申请/专利权人:武汉工程大学
申请日:2023-12-29
公开(公告)日:2024-04-05
公开(公告)号:CN117828453A
主分类号:G06F18/2411
分类号:G06F18/2411;G06F18/10;G06F18/213;G06V10/40;G06N3/045;G06N3/0464;G06N20/10;G01R33/02;G01R33/10;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.23#实质审查的生效;2024.04.05#公开
摘要:本发明提供了基于Att‑GoogleNet‑SVM的甚低频磁异常信号识别方法,通过对原始时间序列数据进行数据预处理并转化为时频图像,然后提取灰度图像和多维灰度特征,并分别送入已经训练好的Att‑GoogleNet‑SVM模型进行识别,实现了在复杂海洋环境下提取有效甚低频磁异常信号的功能。本发明采用注意力机制帮助神经网络集中关注输入数据中最相关的部分,采用支持向量机和神经网络相结合提高了整体模型的泛化能力,有效解决了甚低频磁异常信号本身信号微弱、背景和噪声干扰大且扰动特征规律不明确,甚低频磁场目标信号与噪声难以分离、特征提取困难且识别率较低的问题,适用于甚低频和极低频领域磁信号相关研究和分析。
主权项:1.基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法,其特征在于:包括以下步骤:S1:通过传感器采集甚低频磁信号得到原始时间序列数据;结合欧几里得距离法与均值平滑法对原始时间序列数据进行预处理以减少噪声信号;S2:将预处理后的时间序列数据转换为时频图像,并将时频图像加载为图像数据并存储;S3:从图像数据中提取灰度图像,并从灰度图像中提取多维灰度特征;S4:在神经网络模型的全连接层前插入注意力层并训练该模型;训练达到预设精度后使用支持向量机分类器替换模型的全连接层,并训练支持向量机至预设精度;S5:利用训练好的Att-GoogleNet-SVM模型识别步骤S3得到的多维灰度特征,分别输出有目标结果和无目标结果。
全文数据:
权利要求:
百度查询: 武汉工程大学 基于Att-GoogleNet-SVM的甚低频磁异常信号识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。