| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 81 | 稀疏线性约束递归最大相关熵自适应滤波器 | CN202110697823.4 | 2021-06-23 | CN113541650A | 2021-10-22 | 倪锦根; 逯静 |
| 本发明公开一种稀疏线性约束递归最大相关熵自适应滤波器，属于数字滤波器设计领域。该滤波器由递归最小二乘法结合最大相关熵代价函数，采用拉格朗日乘子法推导得到。由于阵列天线信号处理中，有时为了降低功耗而采用稀疏天线阵列，因此本专利基于最大相关熵准则，加入线性约束和稀疏约束两个条件，推导了稀疏线性约束递归最大相关熵自适应滤波器。本发明公开的稀疏线性约束递归最大相关熵自适应滤波器可以应用于受到脉冲噪声干扰的电子、通信和控制系统中。 | ||||||
| 82 | MIMO雷达观测噪声优化方法及装置 | CN202110768965.5 | 2021-07-07 | CN113514810B | 2023-07-18 | 曹林; 张楚元; 赵宗民; 王东峰 |
| 本发明公开了一种MIMO雷达观测噪声优化方法及装置，方法包括：获得雷达观测目标信息和先验知识信息；根据先验知识信息确定系统方程；根据雷达观测目标信息和观测方程确定贝叶斯新息；根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵，确定Kalman递归方程增益，估计误差协方差矩阵根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新，后验观测噪声协方差矩阵根据提议分布进行更新；根据过程方程，贝叶斯新息和Kalman递归方程增益，进行雷达观测目标运动状态估计。本发明可以减小MIMO雷达观测噪声的干扰，在保证准确性的同时提高噪声优化实时性。 | ||||||
| 83 | MIMO雷达观测噪声优化方法及装置 | CN202110768965.5 | 2021-07-07 | CN113514810A | 2021-10-19 | 曹林; 张楚元; 赵宗民; 王东峰 |
| 本发明公开了一种MIMO雷达观测噪声优化方法及装置，方法包括：获得雷达观测目标信息和先验知识信息；根据先验知识信息确定系统方程；根据雷达观测目标信息和观测方程确定贝叶斯新息；根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵，确定Kalman递归方程增益，估计误差协方差矩阵根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新，后验观测噪声协方差矩阵根据提议分布进行更新；根据过程方程，贝叶斯新息和Kalman递归方程增益，进行雷达观测目标运动状态估计。本发明可以减小MIMO雷达观测噪声的干扰，在保证准确性的同时提高噪声优化实时性。 | ||||||
| 84 | 一种语音识别系统中基于多个卷积神经网络的语音增强算法 | CN201810012748.1 | 2018-01-06 | CN108172238A | 2018-06-15 | 陈国强; 石城川; 彭驷庆 |
| 本发明涉及一种基于CNN的噪声识别以及一种结合CNN与平稳快速递归最小二乘法（SFTRLS）的语音增强模型‑‑SFTRLS‑CNN。首先提取带噪音频段中噪声的MFCC等648维特征，进入训练好的第一种卷积神经网络中来识别出噪声的环境类型。然后将提取的音频特征、信噪比和噪声类型值组成658维度特征，采用第二种卷积神经网络来自适应地匹配到SFTRLS算法进行语音增强的最佳遗忘因子。最后通过平稳快速递归最小二乘法实现在各个环境下的降噪处理。该算法让增强模型适用于不同的噪声环境，提高了自适应能力。相比传统的SFTRLS，语音质量评价指标值也更佳。 | ||||||
| 85 | 一种基于可靠度的连续相位解调方法 | CN201811622078.1 | 2018-12-28 | CN109714285A | 2019-05-03 | 张凯; 张青松; 朱广法; 马允龙; 黄薇婕; 陈测库; 王小军; 王陈春; 张健 |
| 本发明公开了一种基于可靠度的连续相位解调方法，包括前向递归变量和后向递归变量的初始化，并计算第n节Trellis各条边修正后的可靠度信息；前向递归和后向递归计算，并同时平移信息向量；对CPM信号第n个符号的信息提取计算以及判决计算。本发明的一种基于可靠度的连续相位解调方法，以接收信号和发送调制信号之间的相关值作为信息度量，极大地降低了计算的复杂度，并在不牺牲解调性能的前提下降低了对硬件资源的要求。本方法解决了连续相位解调的计算量大的问题，可应用在各种基于CPM调制解调的通信系统中，不需对信道噪声进行估计，有很强的鲁棒性。 | ||||||
| 86 | 基于二维递归滤波的超声波脂肪肝散射粒子提取方法及系统 | CN200910242806.0 | 2009-12-17 | CN101799914A | 2010-08-11 | 肖扬 |
| 本发明公开了一种基于二维递归滤波的超声波脂肪肝散射粒子提取方法及系统。所述方法在获取包含脂肪肝散射粒子的超声波数字图像后，进行如下处理：使用第一递归数字滤波器对所述超声波图像进行垂直方向的滤波；对垂直方向滤波后的结果使用第二递归数字滤波器进行水平方向的滤波；根据预置的阈值，基于水平方向滤波后图像提取脂肪肝散射粒子。本发明中，基于二维递归滤波，去除与脂肪肝散射粒子混迭的噪声，从水平方向和垂直水平方向对超声波图像进行滤波和脂肪肝散射粒子纹理信息提取处理，进而有效地提取脂肪肝散射粒子，提高脂肪肝临床诊断的准确性。 | ||||||
| 87 | 一种InSAR时序中大气噪声的去除方法、装置及设备 | CN202110519191.2 | 2021-05-12 | CN113139349B | 2022-11-29 | 林珲; 赵倬毅; 马培峰 |
| 本发明公开了一种InSAR时序中大气噪声的去除方法，包括：获取InSAR形变时序数据；将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；深度递归网络去噪模型结合季节性因子作为辅助输入，并引入衰减机制处理观测值缺失问题；该模型利用仿真InSAR形变时序训练优化。本发明通过构建一个基于深度递归网络的去噪模型获得去噪以后的时序信号，更鲁棒地去除大气噪声；构建了InSAR时序数据仿真的方法，以合成大量的样本丰富的仿真时序数据，用以训练深度递归网络模型，得到优化的模型参数；同时合成仿真的时序数据也可以帮助验证去噪模型的有效性并对模型的表现进行定量的评估。 | ||||||
| 88 | 基于SRU与残差网络的递归红外图像非均匀校正方法 | CN202011242885.8 | 2020-11-10 | CN112435177A | 2021-03-02 | 秦翰林; 张嘉伟; 延翔; 梁毅; 冯冬竹; 马琳; 曾庆杰; 杨硕闻; 乐阳; 姚迪; 乐子晗; 周慧鑫 |
| 本发明公开了一种基于SRU与残差网络的递归红外图像非均匀校正方法，将原始非均匀噪声图与原始非均匀噪声图进行通道数拼接，进行初步特征提取；其次，将初步特征提取结果经过简单递归单元(SRU)完成特征提取；经过多层残差块与卷积层处理，获得一阶段的红外图像非均匀校正结果；将所述一阶段的红外图像非均匀校正结果与原始非均匀噪声图进行通道数拼接，进行下一步特征提取，如此进行共N个阶段，获得最终的红外图像非均匀校正结果。本发明通过残差模块和简单递归单元共同作用，在以6个阶段作为递归的情况下，网络共享每个阶段的参数，大大降低了整体网络参数量，对大多数场景的红外图像都具有良好的非均匀性校正效果。 | ||||||
| 89 | 基于SRU与残差网络的递归红外图像非均匀校正方法 | CN202011242885.8 | 2020-11-10 | CN112435177B | 2023-12-08 | 秦翰林; 张嘉伟; 延翔; 梁毅; 冯冬竹; 马琳; 曾庆杰; 杨硕闻; 乐阳; 姚迪; 乐子晗; 周慧鑫 |
| 本发明公开了一种基于SRU与残差网络的递归红外图像非均匀校正方法，将原始非均匀噪声图与原始非均匀噪声图进行通道数拼接，进行初步特征提取；其次，将初步特征提取结果经过简单递归单元(SRU)完成特征提取；经过多层残差块与卷积层处理，获得一阶段的红外图像非均匀校正结果；将所述一阶段的红外图像非均匀校正结果与原始非均匀噪声图进行通道数拼接，进行下一步特征提取，如此进行共N个阶段，获得最终的红外图像非均匀校正结果。本发明通过残差模块和简单递归单元共同作用，在以6个阶段作为递归的情况下，网络共享每个阶段的参数，大大降低了整体网络参数量，对大多数场景的红外图像都具有良好的非均匀性校正效果。 | ||||||
| 90 | 一种InSAR时序中大气噪声的去除方法、装置及设备 | CN202110519191.2 | 2021-05-12 | CN113139349A | 2021-07-20 | 林珲; 赵倬毅; 马培峰 |
| 本发明公开了一种InSAR时序中大气噪声的去除方法，包括：获取InSAR形变时序数据；将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；深度递归网络去噪模型结合季节性因子作为辅助输入，并引入衰减机制处理观测值缺失问题；该模型利用仿真InSAR形变时序训练优化。本发明通过构建一个基于深度递归网络的去噪模型获得去噪以后的时序信号，更鲁棒地去除大气噪声；构建了InSAR时序数据仿真的方法，以合成大量的样本丰富的仿真时序数据，用以训练深度递归网络模型，得到优化的模型参数；同时合成仿真的时序数据也可以帮助验证去噪模型的有效性并对模型的表现进行定量的评估。 | ||||||
| 91 | 一种语音识别系统中基于多个卷积神经网络的语音增强算法 | CN201810012748.1 | 2018-01-06 | CN108172238B | 2021-08-13 | 陈国强; 石城川; 彭驷庆 |
| 本发明涉及一种基于CNN的噪声识别以及一种结合CNN与平稳快速递归最小二乘法（SFTRLS）的语音增强模型‑‑SFTRLS‑CNN。首先提取带噪音频段中噪声的MFCC等648维特征，进入训练好的第一种卷积神经网络中来识别出噪声的环境类型。然后将提取的音频特征、信噪比和噪声类型值组成658维度特征，采用第二种卷积神经网络来自适应地匹配到SFTRLS算法进行语音增强的最佳遗忘因子。最后通过平稳快速递归最小二乘法实现在各个环境下的降噪处理。该算法让增强模型适用于不同的噪声环境，提高了自适应能力。相比传统的SFTRLS，语音质量评价指标值也更佳。 | ||||||
| 92 | 基于有界优化的机器人位姿递归估计方法 | CN201910896428.1 | 2019-09-23 | CN110640789A | 2020-01-03 | 陈博; 章宇晨; 俞立; 张文安; 洪榛 |
| 一种基于有界优化的机器人位姿递归估计方法，根据相机针孔模型和坐标变换过程建立位姿估计系统模型，设计递归滤波器形式，通过泰勒展开非线性量测方程并将高阶展开项作为有界噪声，给出估计误差平方的一个上界，构造最优化问题求解最优估计器增益，使得估计误差平方上界最小化且确保估计误差上界成立。本发明提供一种在噪声统计特性未知情况下的机器人位姿有界递归优化估计方法，实现机器人位姿的实时估计。 | ||||||
| 93 | 基于有界优化的机器人位姿递归估计方法 | CN201910896428.1 | 2019-09-23 | CN110640789B | 2021-01-01 | 陈博; 章宇晨; 俞立; 张文安; 洪榛 |
| 一种基于有界优化的机器人位姿递归估计方法，根据相机针孔模型和坐标变换过程建立位姿估计系统模型，设计递归滤波器形式，通过泰勒展开非线性量测方程并将高阶展开项作为有界噪声，给出估计误差平方的一个上界，构造最优化问题求解最优估计器增益，使得估计误差平方上界最小化且确保估计误差上界成立。本发明提供一种在噪声统计特性未知情况下的机器人位姿有界递归优化估计方法，实现机器人位姿的实时估计。 | ||||||
| 94 | 一种基于DTW-DCRNN的化工园区噪声预测方法 | CN202211238200.1 | 2022-10-11 | CN115659609A | 2023-01-31 | 陈赓; 曾庆田; 梁宇; 段华; 姚文静; 张煜东; 周玉祥 |
| 本发明公开了一种基于DTW‑DCRNN的化工园区噪声预测方法，属于信号与信息处理领域，解决化工园区长期全局噪声预测问题。将时间动态规整理论引入到扩散卷积递归神经网络中，建立由时间动态规整方法、扩散卷积递归神经网络、Kalman滤波构成的时空噪声预测网络模型。使用惩罚系数改进DTW算法，通过DTW模型重构神经网络的空间关系；使用Kalman方法结合车流量特征动态调整神经网络的输出噪声预测。该方法首先基于时间序列相似度重构空间关系，之后将各站点的数据送入模型中进行预测与动态修正，从而实现多站点噪声预测、长期噪声预测、全局噪声水平预测，进而能够提前规避噪声扰民、损害健康的风险。 | ||||||
| 95 | 一种高低频噪声特性互补的计算载体加速度的方法 | CN202410036464.1 | 2024-01-10 | CN117849395A | 2024-04-09 | 周泽波; 李彦志 |
| 本发明公开了一种高低频噪声特性互补的计算载体加速度的方法，属于导航领域。该方法首先利用测量的速度，通过滑动递推窗口提取运动加速度，再通过互补滤波器与惯性测量单元测量的加速度融合。所用的窗口递归估计，有益于更精确预测运动参数符合高次函数的运动，有助于同时降低不同系统的高低频噪声。本发明因为采用了窗口递归估计与互补滤波器的技术方案，利用惯性导航信号与卫星导航信号噪声分布在不同频率范围的特点融合两种信号，充分降低了噪声；而且针对一些运动满足一定函数的场景，使用窗口递归估计拟合函数提高预测的精度，提高了组合导航的精度。 | ||||||
| 96 | 脉冲噪声下的波束成形方法及装置 | CN201611042711.0 | 2016-11-22 | CN106680779B | 2019-10-11 | 阳召成; 汪小叶; 黄建军 |
| 本发明公开了一种脉冲噪声下的波束成形方法及装置，该方法包括：利用波束成形方向图的稀疏性，联合阵列输出几何功率及l1范数最小化，得到目标优化问题，并利用随机梯度算法或者类似递归最小二乘法对目标优化问题进行求解，得到最优权矢量，根据该最优权矢量进行波束成形。相对于现有技术，通过利用波束方向图的稀疏性联合阵列输出几何功率及l1范数最小化得到目标优化问题，并利用随机梯度算法或者类似递归最小二乘法求解得到最优权矢量，可以避免估计脉冲噪声的统计参数，适用于几乎所有的噪声脉冲，同时有效降低了旁瓣干扰与噪声，提高了输出SINR。 | ||||||
| 97 | 用来估计视频信号噪声的设备和方法 | CN200410095150.1 | 2004-10-14 | CN100548047C | 2009-10-07 | 让-伊夫·巴博诺; 雅基·迪厄默加尔; 奥利维耶·勒默尔 |
| 本发明涉及用来估计表示图像序列的一个视频信号的噪声电平的一种设备和方法。所述设备包括：—运动补偿内插装置(2)，—递归滤波器(1)，设计为在递归滤波器的第一输入端接收所述通过运动补偿内插装置(2)运动补偿的递归滤波器的输出(r(x，y，t))且在第二输入端接收视频信号(10)，—装置(9)，计算在视频信号(10)和通过运动补偿内插装置(2)运动补偿的递归滤波器(1)的输出(r(x，y，t))之间差。依照本发明，所述设备包括依照所述差和定界这个差的一个最大阈值(Sc)来估计视频信号(10)的噪声电平(σ)的装置(4)。应用于视频压缩前的降噪设备。 | ||||||
| 98 | 脉冲噪声下的波束成形方法及装置 | CN201611042711.0 | 2016-11-22 | CN106680779A | 2017-05-17 | 阳召成; 汪小叶; 黄建军 |
| 本发明公开了一种脉冲噪声下的波束成形方法及装置，该方法包括：利用波束成形方向图的稀疏性，联合阵列输出几何功率及l1范数最小化，得到目标优化问题，并利用随机梯度算法或者类似递归最小二乘法对目标优化问题进行求解，得到最优权矢量，根据该最优权矢量进行波束成形。相对于现有技术，通过利用波束方向图的稀疏性联合阵列输出几何功率及l1范数最小化得到目标优化问题，并利用随机梯度算法或者类似递归最小二乘法求解得到最优权矢量，可以避免估计脉冲噪声的统计参数，适用于几乎所有的噪声脉冲，同时有效降低了旁瓣干扰与噪声，提高了输出SINR。 | ||||||
| 99 | 用来估计视频信号噪声的设备和方法 | CN200410095150.1 | 2004-10-14 | CN1607834A | 2005-04-20 | 让-伊夫·巴博诺; 雅基·迪厄默加尔; 奥利维耶·勒默尔 |
| 本发明涉及用来估计表示图像序列的一个视频信号的噪声电平的一种设备和方法。所述设备包括：－运动补偿内插装置(2)，－递归滤波器(1)，设计为在递归滤波器的第一输入端接收所述通过运动补偿内插装置(2)运动补偿的递归滤波器的输出(r(x，y，t))且在第二输入端接收视频信号(10)，－装置(9)，计算在视频信号(10)和通过运动补偿内插装置(2)运动补偿的递归滤波器(1)的输出(r(x，y，t))之间差。依照本发明，所述设备包括依照所述差和定界这个差的一个最大阈值(Sc)来估计视频信号(10)的噪声电平(σ)的装置(4)。应用于视频压缩前的降噪设备。 | ||||||
| 100 | 语音降噪方法、装置、设备及存储介质 | CN202111660050.9 | 2021-12-30 | CN114360563A | 2022-04-15 | 王倩; 沈洋; 来杏杏 |
| 本申请实施例公开了一种语音降噪方法、装置、设备及存储介质，属于多媒体数据处理技术领域。所述方法包括：获取第一语音信号，该第一语音信号包括多个频点信号。基于该多个频点信号中每个频点信号的信号功率，确定递归平均算法中的平滑因子。基于该平滑因子，通过递归平均算法对第一语音信号进行噪声估计，得到第一语音信号的噪声估计值，该噪声估计值指示第一语音信号中噪声信号的功率。基于噪声估计值对第一语音信号进行降噪处理。本申请实施例根据不同语音信号自身特点自适应确定平滑因子，以提高噪声估计的准确性，使得最终在基于噪声估计值对第一语音信号进行降噪处理时，能得到纯净的语音信号。 | ||||||
QQ群二维码
意见反馈
意见反馈