买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉哈尔滨工程大学申请的专利基于非高斯脉冲噪声下微弱线谱联合检测与重构的深度学习方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115905842B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211603461.9，技术领域涉及：G06F18/213；该发明授权基于非高斯脉冲噪声下微弱线谱联合检测与重构的深度学习方法及装置是由朴胜春;王笑寒;郭俊媛;李圳;龚李佳;张明辉设计研发完成，并于2022-12-13向国家知识产权局提交的专利申请。

本基于非高斯脉冲噪声下微弱线谱联合检测与重构的深度学习方法及装置在说明书摘要公布了：基于非高斯脉冲噪声下微弱线谱联合检测与重构的深度学习方法及装置，涉及水声信号处理领域。为解决现有技术中存在的，微弱线谱检测方法主要利用经验知识提取目标特征，它们的性能很大程度上取决于操作者对于样本的认知程度。同时将高斯噪声假设下的水声信号处理技术直接应用于非高斯噪声下信号检测会使得其性能下降甚至失效的问题，本发明提供的技术方案为：微弱线谱联合检测与重构方法，包括：采集脉冲噪声，并根据噪声构建舰船线谱数据集；将数据集进行预处理，得到lofar图；提取lofar图的微弱特征，并得到线谱检测与重构的结果；根据所述lofar图与所述结果对预设模型进行训练，并输出训练后的模型。适用于高斯脉冲噪声下弱线谱检测和重构的工作中。

本发明授权基于非高斯脉冲噪声下微弱线谱联合检测与重构的深度学习方法及装置在权利要求书中公布了：1.基于非高斯脉冲噪声下微弱线谱联合检测与重构的深度学习方法，其特征在于，所述方法包括： 步骤1：采集脉冲噪声，并根据所述噪声构建舰船线谱数据集； 步骤2：将所述数据集进行预处理，得到lofar图； 步骤3：提取所述lofar图的微弱特征，并得到线谱检测与重构的结果； 步骤4：根据所述lofar图与所述结果对预设模型进行训练，并输出训练后的模型； 具体的，方法包括： 步骤一：利用alpha稳定分布建模高斯非高斯脉冲噪声，构建高斯非高斯脉冲噪声下的舰船线谱数据集； 步骤二：通过脉冲噪声抑制AINP和时频分析等预处理手段得到lofargram； 步骤三：构建基于深度学习的线谱检测与重构框架AINP+LR-DRNet，采用卷积神经网络作为基本计算单元，结合多任务设计双输出结构，深度提取微弱线谱特征的同时给出线谱检测与重构的结果； 步骤四：一种基于双分类的自适应加权损失函数提出用于训练模型；双分类的自适应加权损失函数如下： ； ； ； 其中，分别为用于检测和重构任务的模型的观测噪声参数，表示和假设，是经过Softmax函数表示输出样本类的概率，和分别表示噪声像素和线谱像素在实际数据集中的比例，为假设下样本在位置上经过Sigmoid的预测值，表示双任务损失函数，表示检测损失函数的权重，表示检测损失函数，表示重构损失函数，表示batchsize，表示样本索引，表示样本概率，表示batchsize中的样本数，表示位置f,t处的概率，表示样本总像素点数，表示样本中背景像素点数，表示样本线谱像素点数； 步骤五：提出基于该框架的线谱检测算法LR-DRNet； 第一步：离线训练； 在离线训练中，构造AINP预处理后的lofargram数据集，并进行标记： 其中，表示lofargram样本集合，表示样本，表示样本标签，表示标签的索引； 对于测试统计量，LR-DRNet可以提取lofargram中的潜在谱线特征；经过一系列的卷积层、池化层和激活函数，得到lofargram属于的概率如下: 表示线谱存在下的假设，表示线谱不存在下的假设，表示概率，表示预测样本类别，表示输入样本，表示模型参数，表示模型推测样本属于的概率，表示模型推测样本属于的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨工程大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区南通大街145号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。