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！

龙图腾网获悉东华理工大学申请的专利一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法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：CN116881633B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202310887747.2，技术领域涉及：G06F18/10；该发明授权一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法是由李广;王昕;黄传胜;伍守立;陈辉;张苇设计研发完成，并于2023-07-19向国家知识产权局提交的专利申请。

本一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法在说明书摘要公布了：本发明公开了一种基于残差去噪积网络与移不变稀疏编码的可控源电磁数据去噪方法，该方法包括以下步骤：步骤1：通过移不变稀疏编码对典型的实测可控源电磁数据进行信噪分离，得到高质量数据以及实测噪声；步骤2：搭建残差去噪卷积网络，把所得样本库输入残差去噪卷积网络进行训练得到针对可控源电磁数据去噪的网络模型。步骤3：把待处理的可控源电磁含噪数据输入训练好的去噪模型中进行降噪得到初步去噪结果。步骤4：利用移不变稀疏编码对步骤3得到的去噪结果再次进行信噪分离，得到最终去噪后的信号。本发明用于可控源电磁数据去噪，实现了多类型不同强度噪声的自动化快速去除；再辅以字典学习方法，最大限度地提升数据去噪效果。

本发明授权一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法在权利要求书中公布了：1.一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法，其特征在于，包括以下步骤： 步骤1：通过移不变稀疏编码SISC对实测可控源电磁数据进行信噪分离，得到高质量数据以及实测噪声；将实测噪声乘以不同的倍数，得到一系列不同幅度的噪声，分别添加到高质量数据中，得到一系列存在不同强度实测噪声的含噪信号；为提高样本的多样性，通过数值模拟生成一部分不同类型、不同信噪比的仿真噪声，添加到移不变稀疏编码提取的高质量数据中，得到一系列存在不同强度仿真噪声的含噪信号；将上述含噪信号与高质量信号配对、分段，构建可控源电磁数据样本库； 步骤2：搭建残差去噪卷积网络，把所得样本库输入残差去噪卷积网络进行训练得到针对可控源电磁数据去噪的网络模型； 步骤3：把待处理的可控源电磁含噪电磁数据输入训练好的去噪模型中进行降噪得到初步去噪结果； 步骤4：利用移不变稀疏编码对步骤3得到的去噪结果再次进行信噪分离，得到最终去噪后的信号； 残差去噪卷积网络中存在两种残差模块； 第一种恒等残差模块表示为： xl+1＝xl+Fxl,Wl，1 式中，xl是残差块输入，xl+1是残差块输出，Fxl,Wl是残差部分； 恒等残差块负责保证输入数据与输出数据前后尺寸一样； 第二种卷积残差模块表示为： xl+1＝hxl+Fxl,Wl，2 式中，hxl＝W′lx,W′l是1×1卷积操作，xl是残差块输入，xl+1是残差块输出，Fxl,Wl是残差部分； 卷积残差模块负责通过一个卷积层来升维或降采样，从而保证输入数据与输出数据的形状大小一致； 所述残差去噪卷积网络由输入层、隐藏层和输出层构成，其隐藏层包含若干个卷积层、批处理归一化、修正线性单元和残差模块； 所述输入层形状是：样本长度乘以通道数，即n×1； 所述隐藏层由卷积层1、卷积层2-17、卷积层18、卷积层19、恒等残差块20、恒等残差块21、卷积残差块22、恒等残差块23、卷积残差块24、恒等残差块25、卷积残差块26、恒等残差块27、平均池化层28共计二十八部分按顺序构成；所述隐藏层： 卷积层1为：1个尺寸为3×1的卷积核和“Relu”激活函数； 卷积层2-17为：每层都是64个尺寸为3×1的卷积核、批归一化层和“Relu”激活函数，重复16层； 卷积层18为：64个尺寸为3×1的卷积核； 卷积层19为：2个尺寸为3×1的卷积核、批归一化层和“Relu”激活函数； 恒等残差块20为：64个尺寸为3×1的卷积核、批归一化层、“Relu”激活函数和求和函数； 恒等残差块21为：64个尺寸为3×1的卷积核、批归一化层、“Relu”激活函数和求和函数； 卷积残差块22为：128个尺寸为3×1的卷积核步长为2的一维卷积、128个尺寸为1×1的卷积核步长为2的一维逐点卷积、批归一化层、“Relu”激活函数和求和函数； 恒等残差块23为：128个尺寸为3×1的卷积核、批归一化层、“Relu”激活函数和求和函数； 卷积残差块24为：256个尺寸为3×1的卷积核步长为2的一维卷积、256个尺寸为1×1的卷积核步长为2的一维逐点卷积、批归一化层、“Relu”激活函数和求和函数； 恒等残差块25为：256个尺寸为3×1的卷积核、批归一化层、“Relu”激活函数和求和函数； 卷积残差块26为：512个尺寸为3×1的卷积核步长为2的一维卷积、512个尺寸为1×1的卷积核步长为2的一维逐点卷积、批归一化层、“Relu”激活函数和求和函数； 恒等残差块27为：512个尺寸为3×1的卷积核、批归一化层、“Relu”激活函数和求和函数； 平均池化层28为：一个卷积核为3、步长为1的平均值筛选； 所述输出层：一个Dropout层、一个全连接层和求和函数； 在训练过程中输入数据的通道数会规律性递增，但在训练结束后通过全连接层改变通道数，使得输出数据大小与输入数据统一。

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东华理工大学，其通讯地址为：344000 江西省抚州市临川区学府路56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。