拖曳式传感器阵列多维时间序列自编码器去噪方法技术

本发明专利技术公开了一种拖曳式传感器阵列多维时间序列自编码器去噪方法，该方法将传统的时间序列去噪方法融入深度学习中，基于VAE网络框架，将其生成器的卷积神经网络替换为深度残差收缩网络，实现对高低阈值噪声去除的目的；通过引入残差收缩网络，改进的残差收缩网络适合于各个样本中噪声含量不同的情况，适用于去除阈值内的噪声信号；之后将软阈值去噪后的图像，经由小波变换神经网络输出；使用小波神经网络作为生成器的基础性架构。本发明专利技术能够运用于多种场景下采集的原始信号，应用范围广，实用性和准确率得到明显提升。用性和准确率得到明显提升。用性和准确率得到明显提升。

【技术实现步骤摘要】
拖曳式传感器阵列多维时间序列自编码器去噪方法


[0001]本专利技术属于海洋观测和深度学习
，具体涉及一种拖曳式传感器阵列多维时间序列自编码器去噪方法。

技术介绍

[0002]时间序列去噪是采集到的时间序列信号处理的重要步骤，在多种场景下采集的时间序列信号处理过程中具有广阔的应用前景，在实际运用中，由于采集信号环境的复杂性和多种因素的干扰，使得采集到的信号具有很多噪声，影响对于有效信息的采集和利用，对于信号的利用有很大的挑战。
[0003]时间序列采集设备已经得到了广泛的运用，例如常见的天气预测、安全监控和水下探测等多个领域。然而采集设备常受到抖动、运动的物体、水中杂质和噪声等影响而导致捕获的照片不干净。因此时间序列去噪技术的研究具有重要的理论和实际应用价值。去噪后的数据有助于进一步的使用和分析。
[0004]传统的去噪技术运用广泛，但是仍然存在很多缺点：例如去除了很多有用噪声、效率较低和运用场景有限等问题，因此需要更新的去噪方式帮助完成实际去噪需求。深度学习的发展提供了很多的思路和解决方法。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种拖曳式传感器阵列多维时间序列自编码器去噪方法，其特征在于，该去噪方法包括如下步骤：S1：搭建拖曳系统整体链路；S2:拖曳式传感器阵列布放与回收，采集拖曳式传感器阵列立体剖面观测数据，得到原始采集信号；S3：用多源去噪对原始采集信号初始去噪，获取可能的真值参考值；S4：原始采集信号和对应的真值参考作矩阵化处理，利用极坐标编码由笛卡尔坐标系一维时间序列生成GAF矩阵；S5：基于矩阵化的二维原始采集信号和对应真值参考作为输入和理想输出，构建训练集和测试集；S6：改进自编码器VAE网络架构，形成加权软阈值变分自编码器网络，应用训练集对网络进行训练；S7：将测试数据输入至训练好网络模型，输出VAE集成去噪图像，以极坐标解码转化成一维时间序列。2.如权利要求1所述的去噪方法，其特征在于，所述S3中，多源去噪方法包括小波变换、经验模态分解和奇异谱分析。3.如权利要求1所述的去噪方法，其特征在于，所述S4具体包括以下步骤：1)对N个传感器的时间序列集合S
i
(t)＝(s1,s2,
…
s
i
)，利用最小
‑
最大定标器把序列缩放到[
‑
1,1]内；2)然后对缩放完的时间序列，计算每一对的点积并放入Gram矩阵里，G表示Gram矩阵，如下所示：3)将缩放后的笛卡尔坐标系时间序列转换为极坐标系时间序列上；设时间序列由V个时间戳t组成,时间序列的值及其对应的时间戳分别用角度和半径表示，角度的计算公式如下：其中t∈(0,π)；4)计算半径变量r
j
，j表示第j个时间戳，将区间[0,1]分成V等份；因此得到V+1个分隔点{0,
…
,1}；舍弃0，并将这些点连续的与时间序列一一关联起来；计算公式如下：5)使用内积运算来处理稀疏性，定义内积如下所示：得到如下的类Gram矩阵:
对角线由缩放后的时间序列的原始值构成。4.如权利要求1所述的去噪方法，其特征在于，所述S6中，改进VAE网络，得到加权软阈值变分自编码器网络，网络的基础架构主要包含编码器与生成器两个部分，具体设计步骤如下：1)编码器将输入的二维图像压缩为低秩映射，在具体设计上,将时间序列信号的二维...

【专利技术属性】
技术研发人员：年睿，钱玉琪，何波，高爽，翟颖，张卉，都奕，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：