导致相关系数值低于设定阈值,最终使该方法精度降低,甚至失效。针对这一问题,本文提出将基于深度降噪卷积神经网络(DnCNN)的算法集成到宽波段算法中,以实现对噪声干扰的控制,并保留远场图像的相位信息。首先,将使用MATLAB获得的圆孔衍射图像作为DnCNN的训练数据,然后,将不同噪声水平的图像导入到训练好的降噪模型中,即可得到降噪后的图像以及降噪前、后圆孔衍射图像的峰值信噪比和二者与清晰无噪声图像间的结构相似度。结果表明:降噪处理后的图像与理想清晰图像之间的平均结构相似度较处理之前有了明显提升,获得了理想的降噪效果,有效增强了宽波段算法在高噪声条件下的应对能力。该研究对于探索用于实际共相检测环境宽波段光源算法具有较强的理论意义和应用价值。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪

针对钢轨表面缺陷图像降噪依赖人工设置滤波参数和缺陷边缘模糊的问题,提出基于注意力引导多尺度降噪卷积神经网络的钢轨表面缺陷图像降噪方法。首先采用深层网络中的多尺度卷积自动提取含噪图像的特征,使其不依赖于人工设置滤波参数,并克服单尺度卷积特征不够精细导致缺陷边缘模糊的问题;其次利用跳跃连接融合网络深层特征和浅层特征,强化浅层特征影响,克服因网络加深导致浅层特征被忽略的问题,使特征更充分;然后利用注意力机制调节特征在空间不同位置的权重,筛选出能表征噪声的特征,获得噪声信息;最后通过重建模块去除含噪图像中的噪声,实现端到端的降噪。试验结果从定性和定量角度证明所提方法不仅降噪效果更好,且更有效地保留了缺陷边缘信息,为缺陷精确分割提供条件。

采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。

基于轻量神经网络的MEMS陀螺仪降噪与标定方法

针对MEMS陀螺仪测量模型中时变、非线性误差和高频噪声引起的姿态估计精度低及易发散的问题,提出一种基于深度学习的陀螺仪降噪与标定方法。对陀螺仪测量误差进行建模,采用卷积神经网络(CNN)从陀螺仪历史数据中提取误差模型特征,实现对陀螺仪数据实时降噪与标定,获得高精度姿态估计结果。原始陀螺仪数据经过网络降噪和标定后进行姿态估计,并将结果与参考姿态真值构建损失函数训练网络。在EuRoC导航数据集上的实验结果表明:与基于循环神经网络的方法和直接使用原始陀螺仪数据进行的姿态估计相比,基于CNN的方法误差分别降低了55.9%和96.4%,有效降低陀螺仪误差与噪声并提高姿态估计精度。网络轻量,参数仅有180个,适合嵌入式系统的应用。

基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法

针对数据驱动的风机故障诊断面临的数据量少、信号噪声干扰等问题,提出了一种基于宽卷积深度神经网络的故障诊断方法。该方法采用了重采样、小波阈值去噪等信号预处理方式,既增加了信息密度,又保证了信息的完整性,结合主成分分析法(principal component analysis,PCA)替代人工经验进行数据通道的选取。利用卷积神经网络的强大特征提取能力,通过较少的数据训练即可对风机机组在时域上的故障信号进行有效的特征提取,从而可以对风机进行精确的故障诊断。基于某真实风机机组数据的实验结果,验证了该方法的有效性。

基于深度卷积神经网络的语音降噪研究

目的为了提高实际工作中获取到的音频资料中语音的质量,降低噪声对语音质量及可懂度的影响,提出了一种基于深度卷积神经网络的语音降噪模型。方法该模型通过卷积、加偏置、批量归一化、Relu激活的多层循环结构,能够有效地对低信噪比条件下语音中的洗衣机噪声、鼓掌噪声、汽车内部噪声等多种常见的环境噪声进行降噪处理。结果最终含噪语音经过模型处理后的MOS评分达到3.91分,其中最高分4.05分,最低分3.81分。结论该模型能够切实提高含噪语音的质量及可懂度,对于实际的公安工作、智慧警务建设、语音分析、语音文本识别等具有重要的意义和价值。

基于卷积神经网络的辐射图像降噪方法研究

为了抑制探测器中统计涨落引起的噪声,提出了一种基于卷积神经网络的辐射图像降噪方法。该方法利用引入残差网络结构的卷积神经网络模型,对训练集中的辐射图像样本进行了训练,拟合出含噪声图像和无噪声图像的映射关系。实验结果表明,本文方法在降低统计噪声的同时保留了图像的细节。与传统的降噪方法相比,本文方法在量化指标和视觉效果上均有较大的改善。

基于深度卷积神经网络的端到端语音识别方法研究

端到端语音处于直接通信环境,缺少加密过程,语音信息传输过程中存在一定的干扰,导致信号特征提取较为困难,为此提出基于深度卷积神经网络的语音识别方法的研究。首先基于尺度噪声能量估计方法完成语音去噪处理;其次,通过聚合经验模态分解方法提取语音特征信息;最后,使用残差网络优化深度卷积神经网络模型,并完成端到端的语音识别。实验结果表明,所提方法在无噪声添加和有噪声添加的情况下,端到端语音识别词错率最大值分别为10%、12%,表明该方法能够高效、准确实现端到端语音识别,具有较高的实际应用价值。

降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用

针对非线性时变信号分类问题,将过程神经网络(PNN)的信息处理机制与卷积运算相结合,提出了一种降噪自编码器深度卷积过程神经网络(DAE-DCPNN)。该模型由时变信号输入层、卷积过程神经元(CPN)隐层、深度降噪自动编码器(DAE)网络结构和softmax分类器构成。CPN的输入为时序信号,卷积核取为具有梯度性质的5阶数组,基于滑动窗口进行卷积运算,实现时序信号的时空聚合和过程特征提取。在CPN隐层之后,栈式叠加DAE深度网络和softmax分类器,实现对时变信号特征高层次的提取和分类。分析了DAE-DCPNN的性质,给出了按各信息单元分别进行赋初值训练、模型参数整体调优的综合训练算法。以基于12导联心电图(ECG)信号对7种心血管疾病分类诊断为例,实验结果验证了所提模型和算法的有效性。

基于深度卷积神经网络的地震数据局部信噪比估计

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声,然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性,往往存在偏差.本文提出一种估计地震数据局部信噪比的深度卷积神经网络模型,通过迭代训练优化参数,构建从含噪地震数据到其信噪比的特征映射.然后使用该神经网络完成信噪比的推理预测,不需要分离地震数据中的有效信号和噪声.模拟数据和实际资料的处理结果都表明,本文的方法可以准确而高效地估计局部地震数据的信噪比,为地震数据质量的定量评价提供依据.

基于深度降噪自编码神经网络的中国大陆地壳厚度反演

本文采用基于数据驱动的深度降噪自编码网络构建了瑞雷面波群速度、相速度频散特性与地壳厚度的正反演函数关系,并利用最新频散模型反演了中国大陆的地壳厚度。对于神经网络架构体系的评价,除了考虑传统意义上的测试误差、训练误差之外,本文还用已知物理原理的正演结果与网络预测结果进行比较;在设计网络构架时,同时考虑地球模型和面波频散的正反演问题,即解码过程对应正演过程,编码过程对应反演过程。另外,针对观测频散数据包含噪声的特点,对训练样本加噪声,使解码器解码出无噪声输入,以达到对观测数据降噪的目的。对网络各种参数多次调试、分析再优化组合,最终获得稳健的神经网络,并据此反演出中国大陆的地壳厚度。本研究结果与已有的不同手段得到的地壳厚度模型的吻合度较高,表明深度降噪自编码神经网络能很好地揭示面波频散与地壳厚度之间的非线性关系,是利用面波频散反演地壳厚度的一种可行的和可信的方法。

基于卷积特征提取及深度降噪网络的大规模MIMO系统信号检测

传统多输入多输出(Multiple-Input Multiple-Output,MIMO)信号检测算法受到天线数量和收发天线比例的限制,一般仅适用于少量天线、收发天线比例较低的情况。本文提出一种基于深度学习(Deep Learning,DL)的稀疏连接卷积降噪网络模型,用于大规模MIMO系统上行链路信号检测。首先,通过简化经典的检测网络(Detection Network,DetNet),改进ScNet(Sparsely Connected Neural Network)检测算法,引入卷积神经网络(Convolutional NeuralNetworks,CNN)对三通道输入数据提取特征以减少训练参数,提出一种SConv(SparselyConnected Convolutional Neural Network)检测算法。与DetNet算法相比,该算法可同时降低计算复杂度和提高检测精度。在此基础上,进一步基于CNN构建信号降噪模块,并嵌入SConv网络,提出一种卷积神经降噪(Sparsely Connected Convolutional Denoising,SConv-D)网络辅助的大规模MIMO检测算法。此算法检测过程分为两级,第一级由SConv算法提供初始估计值,再将初始估计值作为降噪过程的输入,并由此构成算法第二级。实验结果表明,本文提出的SConv-D算法适用于QPSK、4QAM及16QAM等多种信号调制模式,在高阶调制模式下获得的性能增益尤为明显。此外,该算法能够适应各种比例的收发天线及数量规模的系统配置,尤其是在收发天线数量相等的情况下亦能获得更优的性能。本文算法还克服了MMNet在高阶调制情况下的性能平台效应,在16QAM调制、收发天线数量相等的情况下,SConv-D在10^(-2)误比特率上能获得接近2 dB的性能增益。

结合降噪卷积神经网络和条件生成对抗网络的图像双重盲降噪算法

针对图像降噪中降噪效果差、计算效率低的问题,提出了一种结合降噪卷积神经网络(Dn CNN)和条件生成对抗网络(CGAN)的图像双重盲降噪算法。首先,使用改进的Dn CNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获;其次,将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别;然后,利用判别结果对整个模型的隐层参数进行优化;最后,生成器和判别器在博弈中达到平衡,且生成器的残差捕获能力达到最优。实验结果表明,在Set12数据集上,当噪声水平分别为15、25、50时:所提算法与Dn CNN算法相比,基于像素点间误差评价指标,其峰值信噪比(PSNR)值分别提升了1.388 d B、1.725 d B、1.639 d B;所提算法与三维块匹配(BM3D)、加权核范数最小化(WNNM)、Dn CNN、收缩场级联(CSF)和一致性神经网络(CSNET)等现有算法相比,结构相似性(SSIM)评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。

基于深度卷积神经网络的真实感渲染降噪方法

蒙特卡洛积分因为其灵活性与普适性已经成为多数真实感图像合成的首选算法,然而,渲染图像的质量往往会受到估算方差的影响,视觉上主要体现为图像噪声。为了降低方差,蒙特卡洛渲染系统往往需要大量的采样,这也导致需要花费大量时间去渲染无噪声图像。针对此问题,提出一种基于卷积神经网络的蒙特卡洛降噪算法。该算法可以在实时运行的条件下进行降噪处理,同时为了解决深度卷积神经网络梯度消失问题,在原卷积网络基础上对卷积网络增加了残差结构,加深卷积网络的层数。对比实验证明,所提出的算法能够在保证实时的前提下达到更好的降噪质量。

基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。

基于一维卷积神经网络和降噪自编码器的驾驶行为识别

针对驾驶行为分类中出现的精度不足和时间复杂度高的问题,提出一种基于一维卷积神经网络(1D-CNN)和降噪自编码机(DAE)的混合模型。使用移动终端在车辆行驶中采集加速度传感器数据、陀螺仪传感器数据以及磁场传感器数据,融合这三种传感器数据,经过预处理后输入到DAE中,提取DAE中隐藏层特征数据完成降维处理,将降维数据输入到三通道的1D-CNN中,通过Softmax分类器识别出九种驾驶行为。实验结果表明,该模型的整体识别率为93.7%,分类效果优于传统的机器学习算法。

基于堆叠式降噪自动编码器和深度神经网络的风电调频逐步惯性智能控制

风电调频的逐步惯性控制(SIC)策略在负荷波动后提供一个阶跃式功率增发,能够有效阻止系统频率下降,保障电网频率安全.但在其功率恢复阶段,容易出现二次频率跌落现象,需优化SIC以获得更好的调频效果.传统方法存在计算维度高和耗时较长的弊端,难以满足不同场景下快速提供最优控制效果的需求.为实现负荷扰动事件下风电调频的最优逐步惯性快速控制,引入深度学习算法,提出一种基于堆叠式降噪自动编码器(SDAE)和深度神经网络(DNN)的风电调频逐步惯性智能控制方法.首先,使用麻雀搜索算法获得最优参数,使用SDAE高效提取数据特征;随后,基于DNN对数据特征进行学习,并引入加速自适应矩估计优化网络参数,提升网络全局最优参数;最后,应用SDAE-DNN联合方法实现扰动事件后风电调频的逐步惯性在线控制.在IEEE 30节点测试系统中分别对单台风力机和风电场进行仿真分析,与传统方法、浅层反向传播神经网络及原始DNN所得结果对比发现,所提网络结构具有更优的预测精度和泛化能力,该方法能够实现良好的逐步惯性调频效果.

基于降噪自编码和卷积神经网络的协同过滤算法

在协同过滤算法中最主要是用户相似度计算,但是用户评分项数据存在严重稀疏,导致推荐精准度降低。针对评分项数据稀疏性问题,论文提出一个C-DAE协同过滤算法。首先,利用卷积神经网络(CNN)对项目评论文本提取用户兴趣偏好,得到项目向量矩阵,其次,利用项目向量矩阵对降噪自编码器(DAE)加权填充原始评分矩阵,最后填充后的评分矩阵计算用户相似度进行推荐。实验结果证明,该方法解决了评分项数据稀疏性问题,提高了推荐质量。

基于深度学习卷积神经网络的地震数据随机噪声去除

为了有效去除地震数据随机噪声,提出了一种基于卷积神经网络(CNN)的地震数据随机噪声去除算法。算法的关键在于构建一个适用于地震数据去噪的CNN,包含输入层、卷积层、激活层、输出层等。该CNN以含噪地震数据作为输入层,由多个卷积层提取并处理地震数据,激活层采用修正线性单元(ReLU)获取地震数据波动特征,再借助归一化层加速网络训练收敛速度。CNN通过残差学习获得随机噪声并由网络输出层输出。分别采用小波变换、双树复小波变换、曲波变换以及CNN对实际叠前海上地震数据、叠后陆地数据及复杂陆地叠后数据进行去噪,实验结果表明,CNN能有效去除随机噪声,且与常规去噪算法相比具有更强的去噪能力,验证了算法的可行性和有效性。