買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜同濟(jì)大學(xué)申請(qǐng)的專利一種基于信號(hào)智能降噪算法的狀態(tài)監(jiān)測(cè)方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114861733B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210589247.6，技術(shù)領(lǐng)域涉及：G06F18/2411；該發(fā)明授權(quán)一種基于信號(hào)智能降噪算法的狀態(tài)監(jiān)測(cè)方法是由戴寶銳;李奇設(shè)計(jì)研發(fā)完成，并于2022-05-27向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于信號(hào)智能降噪算法的狀態(tài)監(jiān)測(cè)方法在說(shuō)明書摘要公布了：一種基于信號(hào)智能降噪算法的狀態(tài)監(jiān)測(cè)方法，包括：將采集的不同狀態(tài)下信號(hào)樣本劃分為訓(xùn)練集和測(cè)試集；利用FDWT將訓(xùn)練集信號(hào)分解為多層小波系數(shù)；提取各層小波系數(shù)的最大值和平均值作為信號(hào)特征并評(píng)估它們對(duì)于狀態(tài)識(shí)別的有效性；記錄有效性高的信號(hào)特征對(duì)應(yīng)的分解層編號(hào)；建立信號(hào)智能降噪模型并利用訓(xùn)練集信號(hào)進(jìn)行模型訓(xùn)練，該模型對(duì)有效性高的信號(hào)特征對(duì)應(yīng)的分解層采用FDWT分解信號(hào)，對(duì)其余分解層采用智能降噪算法分解信號(hào)；利用訓(xùn)練好的智能降噪模型將訓(xùn)練集和測(cè)試集信號(hào)分解為降噪后的多層小波系數(shù)并提取各層小波系數(shù)的最大值和平均值作為信號(hào)特征；根據(jù)訓(xùn)練集信號(hào)的特征訓(xùn)練分類模型，采用測(cè)試集信號(hào)的特征測(cè)試狀態(tài)識(shí)別效果。

本發(fā)明授權(quán)一種基于信號(hào)智能降噪算法的狀態(tài)監(jiān)測(cè)方法在權(quán)利要求書中公布了：1.一種基于信號(hào)智能降噪算法的狀態(tài)監(jiān)測(cè)方法，包括以下步驟：S1、將采集的不同狀態(tài)下的信號(hào)樣本劃分為訓(xùn)練集和測(cè)試集；S2、利用快速離散小波變換FDWT將訓(xùn)練集信號(hào)分解為多層小波系數(shù)；S3、提取各層小波系數(shù)的最大值和平均值作為信號(hào)特征并評(píng)估它們對(duì)于狀態(tài)識(shí)別的有效性；S4、記錄有效性高的信號(hào)特征對(duì)應(yīng)的分解層編號(hào)；S5、建立信號(hào)智能降噪模型并利用訓(xùn)練集信號(hào)進(jìn)行模型訓(xùn)練，該模型對(duì)有效性高的信號(hào)特征對(duì)應(yīng)的分解層采用FDWT分解信號(hào)，對(duì)其余分解層采用智能降噪算法分解信號(hào)；S6、利用訓(xùn)練好的智能降噪模型將訓(xùn)練集和測(cè)試集信號(hào)分解為降噪后的多層小波系數(shù)并提取各層小波系數(shù)的最大值和平均值作為信號(hào)特征；S7、根據(jù)訓(xùn)練集信號(hào)的特征訓(xùn)練分類模型，采用測(cè)試集信號(hào)的特征測(cè)試狀態(tài)識(shí)別效果；所述步驟S3中評(píng)估信號(hào)特征對(duì)于狀態(tài)識(shí)別的有效性采用FisherScore指標(biāo)，該指標(biāo)表示為： 1其中，是第i個(gè)信號(hào)特征的FisherScore值，是第j個(gè)狀態(tài)類別中的樣本數(shù)量，和是第i個(gè)信號(hào)特征在第j個(gè)狀態(tài)類別下的均值和標(biāo)準(zhǔn)差，是第i個(gè)信號(hào)特征在所有狀態(tài)類別下的均值，J為狀態(tài)類別總數(shù)；所述步驟S5中的智能降噪模型，模型的建立和訓(xùn)練包括以下子步驟；S5.1、搭建與FDWT算法分解流程一致的L層信號(hào)分解框架，即能夠?qū)斎胄盘?hào)連續(xù)進(jìn)行L次高通和低通濾波獲取小波系數(shù)的信號(hào)分解框架；該框架除第一次高通和低通濾波針對(duì)原始信號(hào)以外，剩余L-1次高通和低通濾波均針對(duì)前一次低通濾波后的信號(hào)；S5.2、在有效性高的信號(hào)特征對(duì)應(yīng)的分解層采用與FDWT算法中的小波基函數(shù)功能一致的濾波系數(shù)向量作為信號(hào)分解的卷積運(yùn)算因子；S5.3、在其余分解層的每一層都搭建神經(jīng)網(wǎng)絡(luò)模型，用于學(xué)習(xí)濾波系數(shù)向量并進(jìn)行信號(hào)降噪；其中，神經(jīng)網(wǎng)絡(luò)模型的激活函數(shù)采用具有降噪功能的硬閾值激活函數(shù)，表示為： 2其中，和表示可學(xué)習(xí)的激活函數(shù)偏置；S5.4、采用訓(xùn)練集信號(hào)對(duì)整個(gè)信號(hào)分解框架對(duì)應(yīng)的智能降噪模型進(jìn)行訓(xùn)練，模型訓(xùn)練的目標(biāo)函數(shù)表示為： 3其中，表示原始信號(hào)，表示原始信號(hào)經(jīng)本分解框架分解后再逐步逆運(yùn)算得到的重構(gòu)信號(hào)，表示原始信號(hào)經(jīng)L層分解后得到的小波系數(shù)集。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人同濟(jì)大學(xué)，其通訊地址為：200092 上海市楊浦區(qū)四平路1239號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。