本發(fā)明專利技術(shù)公開(kāi)了一種復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，包括基于調(diào)頻信號(hào)構(gòu)建隨機(jī)信號(hào)數(shù)據(jù)庫(kù)；對(duì)信號(hào)進(jìn)行離散短時(shí)傅里葉變換得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集；基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型并訓(xùn)練得到復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型；采用復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)。本發(fā)明專利技術(shù)還公開(kāi)了一種實(shí)現(xiàn)所述復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法的系統(tǒng)。本發(fā)明專利技術(shù)設(shè)計(jì)并訓(xùn)練了一個(gè)基于復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，因此本發(fā)明專利技術(shù)不僅能夠?qū)崿F(xiàn)復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)，而且可靠性更高，精確性更好。
1、在信號(hào)處理過(guò)程中，短時(shí)傅里葉變換是一種最為常用的時(shí)頻分析方法，它能夠?qū)⒁痪S的復(fù)數(shù)信號(hào)轉(zhuǎn)化為二維的復(fù)數(shù)時(shí)頻譜圖。但是，短時(shí)傅里葉變換會(huì)采用窗函數(shù)對(duì)信號(hào)進(jìn)行分段處理，被截?cái)嗟男盘?hào)就會(huì)產(chǎn)生頻率泄露；同時(shí)，窗函數(shù)的引入也使得該方法受到了海森堡不確定準(zhǔn)則的限制。因此，采用短時(shí)傅里葉變換方案所得到的復(fù)數(shù)時(shí)頻譜圖，一般都具有較低的時(shí)頻分辨率以及錯(cuò)誤的時(shí)頻信息。而正是由于這類原因，短時(shí)傅里葉變換方案在精密領(lǐng)域(如穿墻雷達(dá)軌跡追蹤等領(lǐng)域)應(yīng)用時(shí)，其所得到的復(fù)數(shù)時(shí)頻譜圖的精確性和可靠性都較差。
5、s2.對(duì)步驟s1構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集；
6、s3.基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積，構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型；
7、s4.采用步驟s2得到的復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，對(duì)步驟s3構(gòu)建的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型進(jìn)行訓(xùn)練，得到復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型；
8、s5.采用步驟s4得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)。
>9、步驟s1所述的基于調(diào)頻信號(hào)，構(gòu)建隨機(jī)信號(hào)數(shù)據(jù)庫(kù)，具體包括如下步驟：10、基于余弦調(diào)頻信號(hào)，構(gòu)建第一隨機(jī)信號(hào)s1(k)為
11、
12、式中m為子信號(hào)的數(shù)量；am為第m個(gè)子信號(hào)的幅度值；bm為第m個(gè)子信號(hào)的第一頻率調(diào)整系數(shù)，且服從(-100,100)的均勻分布；cm為第m個(gè)子信號(hào)的第二頻率調(diào)整系數(shù)，且服從(0.001,10)的均勻分布；dm為第m個(gè)子信號(hào)的第三頻率調(diào)整系數(shù)，且服從(-8,8)的均勻分布；em為第m個(gè)子信號(hào)的第四頻率調(diào)整系數(shù)，且服從(-5,5)的均勻分布；θm為第m個(gè)子信號(hào)的初始相位，且服從(0,2π)的均勻分布；k為時(shí)間；
13、基于四次調(diào)頻信號(hào)，構(gòu)建第二隨機(jī)信號(hào)s2(k)為
14、
15、式中fm為第m個(gè)子信號(hào)的第五頻率調(diào)整系數(shù)，且服從(-50,50)的均勻分布；gm為第m個(gè)子信號(hào)的第六頻率調(diào)整系數(shù)，且服從(-25,25)的均勻分布；
16、隨機(jī)生成x組第一隨機(jī)信號(hào)s1(k)和y組第二隨機(jī)信號(hào)s2(k)；
17、對(duì)隨機(jī)生成的所有信號(hào)，均增加高斯白噪聲，并保證加入高斯白噪聲后的信號(hào)的信噪比為-5db～40db。
18、步驟s2所述的對(duì)步驟s1構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，具體包括如下步驟：
19、對(duì)步驟s1構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換；
20、采用如下算式進(jìn)行離散短時(shí)傅里葉變換：
21、
22、式中n為離散短時(shí)傅里葉變換的點(diǎn)數(shù)；n為時(shí)間；k為頻率點(diǎn)；s(m)為輸入的信號(hào)；w(m-n)為設(shè)置的窗函數(shù)；
23、最后，對(duì)離散短時(shí)傅里葉變換后得到的數(shù)據(jù)，進(jìn)行數(shù)據(jù)歸一化處理，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集。
24、步驟s3所述的基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積，構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型，具體包括如下步驟：
25、構(gòu)建的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型，包括10個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)卷積層和10個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層；
26、帶有relu激活函數(shù)的二維復(fù)數(shù)卷積層，用于提取時(shí)頻譜圖中的頻譜信息并對(duì)輸入數(shù)據(jù)進(jìn)行降維；
27、帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層，用于恢復(fù)時(shí)頻譜圖中丟失的信息并實(shí)現(xiàn)時(shí)頻譜圖的增強(qiáng)；
28、第1個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)卷積層～第10個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)卷積層依次串聯(lián)；
29、第10個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)卷積層的輸出端直接連接第1個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層的輸入端；
30、第1個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層～第10個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層依次串聯(lián)；此外，第i個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)卷積層的輸出同時(shí)連接到第11-i個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層的輸入端；i的取值為1～9；第10個(gè)帶有relu激活函數(shù)的二維復(fù)數(shù)反卷積層的輸出通道數(shù)為1。
31、步驟s4所述的訓(xùn)練，具體包括如下步驟：
32、構(gòu)建損失函數(shù)；
33、訓(xùn)練過(guò)程中，進(jìn)行反向傳播，從而對(duì)構(gòu)建的模型進(jìn)行更新，直至模型收斂；所述的模型收斂，具體為構(gòu)建的損失函數(shù)的值在設(shè)定區(qū)間內(nèi)保持不變。
34、步驟s5所述的采用步驟s4得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)，具體包括如下步驟：
35、獲取待增強(qiáng)的時(shí)頻譜圖的復(fù)數(shù)信號(hào)；
36、對(duì)獲取的待增強(qiáng)的時(shí)頻譜圖的復(fù)數(shù)信號(hào)，進(jìn)行離散短時(shí)傅里葉變換，得到對(duì)應(yīng)的復(fù)數(shù)時(shí)頻譜圖；
37、對(duì)得到的復(fù)數(shù)時(shí)頻譜圖進(jìn)行歸一化處理；
38、將歸一化處理后的復(fù)數(shù)時(shí)頻譜圖輸入得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，將復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型的輸出作為增強(qiáng)后的復(fù)數(shù)時(shí)頻譜圖，完成實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)。
39、本專利技術(shù)還提供了一種實(shí)現(xiàn)所述復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法的系統(tǒng)，包括信號(hào)構(gòu)建模塊、信號(hào)處理模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊和數(shù)據(jù)增強(qiáng)模塊；信號(hào)構(gòu)建模塊、信號(hào)處理模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊和數(shù)據(jù)增強(qiáng)模塊依次串聯(lián)；信號(hào)構(gòu)建模塊用于基于調(diào)頻信號(hào)，構(gòu)建隨機(jī)信號(hào)數(shù)據(jù)庫(kù)，并將數(shù)據(jù)信息上傳信號(hào)處理模塊；信號(hào)處理模塊用于根據(jù)接收到的數(shù)據(jù)信息，對(duì)構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，并將數(shù)據(jù)信息上傳模型構(gòu)建模塊；模型構(gòu)建模塊用于根據(jù)接收到的數(shù)據(jù)信息，基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積，構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型，并將數(shù)據(jù)信息上傳模型訓(xùn)練模塊；模型訓(xùn)練模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用得到的復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，對(duì)步驟s3構(gòu)建的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型進(jìn)行訓(xùn)練，得到復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，并將數(shù)據(jù)信息上傳數(shù)據(jù)增強(qiáng)模塊；數(shù)據(jù)增強(qiáng)模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)。
40、本專利技術(shù)提供的這種復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法及系統(tǒng)，設(shè)計(jì)并訓(xùn)練了一個(gè)基于復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，因此本專利技術(shù)不僅能夠?qū)崿F(xiàn)復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)，而且可靠性更高，精確性更好。
本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟S1所述的基于調(diào)頻信號(hào)，構(gòu)建隨機(jī)信號(hào)數(shù)據(jù)庫(kù)，具體包括如下步驟：
3.根據(jù)權(quán)利要求2所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟S2所述的對(duì)步驟S1構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，具體包括如下步驟：
4.根據(jù)權(quán)利要求3所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟S3所述的基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積，構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型，具體包括如下步驟：
5.根據(jù)權(quán)利要求4所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟S4所述的訓(xùn)練，具體包括如下步驟：
6.根據(jù)權(quán)利要求5所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟S5所述的采用步驟S4得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)，具體包括如下步驟：
7.一種實(shí)現(xiàn)權(quán)利要求1～6之一所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法的系統(tǒng)，其特征在于包括信號(hào)構(gòu)建模塊、信號(hào)處理模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊和數(shù)據(jù)增強(qiáng)模塊；信號(hào)構(gòu)建模塊、信號(hào)處理模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊和數(shù)據(jù)增強(qiáng)模塊依次串聯(lián)；信號(hào)構(gòu)建模塊用于基于調(diào)頻信號(hào)，構(gòu)建隨機(jī)信號(hào)數(shù)據(jù)庫(kù)，并將數(shù)據(jù)信息上傳信號(hào)處理模塊；信號(hào)處理模塊用于根據(jù)接收到的數(shù)據(jù)信息，對(duì)構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，并將數(shù)據(jù)信息上傳模型構(gòu)建模塊；模型構(gòu)建模塊用于根據(jù)接收到的數(shù)據(jù)信息，基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積，構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型，并將數(shù)據(jù)信息上傳模型訓(xùn)練模塊；模型訓(xùn)練模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用得到的復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，對(duì)步驟S3構(gòu)建的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型進(jìn)行訓(xùn)練，得到復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，并將數(shù)據(jù)信息上傳數(shù)據(jù)增強(qiáng)模塊；數(shù)據(jù)增強(qiáng)模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)。
...
【技術(shù)特征摘要】
1.一種復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟s1所述的基于調(diào)頻信號(hào)，構(gòu)建隨機(jī)信號(hào)數(shù)據(jù)庫(kù)，具體包括如下步驟：
3.根據(jù)權(quán)利要求2所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟s2所述的對(duì)步驟s1構(gòu)建的隨機(jī)信號(hào)數(shù)據(jù)庫(kù)中信號(hào)進(jìn)行離散短時(shí)傅里葉變換，得到復(fù)數(shù)時(shí)頻譜圖數(shù)據(jù)集，具體包括如下步驟：
4.根據(jù)權(quán)利要求3所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟s3所述的基于復(fù)數(shù)卷積和復(fù)數(shù)反卷積，構(gòu)建復(fù)數(shù)時(shí)頻譜圖增強(qiáng)初級(jí)模型，具體包括如下步驟：
5.根據(jù)權(quán)利要求4所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟s4所述的訓(xùn)練，具體包括如下步驟：
6.根據(jù)權(quán)利要求5所述的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)方法，其特征在于步驟s5所述的采用步驟s4得到的復(fù)數(shù)時(shí)頻譜圖增強(qiáng)模型，進(jìn)行實(shí)際的復(fù)數(shù)時(shí)頻譜圖的增強(qiáng)，具體包括如下步驟：
7.一種實(shí)現(xiàn)權(quán)利...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：丁一鵬，丁旻昊，東野廣鑫，
申請(qǐng)(專利權(quán))人：中南大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。