System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及噪声检测,特别是涉及一种信道噪声识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、由于电力线上设备的电磁辐射、外部无线电信号干扰以及电力系统内部的突发事件,导致电力线载波信道中存在有色背景噪声、窄带噪声和脉冲噪声等噪声。现有技术通常借助机器学习,将复杂的噪声信号转换为直观的图像形式,基于图像进行噪声识别。然而,当前将机器学习与噪声分类的方法具有一定的局限性。
3、现有技术如申请号为2022112731267,名称为一种电力线载波信道噪声检测方法及系统的专利技术专利,提出了利用机器学习的噪声识别方法。其采用sobel算子定位噪声时域图像边缘,但sobel算子在边缘方向上的响应不是最优的,特别是在边缘方向与算子方向不完全吻合时,可能会导致边缘检测的精度下降。同时,其采用传统的hog无法保证有效提取纹理特征。
技术实现思路
1、为了解决上述问题,本专利技术提出了一种信道噪声识别方法及系统,通过采用二阶laplacian边缘检测算子能够准确定位边缘轮廓,并结合改进的hog提取丰富的特征向量,从而提高噪声识别的准确性。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、第一方面,本专利技术提供一种信道噪声识别方法,包括:
4、采集典型噪声,并对典型噪声进行随机组合,构建典型噪声时域图像库;
5、从典型噪声时域图像库获取典型噪声时域图像,进
6、基于去除干扰信号的噪声时域图像提取边缘特征;
7、对所述边缘特征采用改进hog提取特征描述符,以对分类器进行训练;
8、获取电力线信道的现场噪声,对现场噪声提取时域图像,并以此采用训练后的分类器进行噪声类型的识别。
9、优选地,所述典型噪声包括有色背景噪声、窄带噪声和脉冲噪声。
10、优选地,所述从典型噪声时域图像库获取典型噪声时域图像,进行预处理,得到去除干扰信号的噪声时域图像,具体包括:
11、对典型噪声时域图像经灰度化处理后,进行小波分解,得到高频系数和低频系数;
12、对低频系数进行阈值处理,滤除噪声分量;
13、对高频系数和经阈值处理后的低频系数进行小波重构,得到去除干扰信号的噪声时域图像。
14、优选地,采用二阶laplacian边缘检测算子提取图像边缘特征,以划定边缘轮廓。
15、优选地,所述对所述边缘特征采用改进hog提取特征描述符,具体包括:
16、将边缘特征划分为细胞单元,每2×2个细胞单元组合成一个块单元;采集细胞单元中各像素点的梯度或边缘的方向直方图;
17、对所述直方图进行多尺度缩放,得到多张不同尺度的梯度方向直方图,每张梯度方向直方图生成9幅积分图像;
18、滑动检测窗口对积分图像进行滑动检测;具体为,在检测窗口中滑动块单元,以每个像素的梯度幅值为权值,通过检索积分图像对细胞单元的梯度方向直方图进行计数,形成一组9维特征向量;
19、对所有块单元对应的征向量归一化,将归一化后的特征向量级联组合,形成hog特征向量,构成特征描述符。
20、优选地,还包括,采用pca对所述特征描述符进行降维。
21、优选地,所述分类器包括通过在任意两类样本之间采用一对一法构造svm二值分类器,以多种噪声进行分类。
22、第二方面,本专利技术提供一种信道噪声识别系统,包括:
23、典型噪声建模模块,用于采集典型噪声,并对典型噪声进行随机组合,构建典型噪声时域图像库;
24、典型噪声处理模块,用于从典型噪声时域图像库获取典型噪声时域图像,进行预处理,得到去除干扰信号的噪声时域图像;
25、特征提取模块,用于基于去除干扰信号的噪声时域图像提取边缘特征;
26、训练模块,用于对所述边缘特征采用改进hog提取特征描述符,以对分类器进行训练;
27、噪声检测模块,用于获取电力线信道的现场噪声,对现场噪声提取时域图像,并以此采用训练后的分类器进行噪声类型的识别。
28、第三方面,本专利技术提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的一种信道噪声识别方法中的步骤。
29、第四方面,本专利技术提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的一种信道噪声识别方法中的步骤。
30、与现有技术相比,本专利技术的有益效果为:
31、本专利技术提出一种信道噪声识别方法及系统,对典型噪声进行建模,构建基于改进hog算法的机器学习网络模型,利用改进hog算法进行时域图像的提取,获取多尺度特征信息,构成特征描述符,再利用svm算法进行噪声分类预测。其中,本专利技术采用二阶laplacian边缘检测算子对边缘轮廓进行识别,与一阶导数算子(如sobel、prewitt)相比,laplacian算子对细节和纹理的响应更加敏感,能够更清晰地突出边缘区域,为后期采用改进hog算法提取多尺度特征打下基础,二阶laplacian边缘检测算子和改进hog算法结合有效提高了对噪声时域图像边缘特征提取的准确性。
32、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种信道噪声识别方法,其特征在于,包括:
2.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述典型噪声包括有色背景噪声、窄带噪声和脉冲噪声。
3.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述从典型噪声时域图像库获取典型噪声时域图像,进行预处理,得到去除干扰信号的噪声时域图像,具体包括:
4.如权利要求1所述的一种信道噪声识别方法,其特征在于,采用二阶Laplacian边缘检测算子提取图像边缘特征,以划定边缘轮廓。
5.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述对所述边缘特征采用改进HOG提取特征描述符,具体包括:
6.如权利要求5所述的一种信道噪声识别方法,其特征在于,还包括,采用PCA对所述特征描述符进行降维。
7.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述分类器包括通过在任意两类样本之间采用一对一法构造SVM二值分类器,以多种噪声进行分类。
8.一种信道噪声识别系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种信道噪声识别方法中的步骤。
...【技术特征摘要】
1.一种信道噪声识别方法,其特征在于,包括:
2.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述典型噪声包括有色背景噪声、窄带噪声和脉冲噪声。
3.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述从典型噪声时域图像库获取典型噪声时域图像,进行预处理,得到去除干扰信号的噪声时域图像,具体包括:
4.如权利要求1所述的一种信道噪声识别方法,其特征在于,采用二阶laplacian边缘检测算子提取图像边缘特征,以划定边缘轮廓。
5.如权利要求1所述的一种信道噪声识别方法,其特征在于,所述对所述边缘特征采用改进hog提取特征描述符,具体包括:
6.如权利要求5所述的一种信道噪...
【专利技术属性】
技术研发人员:李宁,朱伟,胡海波,孔猛,王昊,宫静,孔琳琳,苏纯宝,武志恒,张萌星,
申请(专利权)人:国网山东省电力公司曲阜市供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。