【CN109949825A】基于FPGA加速的PCNN算法的噪声分类方法【专利】
一种新的基于PCNN的图像脉冲噪声滤波算法
Ａ ｗ ｍ ｐｕ ｓ ｉｅ Ｆｉｔ ｒ Ａｌ ｏ ｉｈｍ ｓ ｄ Ｎｅ Ｉ ｌｅ Ｎｏ ｓ ｌｅ ｇ ｒ ｔ Ｂａ ｅ ｏ ｒ ａ ｉ ｍ ａ ｅ ｏ ｎ Ｆｉ ｅ’ Ｍ ｐｐ ｎｇ Ｉ ｇ ｆ ＰＣＮＮ
Ｌ Ｇｕ —ｕ， ＡＮＧ ｎ ＤＯＵ — ｎ Ｕ ｉ ｆ Ｗ Ｙｏ ｇ， Ｙｉ ｗｅ
（ ｅ ａｔ ｎ ｆ ｏ ｐ ｔ ｃ ｎｅ ｎ ｎ ｉ ｅ ｎ ， ｎ ｕ Ｕｎｖｒｉ ｆ Ｄ ｐｒ ｍｅ ｔ ｍ ｕｅ Ｓ ｉ ｃ ｄＥ ｇｎ ｒ ｇ Ａ ｈ ｉ ｉｅ ｔ ｏ ｏＣ ｒ ｅ ａ ｅｉ ｓｙ
Ｔ ｃ ｎｌ ｙａ ｄＳｉ ｃ ， ｕ ｕ ４ ０ ０ Ｃ ｉａ ｅｈ ｏ ｇ ｎ ｃ ｎｅＷ ｈ １０ ，ｈｎ ） ｏ ｅ ２
Ａｂ ｔａ ｔＩ ｒ ｅ ｏ ｆｔｒｔ ｅｉ ｕｓ ｏｓ ｅｙｗｅｌｔ ｅｆ ｅ—ｍａ ｐｎ ｇ ｓｉｔｏ ｃ ｄｉｔ ｓｒ ｃ ：ｎ ｏｄ ｒｔ ｉ ｅ ｈ ｌ ｍｐ ｌｅｎ ｉ ｖ ｒ ｌ，ｈ ｉ ｅ ｒ ｐ ｉｇｉ ｍａ ｅｉ ｎｒｄｕ ｅ ｎｏＰＣＮＮｓｂ ｓｄｏ ｈ ａｅｕ ｎ ｌｓｓｏ ａｅ ｎ ｔｅｃｒ ｆｌ ａｙ ｉ ｆ ａ Ｐ ＣＮＮ ’ ｐ ｒｔｏ ｃ ａ ｉｍ ， ｄａｎ ｗ ｍｐ ｌ ｏｓ ｌｅ ａ ｄｏ ｉｅ—ｍａ ｐｎ ｍｓ ｅｏ ＣＮＮ ｒｓｎｔｄ Ｆｉｓｌ ｔｅ ｐｏ ｏ ｅ ｓｏ ｅ ａｉｎ ｍｅ ｈ ｎｓ ａ ｅ ｉ ｕｓ ｎ ｉ ｆｔｒｂｓ ｎ ｆ ｎ ｅ ｅ ｉ ｅ ｒ ｐ ｉｇ ｉ ｇ ｆＰ ｉ ｐ ｅｅ ｅ ｓ ｒｔ ｈ ｒ ｐ ｓｄ ｙ．
点 火映射 图的概 念 ， 提 出了一 种新 的基 于 Ｐ ＮＮ点 火 映射 图的 图像脉 冲噪声 滤波器 。该方 法 首先 通过 运行 Ｐ Ｎ 并 Ｃ Ｃ Ｎ把 噪 声图像转 化为点 映射 图 ， 后 利用点火 映 射 图对 图像 中 的脉 冲噪声 进 行 定 位 ， 戈 然 最后 仅 对 定 位 的噪 声 进 行 自适 应 滤 波。
基于FPGA的数字音频渐进延迟器设计与算法分析
基于FPGA的数字音频渐进延迟器设计与算法分析
夏宏波;黄佩伟;戚英豪
【期刊名称】《电声技术》
【年(卷),期】2007(31)1
【摘要】提出了一种基于FPGA的数字音频延迟器设计方案,通过线性内插和抽取算法实现数字音频信号的渐进延迟与直通,计算机仿真和实际应用验证了其正确性和可行性.该延迟器提供AES/EBU专业数字音频接口,可应用于全数字音频广播系统,以满足直播类节目对声音信号的延迟要求.
【总页数】4页(P30-32,35)
【作者】夏宏波;黄佩伟;戚英豪
【作者单位】上海交通大学,电子工程系,上海,200240;上海交通大学,电子工程系,上海,200240;上海交通大学,电子工程系,上海,200240
【正文语种】中文
【中图分类】TN91
【相关文献】
1.基于FPGA的广播数字音频延时器设计 [J], 李臻
2.基于CPLD的24 bit音频渐进延迟器设计与分析 [J], 戚英豪;黄佩伟;方华
3.一种基于FPGA的数字延迟器的设计与实现 [J], 谢跃雷;晋良念;陈紫强
4.基于FPGA的AES3/EBU数字音频接收器的设计 [J], 周宣;陈明义
5.一种基于FPGA的数字音频处理器设计 [J], 廖钧华
因版权原因，仅展示原文概要，查看原文内容请购买。
人工智能开发技术中的噪声处理方法分享
人工智能开发技术中的噪声处理方法分享引言：在人工智能（AI）领域中，噪声是指输入样本中的干扰或异常数据，可能会干扰模型的训练和预测。
为了提高AI模型的性能和准确性，处理噪声成为了一个重要的任务。
本文将分享一些在人工智能开发技术中常用的噪声处理方法。
一、数据清洗数据清洗是预处理阶段中最基本的噪声处理方法之一。
它主要通过去除异常值、填补缺失值和平滑数据来净化数据集。
异常值是指与大多数数据不相符的观测值，可能是由于测量错误或录入错误等原因导致。
填补缺失值可以使用简单的统计方法，如均值、中位数或众数进行填充，也可以使用更复杂的插值方法，如K近邻插值和多重插补。
平滑数据可以通过滤波器等技术来降低数据的噪声，例如平均滤波、中值滤波和高斯滤波等。
二、特征选择特征选择是指从原始数据中选择最相关和最重要的特征，以便减少噪声对模型性能的影响。
常用的特征选择方法有过滤式方法、包装式方法和嵌入式方法。
过滤式方法通过计算特征与目标变量之间的相关性来选择特征。
包装式方法则通过训练模型并评估每个特征对模型性能的贡献来选择特征。
嵌入式方法是将特征选择和模型训练合并为一个过程，模型可以自动选择最佳的特征。
三、数据增强数据增强是指利用一些转换技术来生成新的训练样本，以扩充有限的训练数据集。
数据增强可以通过平移、旋转、缩放、添加噪声等方式来改变数据的外观和内容。
例如，在图像识别任务中，可以通过旋转图像来增加数据的多样性。
在文本分类任务中，可以通过替换、插入或删除词语来生成新的文本样本。
数据增强不仅可以减少过拟合问题，还可以提高模型的鲁棒性和泛化能力。
四、集成学习集成学习是一种将多个基模型组合起来进行预测的技术，在处理噪声数据时具有较好的效果。
集成学习可以通过投票、加权平均、堆叠等方式来综合多个基模型的预测结果。
在噪声环境中，由于不同模型可能对噪声具有不同的敏感性，集成学习可以通过减少错误预测的数量来提高模型的整体性能。
五、异常检测异常检测是一种专门用于发现噪声或异常数据的技术。
基于PCNN的脉冲噪声滤波算法
基于PCNN的脉冲噪声滤波算法唐青华;曹敦;刘白皓【期刊名称】《微计算机信息》【年(卷),期】2011(027)010【摘要】鉴于噪声点和边缘点具有相似性,传统中值滤波、均值滤波很难对其进行区分,容易造成图像细节丢失。
本文通过分析总结脉冲噪声的特点及脉冲耦合神经网络（PCNN）的工作机理,提出了一种基于PCNN的脉冲噪声滤波算法。
首先利用PC-NN的脉冲传播特性检测出原始图像的噪声点和边缘点,然后利用噪声点和边缘点不同特点对其进行判断区分,若为噪声点进行中值滤波,边缘点则不做处理。
实验结果表明该方法不但能有效的去除图像中的脉冲噪声,而且能很好的保护图像细节信息且提高了去噪后图像的峰值信噪比。
%In view of the similarity of noise points and edge points,it is difficult for traditional median filter or mean filter to distinguish them,so some of image detail are lost.By analyzing and summarizing the characteristics of impulse noise and the the working mechanism of pulse coupled neural network（PCNN）,a PCNN-based filtering algorithm for impulse noise is proposed.Firstly,the noise points and edge points of the original image are detected by using the pulse propagation characteristics of PCNN,then distinguished by their different characteristics.After that,the noise points are dealt with median filter,but the edge points are not treated.Experimental results show that the method not only can effectively remove the impulse noise,but also can well protect the details and improve PSNR of the denoised image.【总页数】3页(P116-118)【作者】唐青华;曹敦;刘白皓【作者单位】长沙理工大学计算机与通信工程学院,湖南长沙410014;长沙理工大学计算机与通信工程学院,湖南长沙410014;长沙理工大学计算机与通信工程学院,湖南长沙410014【正文语种】中文【中图分类】TP316.81【相关文献】1.基于ROAD检测的脉冲噪声图像小波域滤波算法 [J], 徐基龙;王振东;彭玉升;马宏亮2.基于PCNN的改进脉冲噪声去噪方法 [J], 郭雷;梁楠;王瀛3.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰4.一种新的基于PCNN的图像脉冲噪声滤波算法 [J], 卢桂馥;王勇;窦易文5.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进PCNN的数据降噪方法
基于改进PCNN的数据降噪方法
王建国;闫海鹏;张文兴;张鑫礼
【期刊名称】《中国测试》
【年(卷),期】2016(042)001
【摘要】为去除数据中存在的噪声点,提高数据质量,提出一种基于改进PCNN的数据降噪方法.该方法在无耦合链接的简化PCNN模型基础上,改进阈值函数,添加记录神经元是否点火的矩阵以及点火时间矩阵,根据神经元初次点火时间辨识并去除噪声点,从而实现数据降噪.实验测试结果表明:该算法能够有效滤除数据中的噪声点,很好地保持原始数据的特征.
【总页数】4页(P92-95)
【作者】王建国;闫海鹏;张文兴;张鑫礼
【作者单位】内蒙古科技大学机械工程学院,内蒙古包头014010;内蒙古科技大学机械工程学院,内蒙古包头014010;内蒙古科技大学机械工程学院,内蒙古包头014010;内蒙古科技大学机械工程学院,内蒙古包头014010
【正文语种】中文
【相关文献】
1.基于改进脉冲耦合神经网络的数据降噪方法研究 [J], 张文兴;闫海鹏;王建国
2.一种基于改进累积方差百分比的红外高光谱数据降噪方法 [J], 黄威;高太长;刘磊;李书磊
3.基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法 [J], 娄建楼; 李燕; 王琦; 孙博; 贾俊奇
4.基于改进小波阈值的GPS观测数据降噪方法研究 [J], 汪子力;周鹤峰
5.基于改进SPCNN模型的机场跑道胶痕检测方法 [J], 刘晓琳;吴佳敏
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于FPGA的轻量级CNN模型计算加速器[发明专利]
![一种基于FPGA的轻量级CNN模型计算加速器[发明专利]](https://img.taocdn.com/s3/m/e17242dd67ec102de3bd8913.png)
专利名称：一种基于FPGA的轻量级CNN模型计算加速器专利类型：发明专利
发明人：彭宇,姬森展,马宁,于希明,彭喜元
申请号：CN202010214304.3
申请日：20200324
公开号：CN111488983A
公开日：
20200804
专利内容由知识产权出版社提供
摘要：一种基于FPGA的轻量级CNN模型计算加速器,涉及硬件加速技术领域,针对现有技术中的加速器存在运行速度慢的问题，包括：权值缓存区、归一化层、卷积层、池化层、全连接层和Softmax 分类器；本发明利用FPGA的快速并行计算和低功耗、灵活性强的特点，进行了针对使用深度可分离卷积结构的轻量级网络的CNN加速器设计，可以帮助将神经网络部署在资源受限的使用场合，大幅提升算法的计算效率，加快了算法的运算速度。
申请人：哈尔滨工业大学
地址：150001 黑龙江省哈尔滨市南岗区西大直街92号
国籍：CN
代理机构：哈尔滨市松花江专利商标事务所
代理人：刘强
更多信息请下载全文后查看。
基于PCNN的改进脉冲噪声去噪方法
基于PCNN的改进脉冲噪声去噪方法郭雷;梁楠;王瀛【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)016【摘要】A new method is proposed for impulse noise denoising which is based on Pulse Coupled Neural Network (PCNN) and the analysis of the neighborhood structure of the noise point. PCNN is used to ignite the noise image to obtain a firing grade image. Noise points are classified according to the difference of their neighborhood structure in the firing grade image. Median Filter is applied to the noise with simply neighborhood structure. To eliminate the noises with complex neighborhood structure, an approach is introduced based on regional membership. The results show the new method can restrains noise effectively and keep the edges detail as well.%提出了一种基于噪声邻域结构分析的脉冲噪声去除方法.对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声.对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类.对邻域结构简单的噪声点采用中值滤波进行去噪；对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法.实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节.【总页数】4页(P26-29)【作者】郭雷;梁楠;王瀛【作者单位】西北工业大学自动化学院,西安710072;西北工业大学自动化学院,西安710072;西北工业大学自动化学院,西安710072【正文语种】中文【中图分类】TP391【相关文献】1.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰2.一种新的基于PCNN的图像脉冲噪声滤波算法 [J], 卢桂馥;王勇;窦易文3.基于PCNN的脉冲噪声滤波算法 [J], 唐青华;曹敦;刘白皓4.基于改进PCNN决策的非对称裁剪中值去噪方法 [J], 朱世松; 吴亚楠5.基于简化PCNN的脉冲噪声滤波 [J], 郭旭展;姚建峰因版权原因，仅展示原文概要，查看原文内容请购买。
一种新的基于PCNN的图像脉冲噪声滤波算法
一种新的基于PCNN的图像脉冲噪声滤波算法
卢桂馥;王勇;窦易文
【期刊名称】《计算机技术与发展》
【年(卷),期】2007(17)12
【摘要】为了更好地滤除图像中的脉冲噪声,在分析脉冲耦合神经网络(PCNN)的工作机理的基础上,在PCNN中引入了点火映射图的概念,并提出了一种新的基于PCNN点火映射图的图像脉冲噪声滤波器.该方法首先通过运行PCNN把噪声图像转化为点火映射图,然后利用点火映射图对图像中的脉冲噪声进行定位,最后仅对定位的噪声进行自适应滤波.计算机仿真实验表明,该方法的去噪效果优于传统方法,从而验证了该方法的有效性、合理性.
【总页数】3页(P83-85)
【作者】卢桂馥;王勇;窦易文
【作者单位】安徽工程科技学院,计算机科学与工程系,安徽,芜湖,241000;安徽工程科技学院,计算机科学与工程系,安徽,芜湖,241000;安徽工程科技学院,计算机科学与工程系,安徽,芜湖,241000
【正文语种】中文
【中图分类】TP391;TP301.6
【相关文献】
1.一种新的基于PCNN的图像自动分割算法研究 [J], 赵峙江;张田文;张志宏
2.一种基于PCNN赋时矩阵的图像去噪新算法 [J], 刘勍;马义德
3.一种新的彩色图像脉冲噪声滤波算法 [J], 李庆利;王永强;陈宝
4.一种新的基于脉冲噪声点检测的自适应中值滤波算法 [J], 彭良玉;杨辉;黄满池
5.一种新的基于 SVC 和 MIVP 识别图像脉冲噪声的研究 [J], 陆丽婷;顾绮芳;潘婷婷
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910166349.5
(22)申请日 2019.03.06
(71)申请人 河北工业大学
地址 300130 天津市红桥区丁字沽光荣道8
号河北工业大学东院330#
(72)发明人 高振斌 臧鑫哲 李梦圆
(74)专利代理机构 天津翰林知识产权代理事务
所(普通合伙) 12210
代理人 付长杰
(51)Int.Cl.
G10L 25/30(2013.01)
G10L 25/45(2013.01)
G10L 25/18(2013.01)
G10L 25/51(2013.01)
(54)发明名称基于FPGA加速的PCNN算法的噪声分类方法(57)摘要本发明为基于FPGA加速的PCNN算法的噪声分类方法，该方法包括下述步骤：步骤1，用录音设备采集噪声样本，并剪辑成音频文件；步骤2，音频文件进行时-频转换；步骤3，特征提取：将噪声频谱图转换为灰度图，将灰度值作为PCNN模型的输入，通过FPGA实现PCNN算法迭代过程的加速，并输出时间序列作为不同类别噪声的特征提取；步骤4，将噪声样本中每一种噪声经步骤3处理迭代50-200次输出时间序列后分为训练集和测试集；步骤5，将训练集每次迭代的时间序列求平均作为参考模板，计算测试集的时间序列与参考模板的时间序列之间的欧式距离，当欧氏距离小于噪声类别阈值时判别为同一种噪声，并输出识别结果。
该方法缩短了特征提取时间，节约了
时间成本。
权利要求书1页 说明书6页 附图2页CN 109949825 A 2019.06.28
C N 109949825
A
权 利 要 求 书1/1页CN 109949825 A
1.一种基于FPGA加速的PCNN算法的噪声分类方法，该方法包括下述步骤：
步骤1，用录音设备采集噪声样本，并剪辑成300ms-10s以内的音频文件；
步骤2，音频文件进行时-频转换：对音频文件进行短时傅里叶变换，得到噪声频谱图；
步骤3，特征提取：将噪声频谱图转换为灰度图，将灰度值作为PCNN模型的输入，通过FPGA实现PCNN算法迭代过程的加速，并输出时间序列作为不同类别噪声的特征提取；
所述通过FPGA实现PCNN算法迭代过程的加速的具体过程是：
1)FPGA电路处于空闲状态，当复位信号有效时，FPGA电路所有变量复位，复位信号拉高后进入初始化状态，对各个变量进行初始化；
2)初始化之后，跳转到FPGA内的计算模块，计算模块实现的是PCNN模型的迭代过程，在计算模块内灰度值作为输入进行迭代加速，直到达到提前设定的迭代次数，跳转回空闲状态，完成迭代加速过程；
步骤4，将噪声样本中每一种噪声经步骤3处理迭代50-200次输出时间序列后分为训练集和测试集；
步骤5，将训练集每次迭代的时间序列求平均作为参考模板，计算测试集的时间序列与参考模板的时间序列之间的欧式距离，当欧氏距离小于噪声类别阈值时判别为同一种噪声，并输出识别结果。
2.根据权利要求1所述的基于FPGA加速的PCNN算法的噪声分类方法，其特征在于，短时傅里叶变换的过程是；首先对噪声音频文件分帧，分帧长度为10ms-30ms；下一步对分帧之后的噪声音频进行加窗，采用汉宁窗，窗长等于帧长，最后对每一帧进行傅里叶变换，即完成了对噪声音频的短时傅里叶变换，得到噪声频谱图。
3.根据权利要求1所述的基于FPGA加速的PCNN算法的噪声分类方法，其特征在于，所述FPGA电路包括控制模块、计算模块和存储模块；控制模块负责协调整个电路的正常工作，计算模块完成PCNN算法的迭代功能，计算中产生的数据存储于存储模块；控制模块分别给存储模块、串口接收模块信号，负责协调FPGA整个电路的正常工作；PC机通过串口接收模块将图片灰度值输入FPGA电路计算时间序列，FPGA电路又通过控制模块控制存储模块将计算输出的时间序列通过串口接收模块上传给PC机。
2。