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！

龙图腾网获悉四川轻化工大学申请的专利基于HHT频带能量特征和卷积神经网络的核素识别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：CN115034254B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202210283309.0，技术领域涉及：G06F18/2415；该发明授权基于HHT频带能量特征和卷积神经网络的核素识别方法是由石睿;赵威;刘一瑭;王博设计研发完成，并于2022-03-22向国家知识产权局提交的专利申请。

本基于HHT频带能量特征和卷积神经网络的核素识别方法在说明书摘要公布了：本发明公开了一种能够处理非线性非平稳信号，并且在将信号进行时频转换后，对任意长度的时间信号都能处理识别的基于HHT频带能量特征和卷积神经网络的核素识别方法。该基于HHT频带能量特征和卷积神经网络的核素识别方法采用HHT对完整的核脉冲信号进行特征提取，根据不同核素在Hilbert边际谱的不同频带上能量趋势的差异性，把能量趋势作为脉冲信号的特征，选择一维卷积神经网络作为分类器进行核素识别。采用该基于HHT频带能量特征和卷积神经网络的核素识别方法不用不断调整分析参数，提高了核素识别方法的自适应性；能够避免以往基于脉冲进行核素识别仅使用部分信号特征的缺点，其次识别速度快，准确率高。

本发明授权基于HHT频带能量特征和卷积神经网络的核素识别方法在权利要求书中公布了：1.基于HHT频带能量特征和卷积神经网络的核素识别方法，其特征在于，包括以下步骤： S1、对核脉冲信号进行采集； S2、通过基于离散小波变换消除核脉冲信号噪声，包括以下步骤： S21、选择小波和小波分解层次，计算原始信号到第n层的小波分解；采用CoifletcoifN小波系； S22、对每层高频系数选择一个阈值，对高频系数进行修正；采用改进的阈值函数进行高频系数修正，改进的阈值函数形式如下： thr＝maxxj2 其中，thr为阈值；k为经验系数，0≤k≤1，当k＝0时相当于硬阈值函数，当k＝1时相当于软阈值函数；xjt和ηjt分别为修正前后第j层的第t个高频系数；sign为符号函数； S23、根据第n层的低频系数和从第1层到第n层的经过修正的高频系数进行信号的小波重建； S3、基于HHT的特征提取； 对于核脉冲信号序列xt，可通过EMD分解为若干有限个本征模态函数IMF，即原信号是这些本征模态函数的叠加： 其中，IMF是指模态函数intrinsicmodefunction；n为IMF分量阶数，cit为第i阶IMF分量，rnt为趋势项，表示信号的平均趋势或均值； EMD分解算法的步骤如下： S31、初始化，令r1t＝xt，i＝1，k＝0； S32、获取第n阶本征模态函数，包括以下步骤： S321、初始化，令h1t＝r1t； S322、找到hkt的所有极大值和极小值点； S323、通过插值函数分别对极大值点和极小值点进行拟合，求得上下包络线：e+t和e-t； S324、计算上下包络线均值mkt＝e+t+e-t2； S325、计算hk+1t＝hkt-mkt； S326、判断：若成立，则cit＝hkt，否则，令k＝k+1，返回S322； S33、rk+1t＝rkt-ck+1t，判断余量是否为单调函数或常量，如果是，则分解过程结束； S34、xt经过EMD分解后得到n个频率从高到低的本征模态函数IMF；经过EMD分解后的核信号，再通过Hilbert变换进行特征提取，过程如下： S341、对降噪后的核脉冲信号进行EMD分解，得到一系列的IMF； S342、对各IMF分量做Hilbert变换，求出每个IMF的瞬时频率、幅度函数及相应Hilbert谱； S343、汇总所有IMF的Hilbert谱得到原随机核信号的Hilbert谱Hw,t；它是频率w和时间t的函数，能很好展示随机核信号的时频联合分布关系； S344、将核信号瞬时频率边际谱以一定的频率间隔划分为n个瞬时频率区间，分别求出各频带区间内的能量Ei，i＝1,2,…,n； S345、令总能量： 定义归一化频带能量： S346、最终得到信号HHT后的特征向量为： T＝[e1,e2,e3,…,en]7 S4、通过一维卷积神经网络完成核素识别；具体的包括以下步骤： S41、确定目标函数； 首先将脉冲信号特征向量定义为一组随机变量属于m个离散标签，递归网络建立了一个随机变量上的概率分布模型QX|θ,I，其中θ为网络的参数；这种分布通常被建模为信号特征边缘QX|θ,I＝∏iqixi|θ,I，其中每一个边缘代表最大的相似概率： 其中为每个信号采样点i的分割函数；函数fi表示神经网络的实值分数；分数越高，概率越大； 记是网络输出的矢量化形式QX|θ,I；深度神经网络的框架可被优化为： 寻找θ 约束于 其中AI∈Rk×nm，对信号I的输出分布实施k个单独的线性约束； S42、设置网络结构及训练； 所述网络结构为输入向量→卷积层→特性映射信号层→持续池化层→性映射信号层→全连接→高斯连接；所述持续池化层是指对数据进行池化层→特性映射信号层→卷积层→特性映射信号层→池化层，进行重复操作使得送入全连接层的数据达到合适的维度；所述合适维度是指多次特征提取后的高维特征数目小于或者等于核素识别的类别数的两个数量级； 具体的，原始数据X，数据长度为：m，送入神经网络中；首先与n个不同的卷积核W，长度为：k∈[1，m]，进行卷积，得到n个特征映射Y，即Y＝X*Wi，i∈[1，n]； 卷积核Wi的维度小于原始数据的维度，进行移动平均；所述移动平均为将长度为k的卷积核与原始数据的前k个元素一一对应，各自对应的元素依次相乘，对k对元素的乘积值作累加M，让求出的乘积和的平均值Mk作为第一次卷积操作的结果；在进行下一次卷积操作前，需将卷积核向右平移t个单位长度，移动结束后，如第一次卷积操作的方式完成往后的卷积操作，直至卷积核尾元素移动到和原始数据的尾元素对齐为止，完成最后一次卷积操作； 对卷积之后的数据进行池化；所述池化是指对每个区域进行下采样DownSampling得到一个值，作为这个区域的概括；得到特征映射之后，对特征映射进行最大池化MaximumPool操作； 所述最大池化是指选取一个区域数据中的最大值，即 进行池化得到的数据继续进行卷积和池化；最终使得送入全连接层的数据达到合适的维度；所述合适维度是指多次卷积、池化处理得到的高维特征数目小于或者等于核素识别的类别数的两个数量级； 在全连接层中使用修正线性单元RectifiedLinearUnit，ReLU，也叫rectifier函数，是目前深层神经网络中主要使用的激活函数；ReLU实际上是一个斜坡ramp函数，定义如式10所示： ReLUx＝max0,x10 最后一层为输出层，采取softmax激活函数，得到输入数据的核素种类相同的神经元个数C；对于多类问题，类别标签y∈{1,2,…,C}；给定一个样本x，softmax回归预测的属于类别c的条件概率如式11所示，强制神经网络的所有C个输出值的加和为1；输出值将表示这C个类别中的每个类别出现的概率，概率最大的即为模型预测值； S5、进行权重迁移； 将未经过学习的实验数据输入到网络中，对于给定的类别c，设为训练网络最后一层中的特征对象检测权重，设为待训练网络中的特征检测权重；使用通用权重迁移函数T来参数化，而不是当成一个模型参数来训练： 其中θ为迁移学习网络的参数； 如果拟将同样的迁移函数T适用于任何特征c的分类，θ设置为迁移函数T泛化到训练期间未观察到的特征； S6、对模型进行验证评估； 采用ROC曲线下面积theAreaUndertheROCCurve,AUC作为模型评价的指标； 其中，横坐标为假正率FalsePositiveRate,FPR； 代表所有负样本中错误预测为正样本的概率，假警报率；其中：FP表示一个样本的真实类别为其它核素，模型错误地识别为核素c的个数；TN表示一个样本的真实类别为其它核素，模型也正确地识别为其它核素的个数； 纵坐标为真正率TruePositiveRate,TPR； 代表所有正样本中预测正确的概率，命中率；其中：TP表示一个样本的真实类别为c，并且模型正确地识别为核素c的个数；TN同上； AUC即为ROC曲线下的面积；AUC越接近于1，表明训练的网络模型性能越好。

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四川轻化工大学，其通讯地址为：643000 四川省自贡市自流井区汇兴路519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”。