| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 241 | 强噪声环境下的语音检测模型训练方法 | CN202311076367.7 | 2023-08-25 | CN116778970B | 2023-11-24 | 李春霞 |
| 本发明提出强噪声环境下的语音检测模型训练方法，包括：获取强噪声环境中的语音数据并对其预处理，进行滑动窗口分段，通过傅里叶变换将原始语音信号转换为频谱表示，输入到卷积神经网络CNN中提取有意义的语音特征数据；引入双向长短期记忆渐进式学习模型来估计语料层面的渐进式比率掩码后，估计的渐进式比率掩码被纳入最小值控制递归平均法程序中构建语音检测模型，通过改进优化算法计算损失对模型进行参数优化；根据用户反馈和模型性能，持续对语音检测模型进行优化和微调；使其能够自适应地调整降噪与语音失真之间的权衡，实现对各种噪声环境的适应性优化；通过利用PRMs所提供的信息，模型可以更为准确地估计噪声，进一步提升了语音检测的效果。 | ||||||
| 242 | 电子设备及其操作方法 | CN202180028374.2 | 2021-04-13 | CN115516774B | 2023-10-24 | 罗法隆 |
| 本文所描述的实例包含可针对非线性功率放大器噪声补偿输入数据以产生补偿输入数据的方法、装置和系统。在补偿所述噪声时，在上行链路发射时间间隔(TTI)期间，激活交换路径以将放大输入数据提供到包含递归神经网络(RNN)的接收器级。所述RNN可部分地基于待发射的所述输入信号和反馈信号计算表示所述噪声的误差以产生与所述功率放大器噪声相关联的滤波器系数数据。在通过所述接收器进行处理之后，将所述反馈信号提供到所述RNN。在上行链路TTI期间，所述放大输入数据还可经由RF天线作为RF无线发射来发射。在下行链路TTI期间，所述交换路径可被取消激活，并且所述接收器级可接收待在所述接收器级中处理的额外RF无线发射。 | ||||||
| 243 | 基于递推最小鲁棒估计的低复杂度有源脉冲噪声控制方法 | CN202211578812.5 | 2022-12-07 | CN115967372A | 2023-04-14 | 何宏森; 王苗苗; 陈景东; 喻翌 |
| 本发明公开了一种基于递推最小鲁棒估计的低复杂度有源脉冲噪声控制方法，对FxlogRLS算法进行了扩展，基于最近克罗内克积的滤波输入递归最小M估计算法(简称FxRLM‑NKP)对脉冲噪声进行有源控制。利用克罗内克积将自适应控制器的系数向量w(n)分解成两组短的子滤波器向量w1(n)、w2(n)，由此建立信号模型。采用具有自适应参数的鲁棒估计器定义一组代价函数，由此推导出相应的自适应控制算法。克罗内克积分解的使用降低了自适应控制算法的计算复杂度；自适应M估计器使得本发明(FxRLM‑NKP算法)对脉冲噪声具有鲁棒性。实验结果表明，本发明在脉冲噪声有源控制中表现出良好的性能，且具有计算复杂度低的优点。 | ||||||
| 244 | 一种针对合成孔径雷达图像散斑抑制的深度网络模型 | CN202111034090.2 | 2021-09-03 | CN113781340A | 2021-12-10 | 刘帅奇; 雷钰; 张璐瑶; 苗思雨; 赵淑欢; 赵杰 |
| 本发明涉及一种针对合成孔径雷达图像散斑抑制的深度网络模型。本发明深度网络模型包括浅层特征提取模块、深层特征分析处理模块和重构模块；所述浅层特征提取模块包括第一卷积层和第二卷积层，用于对输入的噪声图像做初步处理，以得到输入噪声图像中的浅层特征信息；所述深层特征分析处理模块包括层层级联的m个递归组，用于对浅层特征提取模块提取的浅层特征信息进行分析处理，以获取更多的信息；所述重构模块包括第一通道注意力模块和第三卷积层包，所述第三卷积层的输出与输入的噪声图像形成全局残差，用以得到与噪声图像相对应的去噪图像。本发明避免了训练过程中出现的梯度消失或爆炸现象，去噪能力强，细节保存能力好，能够更好地应用于雷达装备中。 | ||||||
| 245 | 一种无人机陀螺仪非线性转动信号的尺度参数可调形态滤波方法 | CN202011036336.5 | 2020-09-27 | CN112446006A | 2021-03-05 | 芦竹茂; 高义斌; 白洋; 韩钰; 刘永鑫; 赵亚宁; 孟晓凯; 杨虹 |
| 本发明公开了一种无人机陀螺仪非线性转动信号的尺度参数可调形态滤波方法，先提取信号，叠加噪声序列后生成新信号；选取结构元素，构造自适应多尺度广义形态滤波器；对新信号结合VMD算法进行非递归分解得多层模态分量，以各层分量的参数指标值对应各结构元素对噪声的抑制表现，然后以提出的尺度调整标准，结合各参数指标值计算出结构元素长度尺寸；最后依据自适应结构元素尺度进行多尺度形态虑波，将滤波后的结果完成陀螺仪信号的重构。本发明对无人机陀螺仪非线性信号包含的混合噪声进行自适应抑制并保留有效信号，克服了传统滤波方法尺寸参数不可自适应调整的问题；对高强度混合干扰噪声抑制时更具有针对性，对有效信号能有效地保留。 | ||||||
| 246 | 基于二阶锥规划的目标方向语音检测方法 | CN201611202064.5 | 2016-12-23 | CN106782618B | 2020-07-31 | 曹裕行 |
| 本发明涉及一种基于二阶锥规划的目标方向语音检测方法，包括如下步骤：针对目标方向设计最低旁瓣的波束形成，利用二阶锥规划计算所述最低旁瓣的波束形成的权重；构造噪声估计权重；估计目标信号和噪声信号；利用时域一阶递归平滑计算出目标信号和噪声信号的功率；利用目标信号的功率和噪声信号的功率计算出后验信噪比；对所述后验信噪比进行最小值跟踪，以得到所述后验信噪比的最小值；计算频段在281.25Hz至3437.5Hz范围内的后验信噪比之和与后验信噪比的最小值之和的比值；判断比值与设定阈值的大小以确定目标方向语音是否存在。本发明的检测方法具有步骤少，计算量少的优点，且通过频域求和能够避免某些频点不稳定的问题。 | ||||||
| 247 | 一种基于VAone二次开发的噪声传递路径快速识别方法 | CN201811331868.4 | 2018-11-09 | CN109492302A | 2019-03-19 | 邵建旺; 曾涛; 吴宪; 邓国明; 赵猛; 刘基天 |
| 本发明涉及一种基于VAone二次开发的噪声传递路径快速识别方法，基于声学分析软件VAone内置的Visual Basic编程环境，利用其API函数接口进行二次开发，结合命名规则化的整车SEA声腔子系统，快速识别噪声从声源传递至车内空间的主要传递路径。该方法包含判断已选取分析的声腔、声腔的各功率函数名字标准化、去除功率函数表中函数值全为零的多余函数、按频率一一对应来合并叠加具有相同声腔名字的功率函数值、按照门槛值搜寻有效函数、递归迭代遍历找寻噪声传递路径、路径显示、各路径噪声传递的贡献量计算、绘图等过程。与现有技术相比，本发明操作简便，获取结果的速度大幅度提升，仿真结果计算准确，工程实用价值高。 | ||||||
| 248 | 应用于心磁噪声抑制的自适应数字滤波方法 | CN200410088872.4 | 2004-11-08 | CN1309344C | 2007-04-11 | 孔祥燕; 李俊文; 杨乾声; 杨国桢; 陈惟昌; 陈赓华; 张利华; 冯稷; 刘宜平; 王自强; 黄旭光; 任育峰; 于洪伟 |
| 本发明公开了一种应用于心磁噪声抑制的自适应数字滤波方法，该方法包括如下步骤：1)利用多通道同步数据采集将要处理的人体心脏信号、背景噪声和心电信号进行采集和存储；2)利用最小均方算法对步骤1)中的数据进行自适应处理，提取被测人体的心磁信号；3)用同步心电信号作为时间基准作周期平均，得到一个心率周期的心磁波形。本发明利用数据递归正规最小均方算法将其长度进行倍数扩展，而同时又不引入其它噪声影响的前提下对采集数据进行自适应处理，得到较高的信噪比，使心磁信号得到很好的恢复。该算法结构简单，频带宽，噪声抑制比较高，运行速度快，在合理选择参数的情况下收敛速度较快，适合心磁信号数据长度有限的特点。 | ||||||
| 249 | 一种基于时间序列的智能数据发布方法及装置 | CN202310965754.X | 2023-08-02 | CN116991836A | 2023-11-03 | 张亚姝; 李娜; 张鑫; 梁校源; 张晓霞; 胡四泉; 石志国; 郭家义; 朱芳; 周欢; 陈桂红 |
| 本发明涉及数据加密技术领域，特别是指一种基于时间序列的智能数据发布方法及装置。方法包括：基于扩展的DBSCAN算法以及K最近邻邻域的合并标准，在待发布数据的属性空间中确定出一致区域和不一致区域；获取一致区域中的所有点数据集accords，以及不一致区域中的所有点数据集discords；根据待发布数据的小波系数，确定待添加的可压缩噪声；基于递归的DRP算法，将可压缩噪声分别分配给accords中的每个序列以及discords中的每个序列，得到发布数据。采用本发明，可以对单条序列添加能够防止过滤攻击的噪声。经过处理的发布数据能有效防止对原始值的推测攻击、有效防止噪声过滤攻击而且可以显著提高发布序列的分类有用性。 | ||||||
| 250 | 强噪声环境下的语音检测方法 | CN202311076367.7 | 2023-08-25 | CN116778970A | 2023-09-19 | 李春霞 |
| 本发明提出强噪声环境下的语音检测方法，包括：获取强噪声环境中的语音数据并对其预处理，进行滑动窗口分段，通过傅里叶变换将原始语音信号转换为频谱表示，输入到卷积神经网络CNN中提取有意义的语音特征数据；引入双向长短期记忆渐进式学习模型来估计语料层面的渐进式比率掩码后，估计的渐进式比率掩码被纳入最小值控制递归平均法程序中构建语音检测模型，通过改进优化算法计算损失对模型进行参数优化；根据用户反馈和模型性能，持续对语音检测模型进行优化和微调；使其能够自适应地调整降噪与语音失真之间的权衡，实现对各种噪声环境的适应性优化；通过利用PRMs所提供的信息，模型可以更为准确地估计噪声，进一步提升了语音检测的效果。 | ||||||
| 251 | 一种基于VAone二次开发的噪声传递路径快速识别方法 | CN201811331868.4 | 2018-11-09 | CN109492302B | 2022-11-15 | 邵建旺; 曾涛; 吴宪; 邓国明; 赵猛; 刘基天 |
| 本发明涉及一种基于VAone二次开发的噪声传递路径快速识别方法，基于声学分析软件VAone内置的Visual Basic编程环境，利用其API函数接口进行二次开发，结合命名规则化的整车SEA声腔子系统，快速识别噪声从声源传递至车内空间的主要传递路径。该方法包含判断已选取分析的声腔、声腔的各功率函数名字标准化、去除功率函数表中函数值全为零的多余函数、按频率一一对应来合并叠加具有相同声腔名字的功率函数值、按照门槛值搜寻有效函数、递归迭代遍历找寻噪声传递路径、路径显示、各路径噪声传递的贡献量计算、绘图等过程。与现有技术相比，本发明操作简便，获取结果的速度大幅度提升，仿真结果计算准确，工程实用价值高。 | ||||||
| 252 | 一种电池等效电路模型抗扰动参数化方法 | CN202010194106.5 | 2020-03-19 | CN111366855B | 2021-03-12 | 魏中宝; 何洪文; 曹万科; 周稼铭 |
| 本发明公开了一种电池等效电路模型抗扰动参数化方法，包括以下步骤：S1.建立电池的等效电路模型，确定待辨识模型参数，并通过拟合确定荷电状态(SOC)与开路电压(OCV)的关系表达式；S2.对k时刻的负载电流和端电压进行实时采集；S3.计算k时刻电池SOC，并推算OCV值；S4.建立用于模型参数辨识的离散域回归方程，采用递归最小二乘法(RLS)在线更新模型参数；S5.构建工具向量约束条件，在线计算k时刻电流噪声方差，进而依据FrischScheme方法计算k时刻电压噪声方差；S6.依据电流、电压方差估计值，对S4中的RLS结果进行校正，得到k时刻的无偏模型参数向量。本发明能够在线估计电流、电压测量噪声统计特性，从而对噪声干扰环境下的模型辨识偏差进行补偿，实现无偏的模型参数辨识。 | ||||||
| 253 | 一种电池等效电路模型抗扰动参数化方法 | CN202010194106.5 | 2020-03-19 | CN111366855A | 2020-07-03 | 魏中宝; 何洪文; 曹万科; 周稼铭 |
| 本发明公开了一种电池等效电路模型抗扰动参数化方法，包括以下步骤：S1.建立电池的等效电路模型，确定待辨识模型参数，并通过拟合确定荷电状态(SOC)与开路电压(OCV)的关系表达式；S2.对k时刻的负载电流和端电压进行实时采集；S3.计算k时刻电池SOC，并推算OCV值；S4.建立用于模型参数辨识的离散域回归方程，采用递归最小二乘法(RLS)在线更新模型参数；S5.构建工具向量约束条件，在线计算k时刻电流噪声方差，进而依据FrischScheme方法计算k时刻电压噪声方差；S6.依据电流、电压方差估计值，对S4中的RLS结果进行校正，得到k时刻的无偏模型参数向量。本发明能够在线估计电流、电压测量噪声统计特性，从而对噪声干扰环境下的模型辨识偏差进行补偿，实现无偏的模型参数辨识。 | ||||||
| 254 | 基于自适应抗噪声神经网络的轴承故障诊断方法及系统 | CN201910957332.1 | 2019-10-09 | CN110647867A | 2020-01-03 | 金国强; 金一; 王浩璇; 陈怀安; 竺长安; 陈恩红 |
| 本发明公开了一种基于自适应抗噪声神经网络的轴承故障诊断方法及系统，方法包括：获取数据集，并将数据集按照预设比例分为训练数据集和测试数据集；构建神经网络模型，其中，神经网络模型包括：一个输入层、两个卷积层、两个门控递归单元层、注意机制层和深度神经网络层；基于无噪声的训练数据集中的训练数据对构建的所述神经网络模型进行训练，得到训练好的神经网络模型；将测试数据集中的测试数据加入加性高斯白噪声，输入到训练好的神经网络模型，得到轴承故障诊断结果。本发明能够自动从原始信号中提取特征无需人工选择特征和去噪，能够区分不同的故障类型以及故障严重程度，能够适应不同的噪声环境。 | ||||||
| 255 | 用于语音处理的基于神经网络的时频掩模估计和波束形成 | CN201910314382.8 | 2019-04-18 | CN110503971A | 2019-11-26 | 亚当·库普里亚诺; 库巴·洛帕特卡 |
| 本公开涉及用于语音处理的基于神经网络的时频掩模估计和波束形成。提供了用于语音信号的预处理增强的技术。根据实施例的实现这种技术的方法包括：对从麦克风阵列接收到的信号执行去混响处理，所述信号包括语音和噪声。该方法还包括：生成每个信号的时频掩模(TFM)。TFM指示与TFM元素相关联的信号的时频分量包括语音的概率。TFM的生成是基于向信号应用递归神经网络。该方法还包括：基于语音协方差矩阵和噪声协方差矩阵生成导向矢量。TFM被用来对信号的语音分量进行滤波以用于计算语音协方差，并且对信号的噪声分量进行滤波以用于计算噪声协方差。该方法还包括：基于导向矢量对信号执行波束形成，以生成增强语音信号。 | ||||||
| 256 | 基于二阶锥规划的目标方向语音检测方法 | CN201611202064.5 | 2016-12-23 | CN106782618A | 2017-05-31 | 曹裕行 |
| 本发明涉及一种基于二阶锥规划的目标方向语音检测方法，包括如下步骤：针对目标方向设计最低旁瓣的波束形成，利用二阶锥规划计算所述最低旁瓣的波束形成的权重；构造噪声估计权重；估计目标信号和噪声信号；利用时域一阶递归平滑计算出目标信号和噪声信号的功率；利用目标信号的功率和噪声信号的功率计算出后验信噪比；对所述后验信噪比进行最小值跟踪，以得到所述后验信噪比的最小值；计算频段在281.25Hz至3437.5Hz范围内的后验信噪比之和与后验信噪比的最小值之和的比值；判断比值与设定阈值的大小以确定目标方向语音是否存在。本发明的检测方法具有步骤少，计算量少的优点，且通过频域求和能够避免某些频点不稳定的问题。 | ||||||
| 257 | 基于证据融合的四旋翼飞行器姿态估计方法 | CN201310641284.8 | 2013-12-03 | CN103697890A | 2014-04-02 | 徐晓滨; 刘征; 李宏伟; 张镇 |
| 本发明涉及一种基于证据融合的四旋翼飞行器姿态估计方法。本发明建立四旋翼飞行器姿态的状态方程与观测方程，其中的状态与观测噪声都被建模为三角形可能性分布函数。将该函数转换为噪声证据，然后将它们带入状态方程和观测方程与实际观测值合成后，即可生成三种描述飞行器状态的证据，利用证据组合规则实现这些证据的融合，通过区间映射工具实现三个证据在连续时刻的递归传播。对融合后证据所包含的信度赋值进行加权，即可得到飞行器姿态的估计值。本发明所提方法无需满足状态和观测噪声概率分布已知的苛刻要求，而只需限定噪声有界且可用简单的三角形函数描述。这增加了在实际姿态估计中的实用性，与已有经典方法相比，也具有较高的估计精度。 | ||||||
| 258 | 应用于心磁噪声抑制的自适应数字滤波方法 | CN200410088872.4 | 2004-11-08 | CN1608581A | 2005-04-27 | 孔祥燕; 李俊文; 杨乾声; 杨国桢; 陈惟昌; 陈赓华; 张利华; 冯稷; 刘宜平; 王自强; 黄旭光; 任育峰; 于洪伟 |
| 本发明公开了一种应用于心磁噪声抑制的自适应数字滤波方法，该方法包括如下步骤：1)利用多通道同步数据采集将要处理的人体心脏信号、背景噪声和心电信号进行采集和存储；2)利用最小均方算法对步骤1)中的数据进行自适应处理，提取被测人体的心磁信号；3)用同步心电信号作为时间基准作周期平均，得到一个心率周期的心磁波形。本发明利用数据递归正规最小均方算法将其长度进行倍数扩展，而同时又不引入其它噪声影响的前提下对采集数据进行自适应处理，得到较高的信噪比，使心磁信号得到很好的恢复。该算法结构简单，频带宽，噪声抑制比较高，运行速度快，在合理选择参数的情况下收敛速度较快，适合心磁信号数据长度有限的特点。 | ||||||
| 259 | 一种基于特征选择的轻梯度提升机风电功率预测方法及装置 | CN202410300963.7 | 2024-03-15 | CN118133201A | 2024-06-04 | 吴振龙; 范鑫雨; 刘艳红; 杨磊; 霍本岩; 李方圆 |
| 本发明提出了一种基于特征选择的轻梯度提升机风电功率预测方法及装置，属于人工智能领域。包括以下步骤：提取固定时间段内数据采集系统采集的数据；检查数据集，对缺失数据进行填补，对异常数据采用基于密度的具有噪声的聚类方法检测，替换异常数据；划分训练集与测试集；将训练集中的温度、风速等作为输入数据，实际功率作为输出数据训练轻梯度提升机模型，得到输入数据的特征重要性评分；利用递归特征消除剔除重要性评分较低的特征，更新训练集的输入数据；对测试集输入数据进行特征选择；利用训练后的轻梯度提升机进行预测；对预测结果进行修正。本发明能够利用基于密度的聚类方法检测异常值，通过递归特征消除提升预测精度，具有可行性。 | ||||||
| 260 | 基于多变量筛选策略的碳价预测方法、系统及存储介质 | CN202311812269.5 | 2023-12-27 | CN117787487A | 2024-03-29 | 张大斌; 范晓莹; 张博婷; 周京; 洪霓; 黄均杰 |
| 本发明公开了一种基于多变量筛选策略的碳价预测方法、系统及存储介质，方法为：在一段时间内采集碳排放权交易中心的碳价时间序列数据并获取碳价潜在影响因素的时间序列数据；进行数据清洗；利用皮尔逊相关性分析法做初次筛选；使用基于随机森林的交叉验证递归特征消除算法对初次筛选后的潜在影响因素进行筛选得到最优因素组合；输入采用布谷鸟算法进行参数优化得到的最优CS‑LSTM模型中进行碳价预测，得到预测结果。本申请引入随机森林捕捉碳价潜在影响因素之间的联系，减少异常值和噪声的影响；同时结合交叉验证递归特征消除法保留重要变量，选出最优因素组合降低人为选择的影响；最后基于布谷鸟算法的LSTM模型来对碳价进行预测，提高效率和准确性。 | ||||||
QQ群二维码
意见反馈
意见反馈