一种应用于多声源的子带复变分模态分解降噪方法与流程

本发明属于信号处理，尤其是涉及一种应用于多声源的子带复变分模态分解降噪方法。

背景技术：

1、语音信号降噪作为语音信号分析前的关键步骤，其目的是减小噪声对语音信号的影响以突出语音信号的特征，已广泛应用于语音增强，语音识别和语音编码等领域。

2、针对语音降噪问题，国内外很多学者对其进行了研究。lim和oppenheim提出了维纳滤波法，该方法能够处理单输入和单输出的平稳随机信号，但需要噪声的先验分布。yafeng等人提出了一种基于最小均方(lms)的自适应滤波降噪算法，能够有效抑制平稳随机信号的噪声，但滤波器性能的收敛因子难以控制，极大地影响了降噪效果。huang等人提出的经验模态分解(emd)能够显著提高非线性非平稳信号的信噪比，但其存在着严重的模态混叠现象并且缺乏完整的数学理论推导。torres提出的自适应噪声完备集合经验模态分解(ceemdan)能够有效抑制emd中存在的模态混叠现象，但依然缺乏数学理论的支撑。2014年，dragomiretskiy等人提出了变分模态分解(vmd)，与传统基于模态分解的方法不同，该方法有着坚实的理论基础，实现了较高的计算效率和良好的噪声鲁棒性。近年来，有学者提出将神经网络的各种模型应用到降噪之中，并取得了良好的降噪效果，但此类方法需要大量的样本进行模型训练，计算量较大。

3、上述算法虽然在特定场景下能取得一定的降噪效果，但却无法在具有复杂多声源的场景中提取出单个声源并降噪。然而在实际应用中，例如在利用麦克风对故障变压器进行定位时，麦克风接收信号会包含多个声源,现有技术不仅降噪困难难以在复杂声源的环境下提取出单个声源，降噪的放大计算量十分庞大。

技术实现思路

1、发明目的：本发明的目的旨在提供一种降噪效果好、运算量小的应用于多声源的子带复变分模态分解降噪方法。

2、技术方案：本发明所述的一种应用于多声源的子带复变分模态分解降噪方法，包括以下步骤：

3、步骤1、基于多相滤波器将接收信号整个频谱进行划分，根据子带数量和声源频率构建低通滤波器；

4、步骤2、对接收信号和低通滤波器进行多相分解，得到多相信号和多项滤波系数；

5、步骤3、根据多相信号和多项滤波系数得到每个子带的时域信号；

6、步骤4、基于复变分模态分解和每个子带的时域信号构造变分模型，并通过变分模型对每个声源子带输出信号进行噪声抑制。

7、其中，所述步骤1中接收信号整个频谱进行划分包括对接收信号x运用多相滤波器将整个频谱划分为k个不重叠的子带，根据子带数量k和采样频率fs设计一个带宽为b，阶数为n的原型低通滤波器h0(n)，原型低通滤波器的系统函数为：

8、

9、其中，fs为采样频率，h(z)的通带截止频率为b/2，且fs＝bk。

10、其中，所述原型低通滤波器h0(n)平移得到每个子带滤波器，第k个子带的滤波器响应为：

11、

12、其中，k＝0，1，...k-1，wk为第k个子带中心频率，wk＝-π+2πk/k。

13、其中，所述步骤2中基于接收信号x和原型低通滤波器h0(n)进行多相分解包括：

14、xk(m)＝x(km+k)；

15、ek(l)＝h0(kl+k)；

16、其中，k＝0，1，...k-1，xk(m)为第k路多相信号，ek(l)为第k路多相滤波器系数。

17、其中，所述接收信号x与深渊s之间的关系为：x＝s1+s2+···+sk+sn，sn为高斯白噪声。

18、其中，所述步骤3中根据多相信号xk(m)和多项滤波系数ek(l)得到每个子带的时域信号yk(m)包括：

19、yk(m)＝k(idft[((xr(m)*er(m))(-1)r])；其中r＝k。

20、其中，所述步骤4中根据复变分模态分解和每个子带的时域信号构造变分模型包括：

21、步骤41、基于复变分模态分解的各子带声源降噪，假设第k个声源子带输出信号构建变分模型；

22、步骤42、构造增广拉格朗日函数并引入惩罚因子α将其转变为非约束性变分情形，对变分模型进行求解；

23、步骤43、基于求解后的模态分量重构噪声抑制后第k个声源子带输出信号，即噪声抑制后的各声源信号。

24、其中，所述步骤41中构建的变分模型如下：

25、

26、其中，为子带输出信号即待分解的复信号，ui(m)为各模态分量，wi为各模态分量对应的中心频率，i为总模态数。

27、其中，所述步骤42中对变分模型进行求解过程包括：根据构造的增广拉格朗日函数和引入惩罚因子α，构建迭代更新公式：

28、

29、

30、

31、

32、

33、其中，为乘法算子，ε为收敛容差，分别为ui(m)、λ(m)的频域形式，对进行逆傅里叶变换后即为ui(m)。

34、其中，所述步骤43，具体包括利用所有ui(m)重构噪声抑制后第k个声源子带输出信号即：

35、

36、对多相滤波器k个声源信号子带输出重复计算，即可获得噪声抑制后的各声源信号。

37、有益效果：与现有技术相比，本发明具有以下显著的进步：通过多相滤波器并对多相滤波器进行平移处理将多声源接收信号划分为多个子带，实现对各声源信号的分离，从基础上减低了对复杂声源的降噪难度，实现从复杂声源的环境下提取出单个声源；各声源信号被提取后，通过多声源子带复变分模态分解进行多项分解，在构建的变分模型中进行求解，利用求解后的模态分量重构噪声抑制后每个声源子带输出信号，进而对整个声源信号进行降噪处理，通过实验结果发现经过上述处理后的各声源的信噪比(snr)有明显的提高，且整个分离降噪过程的计算数据量小，易于实现。

技术特征：

1.一种应用于多声源的子带复变分模态分解降噪方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤1中接收信号整个频谱进行划分包括对接收信号x运用多相滤波器将整个频谱划分为k个不重叠的子带，根据子带数量k和采样频率fs设计一个带宽为b，阶数为n的原型低通滤波器h0(n)，原型低通滤波器的系统函数为：

3.根据权利要求2所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述原型低通滤波器h0(n)平移得到每个子带滤波器，第k个子带的滤波器响应为：

4.根据权利要求1所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤2中基于接收信号x和原型低通滤波器h0(n)进行多相分解包括：

5.根据权利要求2所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述接收信号x与声源s之间的关系为：x＝s1+s2+···+sk+sn，sn为高斯白噪声。

6.根据权利要求1所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤3中根据多相信号xk(m)和多项滤波系数ek(l)得到每个子带的时域信号yk(m)包括：

7.根据权利要求1所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤4中根据复变分模态分解和每个子带的时域信号构造变分模型包括：

8.根据权利要求7所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤41中构建的变分模型如下：

9.根据权利要求7所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤42中对变分模型进行求解过程包括：根据构造的增广拉格朗日函数和引入惩罚因子α，构建迭代更新公式：

10.根据权利要求7所述的应用于多声源的子带复变分模态分解降噪方法，其特征在于，所述步骤43，具体包括利用所有ui(m)重构噪声抑制后第k个声源子带输出信号即：

技术总结本发明公开了一种应用于多声源的子带复变分模态分解降噪方法，基于多相滤波器将接收信号整个频谱进行划分，根据子带数量和声源频率构建低通滤波器；对接收信号和低通滤波器进行多相分解，得到多相信号和多项滤波系数；根据多相信号和多项滤波系数得到每个子带的时域信号；基于复变分模态分解和每个子带的时域信号构造变分模型，并通过变分模型对每个声源子带输出信号进行噪声抑制。本发明将变分模态分解扩展至复信号领域，在各子带内分别利用CVMD对各声源进行降噪。本发明能有效提高各声源的信噪比SNR，且运算量较小，易于实现。技术研发人员：周华良,沈明威,周建新,苏战涛,卢璐,王高明,徐一骝,单长旺,代莹,黄宇轩,徐政受保护的技术使用者：国电南瑞科技股份有限公司技术研发日：技术公布日：2024/1/22