[发明专利]一种基于机器学习的自适应稀疏时频分析方法有效
| 申请号： | 201910993859.X | 申请日： | 2019-10-18 |
| 公开（公告）号： | CN110796047B | 公开（公告）日： | 2022-08-09 |
| 发明（设计）人： | 鲍跃全;郭奕兵;李惠 | 申请（专利权）人： | 哈尔滨工业大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06N3/04;G06N3/08 |
| 代理公司： | 哈尔滨市阳光惠远知识产权代理有限公司 23211 | 代理人： | 孙莉莉 |
| 地址： | 150001 黑龙*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出一种基于机器学习的自适应稀疏时频分析方法，所述方法包括以下步骤：步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵；步骤2、构建初始相位函数和初始基矩阵，作为整个方法的已知输入；步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器；步骤4、通过定义一个损失函数作为目标函数，训练网络权重，由权重计算得到时变频率，并积分更新相位函数和基矩阵，进行神经网络权重进一步优化。该方法结合了机器学习中神经网络和时频分析方法，可实现自动学习和优化求解非凸最小二乘问题，以及显著减少算法对初值的敏感性。 | ||
| 搜索关键词： | 一种 基于 机器 学习 自适应 稀疏 分析 方法 | ||
【主权项】：
1.一种基于机器学习的自适应稀疏时频分析方法，其特征在于：所述方法包括以下步骤：/n步骤1、传感器测量得到的信号经过滤波得到目标信号矩阵；/n步骤2、构建初始相位函数和初始基矩阵，作为整个方法的已知输入；/n步骤3、采用一个四层神经网络作为非凸最小二乘目标函数的求解器；/n步骤4、通过定义一个损失函数作为目标函数，训练网络权重，由权重计算得到时变频率，并积分更新相位函数和基矩阵，进行神经网络权重进一步优化。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学，未经哈尔滨工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910993859.X/，转载请声明来源钻瓜专利网。
