-
公开(公告)号：CN119004061B
公开(公告)日：2025-02-11
申请号：CN202411495810.9
申请日：2024-10-25
Applicant: 吉林大学
IPC: G06F18/21 , G06F18/27 , G06F18/213 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及地下水有机污染磁共振信号检测方法领域，为一种面向地下有机污染的磁共振信号特征非配对学习方法。该方法通过组建实际的含噪数据集和有效信号数据集，搭建地下有机污染磁共振信号特征的非配对学习网络，所述非配对学习网络包括回归降噪网络和特征判别网络，训练所述非配对学习网络建立实际采集的含噪数据集#imgabs0#所在的#imgabs1#域到有效信号数据集#imgabs2#所在#imgabs3#域间的映射关系，进行数据域的迁移学习，从而实现提取地下有机污染磁共振信号特征的目标，实现实际地下有机污染磁共振信号的特征提取，减弱了深度学习方法对数据的依赖性，增强了网络的泛化能力。
-
公开(公告)号：CN114091538B
公开(公告)日：2024-04-30
申请号：CN202111390936.6
申请日：2021-11-23
Applicant: 吉林大学
IPC: G06F18/10 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明涉及磁共振测深信号噪声抑制方法领域，为一种基于信号特征的判别损失卷积神经网络智能降噪方法。应用无监督学习的智能降噪。该方法将实测数据前半段作为含噪信号，后半段作为噪声数据，使用卷积层、上采样层搭建卷积神经降噪网络，构建含噪信号与噪声之间的复杂映射关系，从而达到降噪目的，此外引入由卷积层搭建判别器，用以约束降噪网络的损失函数，通过不断更新网络参数，直到损失函数稳定得到降噪模型。本发明根据信号特性，采用无监督学习建立含噪信号与有效信号之间的映射关系，实现地面磁共振智能降噪，该方法不需要人工调整参数，无需大量人工标记。
-
公开(公告)号：CN117708717A
公开(公告)日：2024-03-15
申请号：CN202410161750.0
申请日：2024-02-05
Applicant: 吉林大学
IPC: G06F18/243 , G06F18/27 , G06F18/214 , G06N3/09 , G01V3/14 , G01V3/38
Abstract: 本发明属于核磁共振测深信号提取领域，为一种基于随机森林的磁共振地下水探测信号高精度提取方法，包括：构建磁共振地下水探测信号数据集作为训练数据；建立初始随机森林回归模型，计算预测参数与真实参数的初始均方根误差，重构信号与真实信号间的初始皮尔逊相关系数和初始均方根误差；更新输入变量及初始随机森林回归模型，利用更新后的随机森林回归模型预测参数后，计算参数的均方根误差，和信号间的皮尔逊相关系数和均方根误差，并与初始的值进行比较，选取最优输入变量，构建随机森林回归模型，并对含噪的磁共振地下水探测信号进行参数预测，本发明无需依赖经验人工调节参数，具有较强的易用性和抗干扰能力。
-
公开(公告)号：CN116401513A
公开(公告)日：2023-07-07
申请号：CN202310391111.9
申请日：2023-04-13
Applicant: 吉林大学
IPC: G06F18/10 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及磁共振信号处理领域，为一种基于深度残差网络的磁共振工频谐波噪声抑制方法。首先将混叠了工频谐波噪声的含噪信号与工频谐波噪声作为深度残差网络的输入和输出，通过前向传播和反向传播计算误差，并引入残差块建立恒等映射，重复训练使损失函数减少至期望值，即可确定去噪模型。通过模型提取噪声并与含噪信号作差，从而获得去除工频噪声的信号。与传统方法相比，本发明利用训练过的模型进行预测的时间非常短，并且不需要调整网络参数。与卷积网络相比，残差网络在高深度时解决了退化问题，精度更高，模型效果更好，更加节省算力。
-
公开(公告)号：CN116148935A
公开(公告)日：2023-05-23
申请号：CN202310084262.X
申请日：2023-02-02
Applicant: 吉林大学
IPC: G01V3/14 , G06F18/10 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/08 , G06N5/04 , G01V3/38
Abstract: 本发明一种磁共振地下水探测随机噪声抑制方法，包括：构建噪声抑制模型，通过噪声抑制模型对磁共振地下水探测随机噪声进行抑制；包括：向多组理想的磁共振信号中加入随机噪声，得到数据集；搭建模型，模型包括编码器和解码器，并初始化网络参数；利用训练集S对模型进行训练，通过编码器对数据进行特征提取得到隐变量z，通过解码器从隐变量z重构出有效信号；使得自编码器建立训练样本的概率分布模型来学习信号的分布规律，依据输入信号与重构信号偏差确定损失函数，并引入参数估计误差约束损失函数，更新网络模型参数，直到损失函数趋势稳定，得到自适应自编码器去噪模型；使用测试集T测试模型去噪效果。解决消噪效果有限，提高了消噪效率。
-
Patent Agency Ranking
公开(公告)号：CN111860273A
公开(公告)日：2020-10-30
申请号：CN202010672868.1
申请日：2020-07-14
Applicant: 吉林大学
Abstract: 本发明涉及一种基于卷积神经网络的磁共振地下水探测噪声抑制方法。首先将含噪信号与噪声信号做为卷积神经网络的输入输出，通过前向传播过程、反向传播过程计算传递函数梯度，并通过梯度下降法训练网络来优化网络参数，进而确定去噪模型，其中网络的卷积层对含噪信号与噪声信号特征进行自动提取，两者构造残差网络进而得到干净磁共振信号。本发明不仅对核磁共振信号中各类型噪声有压制作用有效提高信噪比，利用大数据和高性能计算平台，通过深度学习来提取强噪声干扰下磁共振信号的有效信息，与传统方法相比，一旦训练结束，预测时间仅为几秒，提高了工作效率，且训练和预测过程中无需人为调整参数，也不需要先验信息。
-
公开(公告)号：CN117708717B
公开(公告)日：2024-04-12
申请号：CN202410161750.0
申请日：2024-02-05
Applicant: 吉林大学
IPC: G06F18/243 , G06F18/27 , G06F18/214 , G06N3/09 , G01V3/14 , G01V3/38
Abstract: 本发明属于核磁共振测深信号提取领域，为一种基于随机森林的磁共振地下水探测信号高精度提取方法，包括：构建磁共振地下水探测信号数据集作为训练数据；建立初始随机森林回归模型，计算预测参数与真实参数的初始均方根误差，重构信号与真实信号间的初始皮尔逊相关系数和初始均方根误差；更新输入变量及初始随机森林回归模型，利用更新后的随机森林回归模型预测参数后，计算参数的均方根误差，和信号间的皮尔逊相关系数和均方根误差，并与初始的值进行比较，选取最优输入变量，构建随机森林回归模型，并对含噪的磁共振地下水探测信号进行参数预测，本发明无需依赖经验人工调节参数，具有较强的易用性和抗干扰能力。
-
公开(公告)号：CN116226618A
公开(公告)日：2023-06-06
申请号：CN202310084305.4
申请日：2023-02-02
Applicant: 吉林大学
IPC: G06F18/10 , G06F18/24 , G06F18/214 , G06F18/2411 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于核磁共振测深信号噪声抑制方法领域，为一种地面磁共振多类型噪声去噪网络的构建系统及去噪方法，包括磁共振信号构建模块，仿真多组磁共振有效信号及环境噪声，构造出分别受到三种类型噪声影响的含噪数据集；去噪神经网络搭建模块，根据磁共振信号构建模块生成的磁共振信号分别基于三种含噪数据集与噪声数据集训练优化网络，得到三个针对不同种类噪声的去噪网络，分类与判别模型，采用支持向量机方法根据不同噪声的特性，判断噪声类型，根据判断结果输出到去噪神经网络搭建模块中相应的去噪网络模型中。本发明能够减少标签数据量的规模，缩短模型的训练时间，并且对噪声进行有针对性地去除，可以减少网络模型对数据多样性的依赖。
-
公开(公告)号：CN112180454B
公开(公告)日：2023-03-14
申请号：CN202011200178.2
申请日：2020-10-29
Applicant: 吉林大学
Abstract: 本发明涉及一种基于LDMM的磁共振地下水探测随机噪声抑制方法，对磁共振观测信号作短时傅里叶变换得到含噪信号的时频分析图像，构造与该图像大小相同的初始干净磁共振信号时频图像，将该图像分成小块，集合成块集，将该块集用高维空间中的低维流形上的点表示，之后以该低维流形的维数作为优化方程的约束条件，分别更新流形及图像数据，直至优化方程收敛，得到消噪后信号的时频分析图，最后经过短时傅里叶逆变换，得到干净的磁共振信号。该方法提出信号处理转换成图像处理的新方法，并引入流形学习，可以使消噪过程更直观，引入的流形维数作为约束条件，在图像处理时更好的保留图像纹理细节，使消噪效果更好。
-
公开(公告)号：CN114091538A
公开(公告)日：2022-02-25
申请号：CN202111390936.6
申请日：2021-11-23
Applicant: 吉林大学
Abstract: 本发明涉及磁共振测深信号噪声抑制方法领域，为一种基于信号特征的判别损失卷积神经网络智能降噪方法。应用无监督学习的智能降噪。该方法将实测数据前半段作为含噪信号，后半段作为噪声数据，使用卷积层、上采样层搭建卷积神经降噪网络，构建含噪信号与噪声之间的复杂映射关系，从而达到降噪目的，此外引入由卷积层搭建判别器，用以约束降噪网络的损失函数，通过不断更新网络参数，直到损失函数稳定得到降噪模型。本发明根据信号特性，采用无监督学习建立含噪信号与有效信号之间的映射关系，实现地面磁共振智能降噪，该方法不需要人工调整参数，无需大量人工标记。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.016 seconds)
