[發明專利]一種卷積神經網絡實現的信號曲線自動解卷積方法

在審

• 申請號: 202110666278.2
• 申請日: 2021-06-16
• 公開（公告）號: CN113361435A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 劉元杰;林建涵
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種卷積神經網絡實現的信號曲線自動解卷積方法，所述方法包括：構造卷積神經網絡對脈沖信號峰的解卷積過程進行建模；使用隨機生成的高斯形、矩形、三角形脈沖信號峰進行隨機疊加，形成模擬的信號曲線；將信號峰與其構成的模擬曲線組合為訓練數據集；使用數據集對網絡進行訓練，形成疊加信號的分解能力；該方法能夠處理傳統方法無法解決的不同模式信號峰交疊的情況。

技術領域

本發明涉及信號處理領域，尤其涉及一種卷積神經網絡實現的信號曲線自動解卷積方法。

背景技術

在一維信號處理領域中，重疊脈沖信號的分解是一類重要的基礎問題。在眾多實際應用中，如質譜分析、光譜分析等領域，重疊峰的分解效果會直接影響最終測定結論的得出。在大規模檢測項目中，海量信號曲線的自動化解卷積方法需求強烈。

目前的信號解卷積方法以最大熵分解等直接優化方法為主。這些傳統方法的思路為：預先設置脈沖信號峰的數學表達式，設定待定的參數；使用待定系數法，將未知參數與特定目標函數相關聯；通過優化計算，得出分解結果。現有的這類算法存在以下問題：首先，對于預設數學表示的脈沖信號，只能處理一種類別峰形的解卷積，對于不同形式峰卷積混疊的情況無法表達和計算；其次，通過最大熵或極大似然估計等原則設計的目標優化技巧性較強，通用性不足；最后，每次分解均需要進行專門的優化運算，計算復雜度較高。

發明內容

本發明鑒于上述情況而做出，其目的是提供一種卷積神經網絡實現的信號曲線自動解卷積方法，通過人工模擬產生訓練數據，可自主訓練而無需數據采集成本；訓練完成的模型完全自動運行，不再需要優化計算，速度快；能夠處理不同模式脈沖信號峰交疊的情況。

本發明提供一種卷積神經網絡實現的信號曲線自動解卷積方法，所述方法包括：

使用隨機生成的高斯形、矩形、三角形函數模擬原始脈沖信號峰。

將模擬的原始脈沖信號峰進行隨機擺放和任意疊加。

使用隨機生成的多項式曲線與均勻分布的白噪聲模擬背景噪聲。

對所述數據結果相加，得到模擬的信號曲線。

進一步地，在對模擬數據進行構造時，每一個孤立的原始模擬峰都是一個已知的解卷積后的脈沖信號，作為目標標記形成訓練樣本。

優選的，所述對訓練樣本進行構造為并行進行。

優選的，所述樣本的產生數量可等價于沒有上限。

進一步地，所述樣本的標簽為原始信號峰的列表，每個所述信號曲線的標簽對應其所包含的脈沖峰疊加前的原始形狀及位置。

使用卷積神經網絡作為智能模型進行自動化識別。

使用訓練成功的系統對新輸入的信號曲線執行信號峰解卷積任務。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1是本發明的卷積神經網絡實現的信號曲線自動解卷積方法處理流程圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。