脉冲信号去噪方法、装置及终端设备制造方法及图纸

本发明专利技术提供了一种脉冲信号去噪方法、装置及终端设备，该方法包括：获取脉冲信号训练集；将脉冲信号训练集输入卷积神经网络，并基于脉冲信号训练集对卷积神经网络进行训练；其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于混合数据集更新卷积神经网络的结构参数；获取待去噪脉冲信号，并将待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。本发明专利技术提供的脉冲信号去噪方法、装置及终端设备能够有效滤除脉冲信号的噪声污染，提高去噪后脉冲信号的还原度。

Method, device and terminal equipment of pulse signal de-noising

【技术实现步骤摘要】
脉冲信号去噪方法、装置及终端设备
本专利技术属于信号处理
，更具体地说，是涉及一种脉冲信号去噪方法、装置及终端设备。
技术介绍
在工业控制和设备故障诊断分析中，通常都是利用接收到的脉冲信号进行分析和判断。脉冲信号中包含有重要信息，涉及信号的到达时刻、幅值、传播时间、衰减等特征，是控制和分析的重要依据。因此，有效地对脉冲信号进行去噪、准确提取信号特征在工程应用中具有重要意义。现有技术中，脉冲信号主要是通过波形的分解重构处理来进行去噪的，此种方法主要有两方面不足：(1)噪声对脉冲波形的影响是持续的，可能会波及到脉冲信号的整个数据段，对于一些受噪声影响较小的波形数据段，对脉冲波形进行分解重构过程中，可能会损失这些波形数据段的噪声特征，导致无法对这些波形数据段的噪声进行有效滤除；(2)工业环境中的噪声是多种多样的，现有的波形分解重构的方法需要根据噪声的特性设置波形的分解层数，根据待去噪波形的信噪比来确定去噪效果，也就是说，现有的波形分解重构方法无法有效地适应多种噪声，对包含有多种噪声的脉冲信号进行有效去噪。综合上述，由于现有的脉冲信号去噪方法无法关注到待去噪波形的整体特征，且无法适应多种噪声的情况，导致现有技术中的脉冲信号去噪方法不够准确，去噪精度较低。
技术实现思路
本专利技术的目的在于提供一种脉冲信号去噪方法、装置及终端设备，以提高脉冲信号的去噪精度。本专利技术实施例的第一方面，提供了一种脉冲信号去噪方法，包括：获取脉冲信号训练集，所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据；将所述脉冲信号训练集输入卷积神经网络，并基于所述脉冲信号训练集对卷积神经网络进行训练；其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于所述混合数据集更新卷积神经网络的结构参数；获取待去噪脉冲信号，并将所述待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。本专利技术实施例的第二方面，提供了一种脉冲信号去噪装置，包括：数据获取模块，用于获取脉冲信号训练集，所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据；网络训练模块，用于将所述脉冲信号训练集输入卷积神经网络，并基于所述脉冲信号训练集对卷积神经网络进行训练；其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于所述混合数据集更新卷积神经网络的结构参数；去噪模块，用于获取待去噪脉冲信号，并将所述待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。本专利技术实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的脉冲信号去噪方法的步骤。本专利技术实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的脉冲信号去噪方法的步骤。本专利技术实施例提供的脉冲信号去噪方法、装置及终端设备的有益效果在于：一方面，本专利技术实施例通过训练卷积神经网络对脉冲信号的整个数据段进行判断，关注到了脉冲信号的整体特征，进而提高了脉冲信号的去噪精度；另一方面，本专利技术实施例考虑到了含噪声的脉冲信号样本数量小、样本种类少的问题，基于同类特征融合的原则，对脉冲信号数据进行自混合，获得了更为丰富的训练样本，从而提高了卷积神经网络的泛化性和鲁棒性，从而进一步提高了脉冲信号的去噪精度。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的脉冲信号去噪方法的流程示意图；图2为本专利技术另一实施例提供的脉冲信号去噪方法的流程示意图；图3为本专利技术再一实施例提供的脉冲信号去噪方法的流程示意图；图4为本专利技术又一实施例提供的脉冲信号去噪方法的流程示意图；图5为本专利技术又一实施例提供的脉冲信号去噪方法的流程示意图；图6为本专利技术一实施例提供的脉冲信号去噪装置的结构框图；图7为本专利技术一实施例提供的终端设备的示意框图。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参考图1，图1为本专利技术一实施例提供的脉冲信号去噪方法的流程示意图，该方法包括：S101：获取脉冲信号训练集，脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据。在本实施例中，脉冲信号训练集不仅包括无噪声干扰时的脉冲信号数据，还包括各种噪声干扰下的脉冲信号数据。S102：将脉冲信号训练集输入卷积神经网络，并基于脉冲信号训练集对卷积神经网络进行训练。其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于混合数据集更新卷积神经网络的结构参数。在本实施例中，卷积神经网络用于根据输入的脉冲信号输出去噪后的该脉冲信号。其中，去噪后的该脉冲信号的形式可以为图像，也可为去噪后的该脉冲信号对应的特征向量。S103：获取待去噪脉冲信号，并将待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。在本实施例中，通过将待检测的脉冲信号输入至训练完成的卷积神经网络中，得到去噪后的该待去噪脉冲信号。由上可以得出，一方面，本专利技术实施例通过训练卷积神经网络对脉冲信号的整个数据段进行判断，关注到了脉冲信号的整体特征，进而提高了脉冲信号的去噪精度。另一方面，本专利技术实施例考虑到了含噪声的脉冲信号样本数量小、样本种类少的问题，基于同类特征融合的原则，对脉冲信号数据进行自混合，获得了更为丰富的训练样本，从而提高了卷积神经网络的泛化性和鲁棒性，从而进一步提高了脉冲信号的去噪精度。请一并参考图1及图2，图2为本申请另一实施例提供的脉冲信号去噪方法的流程示意图。在上述实施例的基础上，在将脉冲信号训练集输入至卷积神经网络之前，脉冲信号去噪方法还可以包括对脉冲信号训练集中脉冲信号数据的预处理过程，该预处理过程可以详述为：S201：提取脉冲信号训练集中各个脉冲信号数据的待去噪数据段。在本实施例中，各个脉冲信号数据的待去噪数据段x(n)的长度本文档来自技高网...

【技术保护点】
1.一种脉冲信号去噪方法，其特征在于，包括：/n获取脉冲信号训练集，所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据；/n将所述脉冲信号训练集输入卷积神经网络，并基于所述脉冲信号训练集对卷积神经网络进行训练；其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于所述混合数据集更新卷积神经网络的结构参数；/n获取待去噪脉冲信号，并将所述待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。/n

【技术特征摘要】
1.一种脉冲信号去噪方法，其特征在于，包括：
获取脉冲信号训练集，所述脉冲信号训练集包含无噪声干扰时的脉冲信号数据以及多种存在噪声干扰时的脉冲信号数据；
将所述脉冲信号训练集输入卷积神经网络，并基于所述脉冲信号训练集对卷积神经网络进行训练；其中，在卷积神经网络的训练过程中，基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理，对卷积处理后的脉冲信号数据进行自混合，得到混合数据集，并基于所述混合数据集更新卷积神经网络的结构参数；
获取待去噪脉冲信号，并将所述待去噪脉冲信号输入至训练完成的卷积神经网络，对待去噪脉冲信号进行去噪。


2.如权利要求1所述的脉冲信号去噪方法，其特征在于，在将脉冲信号训练集输入至卷积神经网络之前，还包括对脉冲信号训练集中脉冲信号数据的预处理过程，所述预处理过程包括：
提取脉冲信号训练集中各个脉冲信号数据的待去噪数据段；
对各个脉冲信号数据的待去噪数据段的波形图像进行切割处理，得到预处理后的脉冲信号训练集。


3.如权利要求1所述的脉冲信号去噪方法，其特征在于，在将脉冲信号训练集输入至卷积神经网络之前，还包括：
对脉冲信号训练集进行分类，得到多个子训练集，其中，每个子训练集中包括无噪声干扰时的脉冲信号数据以及至少一种存在噪声干扰时的脉冲信号数据。


4.如权利要求3所述的脉冲信号去噪方法，其特征在于，将所述脉冲信号训练集输入卷积神经网络，并基于所述脉冲信号训练集中的脉冲信号数据对卷积神经网络进行训练，包括：
根据各个子训练集中所包含的噪声种类数，确定各个子训练集的训练次序；
按照所述训练次序将多个子训练集依次输入卷积神经网络，并基于各个子训练集中的脉冲信号数据对卷积神经网络进行训练。


5.如权利要求1所述的脉冲信号去噪方法，其特征在于，所述基于卷积神经网络的第一层卷积层对所述脉冲信号训练集中的脉冲信号数据进行卷积处理，包括：
提取卷积神经网络的第一层卷积层作为第一卷积网络；
将所述脉...

【专利技术属性】
技术研发人员：李天辉，强东盛，李丹，顾朝敏，胡涛，王艳，
申请(专利权)人：国网河北省电力有限公司电力科学研究院，国家电网有限公司，国网河北能源技术服务有限公司，
类型：发明
国别省市：河北;13