1.一种基于离散余弦变换的深度神经网络磁共振信号消噪方法,其特征在于,该方法包括:步骤A、在仿真核磁共振信号E(t)中加入空采核磁共振噪声,作离散余弦变换,获得神经网络的训练样本集X=[X1,X2,...,XM]和测试数据集T=[T1,T2,...,TN];
步骤B、对训练样本集和测试数据集作均值归一化处理得到 和步骤C、设置深度神经网络结构,以受限玻尔兹曼机训练方式并将归一化处理后的训练样本集作为可见向量输入到RBM中,对DNN进行预训练,得到DNN的初始化网络权值和偏置向量;
步骤D、利用反向传播算法,将原训练样本集与RBM训练输出的类标签组成新的训练样本集作为DNN的输入,对仿真核磁共振信号E(t)作DCT变换和均值归一化,作为DNN的理想输出Y,将步骤C中训练得到的网络权值和偏置向量作为DNN的初始化参数,有监督地对DNN进行全局训练,微调DNN网络权值参数;
步骤E、将测试数据集输入训练完毕的DNN,对DNN输出反归一化后,作离散余弦反变换,得到消噪后的核磁共振时域信号。
2.按照权利要求1所述的方法,其特征在于,所述步骤A包括以下步骤:A1、空采核磁共振噪声Ns组,加入仿真核磁共振信号A2、对Ns组含噪核磁共振信号作DCT变换为式(1):其中,x(k)为离散信号序列,xl为信号长度,m=0,1,2,...,xl-1,DCT反变化表示为式(2)
A3、将步骤A2得到的Ns组含噪核磁共振信号C(m)的70%作为训练样本集X=[X1,X2,...,XM],30%作为测试数据集T=[T1,T2,...,TN],M和N分别为训练样本集和测试数据集的样本数。
3.按照权利要求1所述的方法,其特征在于,所述步骤B均值归一化的具体方法为:计算训练样本集的训练样本平均值 用 代替Xp对训练样本集进行均值归一化得到 测试数据集作同样变换得到
4.按照权利要求1所述的方法,其特征在于,所述步骤C具体包括:C1、设置DNN隐藏层层数L和每层所含神经单元个数;
C2、将DNN的输入层和第一层隐藏层作为第一个RBM网络的可见层和隐藏层进行训练,可见层含神经元nv个,隐藏层含神经元nh个;
C3、初始化RBM网络参数集合θ={W,a,b}和学习速率α,其中 为RBM可见层与隐藏层之间的权重矩阵, 是可见层偏置向量, 是隐藏层偏置向量,将归一化的训练样本集 作为可见向量v(0)输入到RBM中;
C4、利用基于K步吉布斯抽样的对比散度算法获得各参数梯度的近似;
C5、根据步骤C4获得的各参数梯度的近似,并利用随机梯度上升法更新RBM网络参数;
C6、用DNN的第一层隐藏层和第二层隐藏层作为第二个RBM网络的可见层和隐藏层,第一个RBM网络的输出P(hj=1|v)作为第二个RBM网络的输入,重复步骤C2~C5,直至获得所有RBM的参数。
5.按照权利要求4所述的方法,其特征在于,所述C4利用基于K步吉布斯抽样的对比散度算法获得各参数梯度的近似包括:对r=0,1,...,K-1,计算RBM隐藏层输出 其中是RBM网络的激活函数,i=1,2,...,nv,j=1,2,...,nh;
根据条件概率分布 采样
将 作为RBM网络隐藏层输入,RBM可见层输出为根据条件概率分布 采样
6.按照权利要求5所述的方法,其特征在于,步骤C5中,由C4步骤计算的可见层的输出,利用随机梯度上升法更新RBM网络参数:其中,概率 是由C4步骤计算的RBM第一次隐藏层输出,概率是由C4步骤计算的最后一次隐藏层输出。
7.按照权利要求1所述的方法,其特征在于,步骤D包括以下步骤:D1、将步骤C中训练得到的网络权值和偏置向量作为DNN的初始化参数,第L层隐藏层和输出层之间为全连接网络,随机初始化其权重矩阵WL+1和偏置向量bL+1;
D2、计算DNN中各隐藏层输出为:
其中线性整流函数ReLU(t)=max(0,t)为各隐藏层的激活函数;
计算DNN输出为:
D3 、利 用步骤D 2中计 算的 DNN实际 输 出 计 算DN N的 代价函 数其中δ1,…,δL+1为正则化项;
D4、根据步骤D3计算的代价函数对各参数的偏导,用梯度下降法更新DNN全局参数:β为学习速率。