[发明专利]一种淹没于超声草状信号中的缺陷回波盲提取自适应方法

权利要求书

1.一种淹没于超声草状信号中的缺陷回波盲提取自适应方法，其特征在于，包括：

S1：利用无监督机器学习算法对采集的原始信号样本进行相似性分析，将相似的信号分为一类，所述无监督机器学习算法为k-means或DBSCAN，所述原始信号样本为在同等实验条件下，针对同一试块采集的超声A扫信号，B扫信号，和C扫信号；

S2：将S1中得到的相似的信号输入到预先设计好的降噪自编码器中对其进行训练，使其学得相应的降噪规则，其中，预先设计好的降噪自编码器为一个输入等于输出的三层神经网络，形式为：n-h-n，其中n代表输入和输出的神经元数，h代表隐含层神经元数；

S3：利用训练好的降噪自编码器其对待处理的信号进行降噪；

其中，S2具体包括：

S2.1：对原始数据进行预处理，其中，预处理的标准化公式为：

（2）

其中，X表示原始数据，表示对X取最小值，表示对X取最大值，x表示原始数据集里的一个数据点，x’表示标准化后的数据点；

S2.2：对降噪自编码器进行配置，

网络结构为编码-解码的三层网络结构n-h-n，依据信号的采样点数确定输入层神经元数n和输出层神经元数n，依据最终训练的结果确定隐含层神经元数h，其中，降噪自编码器的激活函数设置为Relu(x) = max(0, x)的修正线性单元，神经网络中所有训练变量采用滑动平均；

S2.3：对降噪自编码器进行训练，在训练网络过程中采用使网络泛化能力更强的正则化损失函数，MSEreg，定义为：

（3）

其中， 为权重，γ 为人工设置的一个超参数，n为权重的个数，MSE为均方误差，定义为：

（4）

其中，N为训练样本的数量，为目标值，为降噪自编码器基于输入的训练数据的预测值，设定初始值为0.01的衰减学习率。

2.如权利要求1所述的缺陷回波盲提取自适应方法，其特征在于，S1具体包括：

S1.1：确定信号聚类的簇数；

S1.2：选择信号相似评价准则；

S1.3：根据信号聚类的簇数和信号相似评价准则对采集的原始信号样本进行相似性分析。

3.如权利要求2所述的缺陷回波盲提取自适应方法，其特征在于，S1.1具体包括：

根据信号数量或者目标微区数量确定聚类簇数，其中，当以信号数量为依据时，设定采集信号数量的十分之一作为簇数；当以目标微区数量为依据时，将目标微区数量作为簇数。

4.如权利要求2所述的缺陷回波盲提取自适应方法，其特征在于，S1.2具体包括：

将欧氏距离作为信号相似评价准则，其表达式为：

（1）

其中，，分别表示两个不同的信号，，分别是它们对应的采样点，信号间的欧式距离越小，表明它们之间的相似度越高。