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)獲悉西北工業(yè)大學(xué)申請(qǐng)的專利基于連續(xù)小波變換及改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水下噪聲識(shí)別方法獲國(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：CN116740387B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-15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：202310573352.5，技術(shù)領(lǐng)域涉及：G06V10/70；該發(fā)明授權(quán)基于連續(xù)小波變換及改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水下噪聲識(shí)別方法是由史文濤;金明祺;肖啟陽(yáng);張群飛;陳東;劉樹勛設(shè)計(jì)研發(fā)完成，并于2023-05-20向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于連續(xù)小波變換及改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水下噪聲識(shí)別方法在說(shuō)明書摘要公布了：本發(fā)明提出一種基于連續(xù)小波變換及改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水下噪聲識(shí)別方法，首先采用變分模態(tài)分解算法對(duì)采集到的航行器自噪聲信號(hào)進(jìn)行分解，根據(jù)皮爾森相關(guān)系數(shù)將分解得到的若干個(gè)模態(tài)分量進(jìn)行重構(gòu)，從而去除自噪聲信號(hào)中的冗余信息；對(duì)重構(gòu)后的自噪聲信號(hào)進(jìn)行連續(xù)小波變換，得到其對(duì)應(yīng)的時(shí)頻圖像，實(shí)現(xiàn)自噪聲信號(hào)的特征提取；利用注意力機(jī)制對(duì)殘差網(wǎng)絡(luò)進(jìn)行改進(jìn)，構(gòu)建基于注意力機(jī)制的殘差神經(jīng)網(wǎng)絡(luò)，將自噪聲信號(hào)的時(shí)頻圖像輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)自噪聲信號(hào)的識(shí)別分類。本發(fā)明在水下航行器自噪聲信號(hào)的特征提取中解決了一維信號(hào)包含信息較少的問(wèn)題，并且避免了深層神經(jīng)網(wǎng)絡(luò)精度下降問(wèn)題，有效提高了不同類型噪聲識(shí)別的準(zhǔn)確率。

本發(fā)明授權(quán)基于連續(xù)小波變換及改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水下噪聲識(shí)別方法在權(quán)利要求書中公布了：1.一種基于連續(xù)小波變換及改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的水下噪聲識(shí)別方法，其特征在于：包括以下步驟： 步驟1：采用變分模態(tài)分解算法對(duì)原始樣本噪聲信號(hào)進(jìn)行分解，得到若干個(gè)模態(tài)分量； 步驟2：計(jì)算每個(gè)模態(tài)分量與所述原始樣本噪聲信號(hào)的皮爾森相關(guān)系數(shù)，并將相關(guān)系數(shù)大于設(shè)定閾值K的模態(tài)分量相加，得到重構(gòu)后的噪聲信號(hào)； 步驟3：對(duì)重構(gòu)后的噪聲信號(hào)進(jìn)行連續(xù)小波變換，提取其在時(shí)域和頻域上的特征，得到包含噪聲信號(hào)時(shí)頻特征的二維時(shí)頻圖像； 步驟4：采用通道和空間注意力機(jī)制對(duì)殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，構(gòu)建噪聲識(shí)別模型；所述噪聲識(shí)別模型對(duì)輸入信號(hào)的處理過(guò)程為： 輸入信號(hào)經(jīng)過(guò)第一個(gè)卷積層由原始的RGB三通道變?yōu)?4通道，此時(shí)數(shù)據(jù)維度為；將64個(gè)通道的數(shù)據(jù)輸入到通道注意力模塊中；在通道注意力模塊中對(duì)輸入進(jìn)行全局均池化： 計(jì)算通道中所有像素值的平均值作為該通道的特征值，輸出為的張量；并對(duì)所述張量進(jìn)行大小為3的填充；使用大小為7的卷積核對(duì)填充后的張量進(jìn)行一維卷積；將卷積后的結(jié)果使用sigmoid函數(shù)壓縮到0,1之間并重構(gòu)為的張量，再乘以輸入信號(hào)得到附帶通道注意力權(quán)重的輸出數(shù)據(jù)； 將通道注意力模塊的輸出數(shù)據(jù)輸入到空間注意力模塊中；在空間注意力模塊中，在平面維度上分別進(jìn)行最大池化和平均池化得到兩個(gè)的特征圖，將這兩個(gè)特征圖在通道維度進(jìn)行拼接變?yōu)橐粋€(gè)的特征圖，通過(guò)一個(gè)的卷積層降為1個(gè)通道，再使用sigmoid函數(shù)生成空間權(quán)重系數(shù)并乘以空間注意力模塊的輸入得到最終的輸出； 步驟5：利用步驟3得到的噪聲信號(hào)的二維時(shí)頻圖，以及對(duì)應(yīng)原始樣本噪聲信號(hào)的識(shí)別標(biāo)簽，對(duì)步驟4構(gòu)建的噪聲識(shí)別模型進(jìn)行訓(xùn)練，得到訓(xùn)練完成的噪聲識(shí)別模型； 步驟6：將實(shí)際采集的噪聲信號(hào)按照步驟1~步驟3中對(duì)噪聲信號(hào)的處理方式進(jìn)行處理，得到實(shí)際采集的噪聲信號(hào)的二維時(shí)頻圖；將實(shí)際采集的噪聲信號(hào)的二維時(shí)頻圖輸入訓(xùn)練完成的噪聲識(shí)別模型進(jìn)行識(shí)別。

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)人西北工業(yè)大學(xué)，其通訊地址為：710072 陜西省西安市友誼西路127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)”。