1 中南大学 信息科学与工程学院, 湖南 长沙 410083
2 有色金属成矿预测与地质环境监测教育部重点实验室(中南大学), 湖南 长沙 410083
3 东华理工大学 地球物理与测控技术学院, 武汉 南昌 330013
4 湖南师范大学 物理与信息科学学院, 湖南 长沙 410081
5 中国人民解放军63983部队, 江苏 无锡 214035
非平稳信号的去噪是信号处理中的热点和难点。文中以冲击原子作为稀疏表示基, 构建了仅对人文噪声敏感的冗余字典。并使用粒子群优化算法对匹配追踪算法进行优化, 提出了基于稀疏表示与粒子群优化算法的非平稳信号去噪方法。为检验方法的有效性, 论文首先进行了针对性的仿真实验。然后将所述方法用于实测的大地电磁信号处理。结果表明, 所述方法可以在保留有用信号的前提下, 有效分离出类充放电噪声、脉冲噪声以及其它多种不规则噪声, 显著提高非平稳信号的信噪比。
稀疏表示 非平稳信号 粒子群优化算法 噪声衰减 冗余字典 sparse representation nonstationary signal particle swarm optimization noise attenuation redundant dictionary 红外与激光工程
2018, 47(7): 0726005
1 解放军理工大学 野战工程学院, 南京 210007
2 江苏经贸职业技术学院, 南京 210007
深度学习已成为目前机器学习领域的研究热点, 卷积神经网络是深度学习的重要组成。以卷积神经网络为基础, 结合自动编码提取特征中的边缘特性, 采用多方向梯度信息作为边缘信息的基本表达, 并以此作为卷积神经网络的多源输入数据, 提出了一种具有多个输入层的卷积神经网络结构。以手写字符识别和行人检测为例, 通过实验表明, 梯度信息多输入网络与经典卷积神经网络相比, 具有更高的识别率, 且在训练次数少的情况下优势更为明显, 同时也证明在适度预处理的条件下多输入卷积神经网络能够获得更好的效果。
深度学习 卷积神经网络 多输入 梯度 deep learning convolutional neural network multi-input gradient
