(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 109543822 A
(43)申请公布日 2019.03.29
(21)申请号 CN201811445812.1
(22)申请日 2018.11.29
(71)申请人 北京理工大学
    地址 100081 北京市海淀区中关村南大街5号
(72)发明人 宋萍 郄有田 郝创博
(74)专利代理机构 北京理工大学专利中心
    代理人 李微微
(51)Int.CI
     
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
      一种基于卷积神经网络的一维信号数据修复方法
(57)摘要
      本发明公开了一种基于卷积神经网络的一维信号数据修复方法，首先对受损数据进行限界处理，构建基于Encoder‑decoder架构的卷积神经网络模型，在卷积神经网络模型中的损失函数进行加权处理，使得修复后的数据更具有瞬时特性，本发明方法在没有任何先验知识的情况下，通过对受损信号的拟合，出地还原了所有丢失的数据，解决了无线传感网络因链路不稳定、节点失效等因素导致的数据丢包问题；加入L2正则项避免网络的过拟合现象，选用迭代次数和损失函数变化率双重条件限制，作为训练的停止条件，有助于神经网络的性能稳定，提高了数据修复的效率；采用Adam优化算法，收敛速度快，抗噪声性能好，能够更加快速的修正卷积神经网络模型。
法律状态
法律状态公告日
法律状态信息
法律状态
2021-08-10
授权
授权
2019-04-23
实质审查的生效
实质审查的生效
2019-03-29
公开
公开正则匹配快代理
权 利 要 求 说 明 书
1.一种基于卷积神经网络的一维信号数据修复方法,其特征在于,包括如下步骤:
步骤一,获得待修复的受损数据集x
0
;
步骤二,对受损数据集x
0
中各个未受损数据上下界进行限制,得到处理后的数据集y:
       
     
式中,δ为缩放余量,值为大于1的正数;bias为一个偏置量,防止处理后的数据值小于0;
步骤三、建立基于编码-解码架构的卷积神经网络模型,将步骤二得到的处理后的数据集输入到该卷积神经网络模型中进行训练;其中,所述卷积神经网络训练的优化目标是使得损失函数值最小;
所述损失函数表示如下:
E(z;x
0
)=||(z-x
0
)⊙m||
2
      (2)
其中,z表示卷积神经网络输出的重构数据;m为丢失数据的掩模,其中元素为0或者1,其索引与受损数据集中各数据索引一一对应;当受损数据集中某索引位置的数据未损失,则m相同索引位置处的元素为1,否则为0;
步骤四、卷积神经网络模型训练完毕后,输出重构后的数据。
2.如权利要求1所述的一种基于卷积神经网络的一维信号数据修复方法,其特征在于,对所述损失函数进行加权
处理,然后用加权处理后的损失函数作为卷积神经网络的优化目标进行训练,得到重构数据;其中,加权处理后的损失函数为:
E(z;x
0
)=||(z-x
0
)⊙m||
2
⊙η      (3)
其中,η为权重向量,权重向量η的长度与待修复的受损数据集的长度相同,即受损数据集的每一个索引位置数据对应一个权重,权重赋值原则为:索引位置距离受损数据越近,其值越大;受损位置处数据的权重为0;如果有多个
索引的位置受损数据同时对某一未损失数据的权重都产生影响,则根据各受损数据与该未损失数据的距离分别获得一个未受损数据的权重,取权重最大值作为未损失数据的权重。
3.如权利要求2所述的一种基于卷积神经网络的一维信号数据修复方法,其特征在于,所述权重采用矩形窗口权重,具体为:针对每一个未受损数据,其索引位置与受损数据的索引位置的距离超过设定阈值的,该未受损数据对应的权重为0,否则为1。
4.如权利要求2所述的一种基于卷积神经网络的一维信号数据修复方法,其特征在于,所述权重采用高斯窗口权重,则索引位置为i的未受损数据的权重η

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。