基于神经网络的信号去噪方法、装置、设备及存储介质制造方法及图纸

本申请提供一种基于神经网络的信号去噪方法、装置、设备及存储介质。该方法包括：根据预设时间段内的数据信号，基于预设的神经网络模型，确定所述数据信号的延伸信号；延伸信号包括至少两个在所述预设时间段之前的信号点和至少两个在所述预设时间段之后的信号点，至少两个在预设时间段之前的信号点中存在极值点，以及至少两个在预设时间段之后的信号点中存在极值点；将数据信号和延伸信号进行组合，得到目标信号；对目标信号进行集合经验模态分解，并对分解后的目标信号进行去噪，得到目标信号的去噪信号；根据目标信号的去噪信号，得到数据信号的去噪信号。本申请通过神经网络模型对数据信号之外的信号点进行预测，提高去噪精度。精度。精度。

【技术实现步骤摘要】
基于神经网络的信号去噪方法、装置、设备及存储介质


[0001]本申请涉及大数据技术，尤其涉及一种基于神经网络的信号去噪方法、装置、设备及存储介质。

技术介绍

[0002]在目前的大数据时代，用户进行交易所产生的数据量是海量的，而这些数据都存在或多或少的噪声干扰。面对如此巨大的数据及噪声信号，如何进行行之有效的分析，一直是重要的探索方向，而数据分析的第一步便是信号去噪。
[0003]目前去噪方法中大多都是针对模态混叠现象做出的改进，例如，采用EEMD(Ensemble Empirical Mode Decomposition，集合经验模态分解)算法缓解模态混叠现象，来进行去噪。但是，采用EEMD需要预先确定待去噪信号的前后端延伸的信号，目前都是采用人工或经验的方式对前后端点进行延伸。采用人工或经验的方式需要操作人员对信号极为熟悉，一旦遇到陌生的信号，就会出现延伸信号与真实信号差别较大的现象，导致去噪信号严重失真，影响信号去噪的精度和效率。

技术实现思路

[0004]本申请提供一种基于神经网络的信号去噪方法、装置、设备及存储介质，用以提高信号去噪的精度和效率。
[0005]第一方面，本申请提供一种基于神经网络的信号去噪方法，包括：
[0006]根据预设时间段内的数据信号，基于预设的神经网络模型，确定所述数据信号的延伸信号；其中，所述延伸信号包括至少两个在所述预设时间段之前的信号点和至少两个在所述预设时间段之后的信号点，所述至少两个在所述预设时间段之前的信号点中存在极值点，以及所述至少两个在所述预设时间段之后的信号点中存在极值点；
[0007]将所述数据信号和所述延伸信号进行组合，得到目标信号；
[0008]对所述目标信号进行集合经验模态分解，并对分解后的目标信号进行去噪，得到所述目标信号的去噪信号；
[0009]根据所述目标信号的去噪信号，得到所述数据信号的去噪信号。
[0010]第二方面，本申请提供一种基于神经网络的信号去噪装置，包括：
[0011]延伸信号确定模块，用于根据预设时间段内的数据信号，基于预设的神经网络模型，确定所述数据信号的延伸信号；其中，所述延伸信号包括至少两个在所述预设时间段之前的信号点和至少两个在所述预设时间段之后的信号点，所述至少两个在所述预设时间段之前的信号点中存在极值点，以及所述至少两个在所述预设时间段之后的信号点中存在极值点；
[0012]目标信号获得模块，用于将所述数据信号和所述延伸信号进行组合，得到目标信号；
[0013]目标信号去噪模块，用于对所述目标信号进行集合经验模态分解，并对分解后的
目标信号进行去噪，得到所述目标信号的去噪信号；
[0014]去噪信号获得模块，用于根据所述目标信号的去噪信号，得到所述数据信号的去噪信号。
[0015]第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0016]所述存储器存储计算机执行指令；
[0017]所述处理器执行所述存储器存储的计算机执行指令，以实现如本申请第一方面所述的基于神经网络的信号去噪方法。
[0018]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如本申请第一方面所述的基于神经网络的信号去噪方法。
[0019]第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如本申请第一方面所述的基于神经网络的信号去噪方法。
[0020]本申请提供的一种基于神经网络的信号去噪方法、装置、设备及存储介质，通过预设的神经网络模型，确定待去噪的数据信号前后端的延伸信号，将延伸信号与数据信号组合为目标信号。根据预设的EEMD算法对目标信号进行去噪得到目标信号的去噪信号，再将目标信号的去噪信号进行裁剪，得到与数据信号的时间区间一致的去噪信号，作为数据信号的去噪信号。解决了现有技术中，人为确定延伸信号所造成的延伸信号确定错误的问题，通过使用神经网络模型，有效节约人力和时间，并通过采用EEMD算法，缓解模态混叠现象，提高信号去噪的精度和效率。
附图说明
[0021]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0022]图1为本申请实施例提供的一种基于神经网络的信号去噪方法的流程示意图；
[0023]图2为本申请实施例提供的RBF模型的神经网络结构图；
[0024]图3为本申请实施例提供的拼接后的目标信号示意图；
[0025]图4为本申请实施例提供的一种基于神经网络的信号去噪方法的流程示意图；
[0026]图5为本申请实施例提供的信号点示意图；
[0027]图6为本申请实施例提供的一种基于神经网络的信号去噪装置的结构框图；
[0028]图7为本申请实施例提供的一种基于神经网络的信号去噪装置的结构框图；
[0029]图8为本申请实施例提供的一种电子设备的结构框图；
[0030]图9为本申请实施例提供的一种电子设备的结构框图。
[0031]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0032]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例
方式作进一步地详细描述。
[0033]应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0034]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0035]在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0036]需要注意的是，由于篇幅所限，本申请说明书没有穷举所有可选的实施方式，本领域技术人员在阅读本申请说明书后，应该能够想到，只要技术特征不互相矛盾，那么技术特征的任意组合均可以构成可选的实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的信号去噪方法，其特征在于，包括：根据预设时间段内的数据信号，基于预设的神经网络模型，确定所述数据信号的延伸信号；其中，所述延伸信号包括至少两个在所述预设时间段之前的信号点和至少两个在所述预设时间段之后的信号点，所述至少两个在所述预设时间段之前的信号点中存在极值点，以及所述至少两个在所述预设时间段之后的信号点中存在极值点；将所述数据信号和所述延伸信号进行组合，得到目标信号；对所述目标信号进行集合经验模态分解，并对分解后的目标信号进行去噪，得到所述目标信号的去噪信号；根据所述目标信号的去噪信号，得到所述数据信号的去噪信号。2.根据权利要求1所述的方法，其特征在于，根据预设时间段内的数据信号，基于预设的神经网络模型，确定所述数据信号的延伸信号，包括：获取预设时间段内的数据信号，确定所述数据信号中的前端信号点和后端信号点；其中，所述前端信号点为所述数据信号中位于预设的第一时间点的信号点，所述后端信号点为所述数据信号中位于预设的第二时间点的信号点；将所述数据信号输入至预设的神经网络模型中，输出在所述前端信号点之前的一个信号点，为第一前端延伸信号点，以及输出在所述后端信号点之后的一个信号点，为第一后端延伸信号点；将所述数据信号、所述第一前端延伸信号点和所述第一后端延伸信号点输入至预设的神经网络模型中，输出所述第一前端延伸信号点之前的一个信号点，为第二前端延伸信号点，以及，输出所述第一后端延伸信号点之后的一个信号点，为第二后端延伸信号点；若所述第一前端延伸信号点是所述前端信号点和所述第二前端延伸信号点中的极值点，以及所述第一后端延伸信号点是所述后端信号点和所述第二后端延伸信号点中的极值点，则确定所述第一前端延伸信号点、所述第二前端延伸信号点、所述第一后端延伸信号点和所述第二后端延伸信号点为所述数据信号的延伸信号。3.根据权利要求2所述的方法，其特征在于，在输出所述第一前端延伸信号点之前的一个信号点，为第二前端延伸信号点之后，还包括：若所述第一前端延伸信号点不是所述前端信号点和所述第二前端延伸信号点中的极值点，则将所述第一前端延伸信号点、第二前端延伸信号点和数据信号输入至预设的神经网络模型中，输出所述第二前端延伸信号点之前的一个信号点，为第三前端延伸信号点；若所述第二前端延伸信号点是所述前端信号点、所述第一前端延伸信号点和所述第三前端延伸信号点中的极值点，则确定所述第一前端延伸信号点、所述第二前端延伸信号点和所述第三前端延伸信号点为所述数据信号的延伸信号。4.根据权利要求2所述的方法，其特征在于，在输出所述第一后端延伸信号点之后的一个信号点，为第二后端延伸信号点之后，还包括：若所述第一后端延伸信号点不是所述后端信号点和所述第二后端延伸信...

【专利技术属性】
技术研发人员：师梓洋，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：