一种基于卷积层的滤波方法及装置制造方法及图纸

本发明专利技术实施例提供了一种基于卷积层的滤波方法和装置，上述方法包括：获取待处理信号；将待处理信号输入预先训练的滤波模型进行信号滤波，得到滤除噪声信号后的待处理信号，上述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层，第一输入层用于接收输入信号，全卷积层包括预设数量个卷积核，各个卷积核用于提取输入信号中不同频带的信号，得到带通滤波信号，SE块层用于提取各个带通滤波信号的特征，根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重，并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号。应用本发明专利技术实施例提供的方案，能够滤除信号中噪声信号。

A filtering method and device based on convolution layer

The embodiment of the invention provides a filtering method and device based on convolution layer, the above methods include: acquiring the signal to be processed; inputting the signal to be processed into the pre-trained filtering model for signal filtering to obtain the signal to be processed after filtering the noise signal, the filtering model includes the first input layer, the full convolution layer, the se block layer and the first output layer connected in sequence, the first The input layer is used to receive the input signal. The full convolution layer includes a preset number of convolution kernels. Each convolution kernel is used to extract the signals of different frequency bands in the input signal to get the band-pass filtering signals. The se block layer is used to extract the characteristics of each band-pass filtering signal. According to the extracted characteristics, the weight of each band-pass filtering signal that is non noise signal is determined and filtered according to each band-pass The weight of the wave signal is calculated for each band-pass filtering signal, and the input signal after filtering the noise signal is obtained. Applying the scheme provided by the embodiment of the invention, the noise signal in the signal can be filtered out.

【技术实现步骤摘要】
一种基于卷积层的滤波方法及装置
本专利技术涉及信号处理
，特别是涉及一种基于卷积层的滤波方法及装置。
技术介绍
随着人工智能技术的迅速发展，深度学习网络模型得到越来越广泛的应用。然而在利用各种样本信号对深度学习网络模型进行训练得到用于实现各种功能的网络模型时，由于样本信号中可能会包含噪声信号，使得训练得到的用于实现各种功能的网络模型在实现各种功能时性能不高。为此，在采用上述样本信号对深度学习网络模型进行训练之前需要对各个样本信号进行滤波处理，从而滤除样本信号中的噪声。因此，需要提供一种滤波方案以滤除信号中的噪声信号。
技术实现思路
本专利技术实施例的目的在于提供一种基于卷积层的滤波方法及装置，能够滤除信号中的噪声信号。具体技术方案如下：第一方面，本专利技术实施例提供了一种基于卷积层的滤波方法，所述方法包括：获取待处理信号；将所述待处理信号输入预先训练的滤波模型进行信号滤波，得到滤除噪声信号后的待处理信号，其中，所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层，所述第一输入层用于接收输入信号，所述全卷积层包括预设数量个卷积核，各个卷积核用于提取所述输入信号中不同频带的信号，得到带通滤波信号，所述SE块层用于提取各个带通滤波信号的特征，根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重，并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果，所述第一输出层用于输出所述输出结果。本专利技术的一个实施例中，上述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层；所述全局平均池化层，用于通过全局平均池化操作提取各个带通滤波信号的特征；所述门控机制层，用于根据各个带通滤波信号的特征，按照反向传播算法，确定表征各个带通滤波信号属于非噪声信号的权重；所述加权输出层，用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果。本专利技术的一个实施例中，上述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层；所述第一全连接层，用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理，由第一维度降维至第二维度；所述第一非线性层，用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理；所述第二全连接层，用于对非线性拟合处理后的带通滤波信号的特征进行增维处理，由所述第二维度增维至所述第一维度，并向所述门控机制层发送增维后的带通滤波信号的特征。本专利技术的一个实施例中，上述全卷积层还包括第二非线性层；所述第二非线性层，用于对各个带通滤波信号进行非线性处理；所述全局平均池化层，具体用于获得所述第二非线性层进行非线性处理后的带通滤波信号，并通过全局平均池化操作提取所获得的各个带通滤波信号的特征。本专利技术的一个实施例中，上述滤波模型通过以下方式训练：获得样本信号，并获得按照应用功能对所述样本信号进行功能性处理的结果，作为训练基准结果，其中，所述应用功能为：针对信号的应用所实现的功能：将所述样本信号输入应用网络模型进行功能性处理，得到处理结果，其中，所述应用网络模型包括：依次连接的第二输入层、预处理层、功能层和第二输出层，所述预处理层为所述滤波模型，所述功能层用于实现所述应用功能；计算所述处理结果与训练基准结果之间的损失；根据所述损失调整所述滤波模型和功能层的模型参数，在调整参数后的滤波模型和功能层均满足预设的收敛性要求的情况下，训练完成的所述滤波模型。第二方面，本专利技术实施例提供了一种基于卷积层的滤波装置，所述装置包括：信号获取模块，用于获取待处理信号；信号得到模块，用于将所述待处理信号输入预先训练的滤波模型进行信号滤波，得到滤除噪声信号后的待处理信号，其中，所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层，所述第一输入层用于接收输入信号，所述全卷积层包括预设数量个卷积核，各个卷积核用于提取所述输入信号中不同频带的信号，得到带通滤波信号，所述SE块层用于提取各个带通滤波信号的特征，根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重，并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果，所述第一输出层用于输出所述输出结果。本专利技术的一个实施例中，上述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层；所述全局平均池化层，用于通过全局平均池化操作提取各个带通滤波信号的特征；所述门控机制层，用于根据各个带通滤波信号的特征，按照反向传播算法，确定表征各个带通滤波信号属于非噪声信号的权重；所述加权输出层，用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果。本专利技术的一个实施例中，上述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层；所述第一全连接层，用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理，由第一维度降维至第二维度；所述第一非线性层，用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理；所述第二全连接层，用于对非线性拟合处理后的带通滤波信号的特征进行增维处理，由所述第二维度增维至所述第一维度，并向所述门控机制层发送增维后的带通滤波信号的特征。第三方面，本专利技术实施例提供了一种终端设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法步骤。本专利技术实施例提供的一种基于卷积层的滤波方法及装置，由于噪声信号与非噪声信号的特征不同，且预先训练的滤波模型包括的全卷积层和SE块层通过提取输入信号中不同带通滤波信号，获得各个带通滤波信号的信号特征，根据各个带通滤波信号的信号特征确定各个带通滤波信号的权重，并对各个带通滤波信号进行加权计算。在这一过程中，滤波模型可以学习到非噪声信号的特征，从而根据训练好的滤波模型可以滤除噪声信号。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于卷积层的滤波方法的流程示意图；图2a为本专利技术实施例提供的第一种滤波模型的结构示意图；图2本文档来自技高网...

【技术保护点】
1.一种基于卷积层的滤波方法，其特征在于，所述方法包括：/n获取待处理信号；/n将所述待处理信号输入预先训练的滤波模型进行信号滤波，得到滤除噪声信号后的待处理信号，其中，所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层，所述第一输入层用于接收输入信号，所述全卷积层包括预设数量个卷积核，各个卷积核用于提取所述输入信号中不同频带的信号，得到带通滤波信号，所述SE块层用于提取各个带通滤波信号的特征，根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重，并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果，所述第一输出层用于输出所述输出结果。/n

【技术特征摘要】
1.一种基于卷积层的滤波方法，其特征在于，所述方法包括：
获取待处理信号；
将所述待处理信号输入预先训练的滤波模型进行信号滤波，得到滤除噪声信号后的待处理信号，其中，所述滤波模型包括依次连接的第一输入层、全卷积层、SE块层和第一输出层，所述第一输入层用于接收输入信号，所述全卷积层包括预设数量个卷积核，各个卷积核用于提取所述输入信号中不同频带的信号，得到带通滤波信号，所述SE块层用于提取各个带通滤波信号的特征，根据所提取的特征确定表征各个带通滤波信号属于非噪声信号的权重，并按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果，所述第一输出层用于输出所述输出结果。


2.根据权利要求1所述的方法，其特征在于，所述SE块层包括依次连接的全局平均池化层、门控机制层、加权输出层；
所述全局平均池化层，用于通过全局平均池化操作提取各个带通滤波信号的特征；
所述门控机制层，用于根据各个带通滤波信号的特征，按照反向传播算法，确定表征各个带通滤波信号属于非噪声信号的权重；
所述加权输出层，用于按照各个带通滤波信号的权重对各个带通滤波信号进行加权计算，得到滤除噪声信号后的输入信号，作为输出结果。


3.根据权利要求2所述的方法，其特征在于，所述SE块层还包括依次连接的第一全连接层、第一非线性层和第二全连接层；
所述第一全连接层，用于对所述全局平均池化层提取的各个带通滤波信号的特征进行特征降维处理，由第一维度降维至第二维度；
所述第一非线性层，用于对所述第二维度的带通滤波信号的特征按照预设的非线性算法进行非线性拟合处理；
所述第二全连接层，用于对非线性拟合处理后的带通滤波信号的特征进行增维处理，由所述第二维度增维至所述第一维度，并向所述门控机制层发送增维后的带通滤波信号的特征。


4.根据权利要求2所述的方法，其特征在于，所述全卷积层还包括第二非线性层；
所述第二非线性层，用于对各个带通滤波信号进行非线性处理；
所述全局平均池化层，具体用于获得所述第二非线性层进行非线性处理后的带通滤波信号，并通过全局平均池化操作提取所获得的各个带通滤波信号的特征。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述滤波模型通过以下方式训练：
获得样本信号，并获得按照应用功能对所述样本信号进行功能性处理的结果，作为训练基准结果，其中，所述应用功能为：针对信号的应用所实现的功能；
将所述样本信号输入应用网络模型进行功能性处理，得到处理结果，其中，所述应用网络模型包括：依次连接的第二输入层、预处理层、功能层和第二输出层，所述预处理层为所述滤波模型，...

【专利技术属性】
技术研发人员：孙卓，周雪，何瑞珠，陈训韬，吴皓，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11