[发明专利]一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法

权利要求书

1.一种基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法，其特征在于：所述方法引入自编码器、残差瓶颈模块、捷径连接、卷积层、批正则化层、激活层结构构建深度神经网络模型，利用固态纳米孔测序电信号数据集对模型进行训练，使其准确地学习测序电信号噪声的特征模式，建立起从噪声信号到干净信号的映射，最终运用学习到的映射对噪声信号相对应的干净信号进行预测和估计；

其包括以下步骤：

步骤S1，搭建残差自编码器卷积神经网络模型；

步骤S2，选取创建训练数据集，设置所述残差自编码器卷积神经网络模型的训练参数；

步骤S3，依据设定的模型训练参数，以最小化损失函数为目标训练所述残差自编码器卷积神经网络模型，完成固态纳米孔测序电信号降噪处理的神经网络模型的构建；

步骤S4，将待处理的噪声电信号输入到固态纳米孔测序电信号降噪处理神经网络模型，输出降噪处理后的信号；

其中，步骤S1中的残差自编码器卷积神经网络模型包括编码器部分和解码器部分，编码器部分包括多个残差编码模块，残差编码模块包括多个卷积层、多个激活层和多个批正则化层；解码器部分由多个逆卷积解码模块、一个卷积层和一个sigmoid激活层组成，逆卷积解码模块由多个逆卷积层、多个激活层和多个批正则化层组成；

其中，所述残差编码模块包括多个卷积核大于1×1的卷积层和多个卷积核为1×1的卷积层；

其中，所述残差编码模块包括一个卷积核大小为3×3的卷积层和两个卷积核为1×1的卷积层；且所述残差编码模块的第一个和第三个卷积层的卷积核大小为1×1，第二个卷积层的卷积核大小为3×3，构建的残差编码模块为瓶颈神经网络结构；

其中，步骤S3中的损失函数为均方误差函数：

其中，X_i、Y_i分别为创建的训练集中的噪声信号和干净信号，θ为权重，n表示信号中的数据点数量，F(·)函数表示的是通过训练后得到的噪声信号到干净信号的映射。

2.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法，其特征在于，所述残差编码模块包括一个捷径连接用于绕过瓶颈卷积网络结构直接对输入和输出进行恒等映射。

3.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法，其特征在于，所述解码器部分的逆卷积解码模块由一个逆卷积层、一个激活层和一个批正则化层组成。

4.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法，其特征在于，步骤S2中所述训练数据集由干净的测序电信号和对应的噪声信号组成。

5.根据权利要求1所述的基于残差自编码器卷积神经网络的固态纳米孔电信号降噪处理方法，其特征在于，步骤S3中所述固态纳米孔测序电信号降噪处理的神经网络模型的权重的初始值由高斯随机函数生成，残差模块最后一个批正则化层的权重参数初始设定为零。