基于DnCNN的侵彻过载时频去噪方法

目的 提高从侵彻过载中准确估计刚体过载信号的能力。方法 提出一种基于前馈去噪卷积神经网络(DnCNN)的侵彻过载时频去噪方法,该方法首先应用短时傅里叶变换(STFT)提取侵彻过载信号的时频图像,使DnCNN能够充分利用时频图像信息,估计出刚体过载时频图像。最后,通过逆STFT将时频图像转换回时域,得到估计的刚体过载信号。结果 在5-Fold交叉验证中,所提方法在测试集上的平均绝对误差(MAE)为0.968%,Pearson相关系数(r)为90.35%。与低通滤波、总体经验模态分解(EEMD)和小波变换方法相比,所提方法的平均MAE分别降低了1.82%、1.00%、0.75%,平均相关系数r值分别提高了47.81%、17.48%、22.93%。结论 所提方法可以从侵彻过载中准确估计出刚体过载信号,在去噪能力上优于低通滤波、EEMD和小波变换方法,且在去噪过程中,无需调整参数,能够自动完成去噪任务。