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！

龙图腾网获悉江南大学申请的专利一种倒装芯片振动信号去噪方法、系统、设备和介质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：CN121210853B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202511757533.9，技术领域涉及：G06F18/10；该发明授权一种倒装芯片振动信号去噪方法、系统、设备和介质是由李可;孙钰;宿磊;顾杰斐设计研发完成，并于2025-11-27向国家知识产权局提交的专利申请。

本一种倒装芯片振动信号去噪方法、系统、设备和介质在说明书摘要公布了：本发明涉及一种倒装芯片振动信号去噪方法、系统、设备和介质，属于倒装芯片振动信号去噪技术领域，其中，方法包括：采集倒装芯片的振动信号；构造所述振动信号的初始稀疏表示，并根据所述振动信号构造所述初始稀疏表示中的稀疏字典，基于所述稀疏字典以及振动信号的噪声方差构造稀疏表示模型；求解所述稀疏表示模型中关于所述稀疏字典的最优稀疏系数，并同时得到所述最优稀疏系数对应的最优稀疏字典；将所述最优稀疏字典中的无用原子和噪声原子进行剔除，去噪后的最优稀疏字典；利用所述去噪后的最优稀疏字典及其对应的最优稀疏系数对含有噪声的振动信号进行重构，得到去噪后的振动信号。本发明能够有效对倒装芯片振动信号进行去噪。

本发明授权一种倒装芯片振动信号去噪方法、系统、设备和介质在权利要求书中公布了：1.一种倒装芯片振动信号去噪方法，其特征在于：包括： 步骤S1：采集用于缺陷检测的倒装芯片的振动信号； 步骤S2：构造所述振动信号的初始稀疏表示，并根据所述振动信号构造所述初始稀疏表示中的稀疏字典，基于所述稀疏字典以及振动信号的噪声方差构造稀疏表示模型； 所述步骤S2中稀疏表示模型的构造方法包括： 将所述振动信号进行稀疏重构，得到初始稀疏表示： ； 其中，D为稀疏字典，S为振动信号矩阵，N为噪声矩阵，X为振动信号Y在稀疏字典D上的稀疏系数，为可接受误差项； 将初始稀疏表示转换为初始目标函数，表示为： ； 其中，为求解目标函数的最小值，为l2范数，为原始信号矩阵，为正则项系数，为正则项； 利用SVD分解构造稀疏字典D：通过对得到的振动信号矩阵S应用SVD自适应学习，表示为： ； 其中，为左奇异正交矩阵，为实数矩阵，为的特征向量数量，为第i个特征向量，为右奇异正交矩阵，为的特征向量数量，为第i个特征向量，为具有稀疏特性的奇异值矩阵，为奇异值矩阵第i个奇异值； 将左奇异正交矩阵作为稀疏字典D，由于该稀疏字典D是从振动信号矩阵S中自适应学习获得，用于有效表示特征信息； 通过使用中位数绝对偏差MAD估算振动信号矩阵S的噪声方差： ； 其中，为噪声方差，表示中位数，为取绝对值，c1为小波分解最高频尺度层上的小波系数； 根据噪声方差和奇异值矩阵构建自适应对偶配重矩阵W，将自适应对偶配重矩阵W中的每个元素设置为： ； 其中，为奇异值矩阵第i个奇异值，i∈[1,2,....,M]；表示振动信号矩阵第j列的噪声方差，j∈[1,2,....,N]； 将自适应对偶配重矩阵W引入初始目标函数，并作为稀疏表示模型： ； 其中，为哈达玛积，为l1范数； 步骤S3：求解所述稀疏表示模型中关于所述稀疏字典的最优稀疏系数，并同时得到所述最优稀疏系数对应的最优稀疏字典； 所述步骤S3中求解所述稀疏表示模型中关于所述稀疏字典的最优稀疏系数的方法包括： 将所述稀疏表示模型利用交替方向乘子法进行表示： ； 其中，，为稀疏表示中对X的约束； 由于自适应对偶配重矩阵W是根据振动信号矩阵S变化的正定矩阵，与稀疏系数不存在直接联系，将其取出得到： ； 其中，为结合了对偶配重矩阵W的正则项； 为求解，将其利用增广拉格朗日函数来表示，公式为： ； 其中，u表示对偶变量，表示对偶变量u的转置；ρ表示惩罚参数，作为交替方向乘子法求解过程中的步长； 为得到最优的，利用增广拉格朗日乘子法ALM对公式迭代如下： ； ； ； 对应的迭代解为： ； ； ； 其中，表示第k+1阶段的稀疏系数X，表示第k阶段的稀疏系数X的约束变量Z，表示第k阶段的对偶变量u，表示软阈值形式的解，表示变量u在第k阶段的转置，表示单位矩阵，表示第k阶段的稀疏系数X，将简写为，并作为软阈值算子，公式为： ； 其中，表示第一代值，表示第二代值； 根据软阈值算子的定义，将的解写成如下形式： 第一情况：当的解满足时，将其带入中得到，为了研究此时算法的收敛性，把消去；把的迭代式和带入此时的中得到： 假设Z*是求解过程中的不动点，即有，则对偶误差，此时有： ； 表示对偶误差的第k阶段，表示，对偶误差收敛当且仅当矩阵E的谱半径小于1，为了表示矩阵E的特征值，令为的特征值，则矩阵E的特征值表示为： ； 表示第i个特征值，表示矩阵E的特征值表示形式，当的特征值大于0时，此时上式小于1，算法保证收敛；因此，求解最优步长等价于求解如下问题： ； 由于关于是单调减的，将上式简化为： ； 表示DTD的最小特征值； 第二情况：当的解满足时，则得到： ； 假设u*是求解过程中的不动点，即有，则对偶误差，此时有： ； 此时算法收敛当且仅当矩阵E谱半径小于1，矩阵E的特征值为： ； 当的特征值大于0时，此时上式小于1，算法保证收敛；关于是单调增的，此时： ； 表示DTD的最大特征值； 第三情况：当Zk+1的解满足时，则： ； 此时Zk+1的矩阵E与第一情况相同，因此得到： ； 在的三种情况的迭代过程中满足： 当时，最优步长； 当时，最优步长； 将和总结为以下表达式： ； 和对应的谱半径表示为： ； 在整个域中，左半边关于单调减，右半边关于单调增，因此，假设的最优步长处于两者的交点处，则得到： ； 根据得到的最优步长用以加快增广拉格朗日乘子法ALM对公式迭代，进而求得最优稀疏系数； 步骤S4：将所述最优稀疏字典中的无用原子和噪声原子进行剔除，去噪后的最优稀疏字典； 步骤S5：利用所述去噪后的最优稀疏字典及其对应的最优稀疏系数对含有噪声的振动信号进行重构，得到去噪后的振动信号。

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江南大学，其通讯地址为：214122 江苏省无锡市无锡经开区金融八街1号无锡商会大厦2201；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”。

以上内容由龙图腾AI智能生成。