基于改进Noise2Noise算法的电力线信号去噪

针对电力线信道噪声干扰大、噪声建模复杂、重建无噪信号样本困难等问题,提出了一种面向一维时间序列的Noise2Noise神经网络优化模型,并验证分析Noise2Noise算法抑制电力线噪声的可行性。首先,分析了Noise2Noise算法的原理,对该算法原理进行了理论推导。其次,通过选取合适的网络结构,改进网络输入输出,使神经网络适合处理实验数据,并采用正弦波数据进行网络测试与模型验证。然后,通过搭建正交频分复用(orthogonal frequency division multi-plexing,OFDM)调制模型,产生OFDM符号,并添加特定噪声,形成带噪样本。最后,基于改进的网络结构实现了对电力线接收信号的OFDM前导序列进行带噪样本测试,增强了Noise2Noise方法的可行性与有效性,具有较好的实用性。

基于Noise2Noise的静电悬浮惯性传感器噪声抑制方法

针对星载静电悬浮惯性传感器噪声复杂,在轨测量数据真值未知,传统方法难以有效抑制的问题,提出了基于无监督学习的Noise2Noise框架,结合集成学习方案,设计了基于Noise2Noise无监督学习的广谱随机噪声抑制方法,并基于GRACE-FO加速度计数据进行了实验验证。实验结果表明所提方法相较于传统噪声抑制方法的噪声均方误差下降8%以上,使用集成学习后,噪声水平进一步下降至12%以上。此外,所提方法在有效抑制高频噪声的同时,能够识别出高频数据中的特征性信号,可为惯性传感器载荷在轨运行状态评估提供信息保障。

基于YOLOv3的建筑工地目标检测研究

随着智慧工地的产生和发展,建筑工地施工现场各类监测技术的要求日益提高,为了更好地监测施工现场各类行为是否符合规范需要提高目标检测算法的精确度。本文为了更准确地检测建筑工地场景下的真实图像,采用MOCS数据集验证目标检测效果。首先用无监督的深度学习去噪网络Noise2noise进行去噪,其次将去噪后的图像送入深度学习网络YOLOv3进行目标检测。经过去噪后的图像目标检测的效果有一定的提升。