一种多时空来源信号的离散频谱特征分析方法及装置

本发明涉及多时空来源的信号检测，具体涉及一种多时空来源信号的离散频谱特征分析方法及装置。

背景技术：

1、在现代社会中，声音信号的获取和处理对于各种应用至关重要，涵盖了通信、音频录制、语音识别、环境监测等多个领域。然而，声音信号的处理过程常伴随着一个重要的技术挑战，即如何有效地去除来自各种噪声源的干扰。在信号降噪领域，声音信号处理涉及复杂而关键的任务。在面对多个声音源的情况下，而又缺乏先验信息的支持，处理这些声音信号变得异常具有挑战性。这一挑战在于不同声音源可能具备相似的频谱特征，使得传统的处理方法难以有效区分它们。因此，研究和发展一种能够精确处理这些声音源的方法成为提高声音信号处理质量的至关重要举措。这有助于改善声音信号的清晰度和质量，无论是在音频通信、音乐制作还是其他声音相关领域，都具有广泛的应用前景。

2、离散信号频谱分析是声音信号处理的核心组成部分之一。通过分析声音信号的频谱，可以提取出有关声音的重要信息，如幅值谱、相位谱、功率谱等。这些信息对于许多应用，如音频编解码、语音识别和音频效果处理至关重要。然而，频谱分析的准确性和可靠性直接受到噪声信号的影响，因此需要一种方法来有效去除噪声信号，以确保获得干净的频谱特征。

3、在现有技术中，多时空来源的声音信号通常受到多种频率成分和噪声的干扰，一般来说，这些干扰因素都会带来挑战。特别是，频率接近的成分和噪声引发了频谱混叠干扰，这使得准确分离不同来源声音信号的频率成分成为一项极具挑战性的任务。传统的方法在处理这些复杂多时空声音信号时，常常存在信号失真和信息丢失的问题，这些问题限制了声音信号处理的应用范围，难以快速有效地区分不同来源声音信号。具体而言，在不同情况下采集的信号中通常会存在非高斯噪声干扰，而且这种干扰的强度与采集的信号强度相当，导致在声音信号去噪过程中噪声与信号成分之间具有高度相似性，这些问题会显著影响多时空来源信号的去噪效果。

技术实现思路

1、本发明要解决的技术问题：针对现有技术的上述问题，提供一种多时空来源信号的离散频谱特征分析方法及装置，本发明旨在克服声音信号去噪过程中噪声与信号成分之间具有高度相似性对信号带来的干扰问题，提升多时空来源信号的去噪效果。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种多时空来源信号的离散频谱特征分析方法，包括：

4、s101，获取不同来源的m个声音信号片段按列组合得到的声音信号样本矩阵x；

5、s102，对声音信号样本矩阵x利用小波阈值函数算法进行降噪处理，根据声音信号样本矩阵x及其降噪结果之间的相关性系数调整小波阈值函数算法的滤波参数并重新进行降噪处理，直至迭代次数等于预设的最大迭代次数或者相关性系数的绝对值小于预设值，最终得到m个降噪处理结果构成的降噪多时空来源信号矩阵d；

6、s103，将多时空来源信号矩阵d进行中心化和白化处理得到白化矩阵；

7、s104，对白化矩阵进行离散傅里叶变换以获取各个来源的声音信号的离散频谱特征。

8、可选地，步骤s101中得到的声音信号样本矩阵x的函数表达式为：

9、

10、上式中，x1(1)～xm(1)为m个来源的第1个声音信号片段，x1(2)～xm(2)为m个来源的第2个声音信号片段，x1(n)～xm(n)为m个来源的第n个声音信号片段，n为声音信号片段的样本数量。

11、可选地，步骤s102包括：

12、s201，为小波阈值函数算法选择预设的分解层数i的小波基函数，初始化迭代次数k和最大迭代次数k，为小波阈值函数算法初始化第1次滤波的滤波参数，包括第1次滤波的阈值函数和平衡系数p(1)，其中阈值函数表示第i层的第j个小波系数，平衡系数p(1)为区间[0,1]的随机值，上标(1)表示第1次滤波；

13、s202，使用小波阈值函数算法基于第k次滤波的滤波参数对声音信号样本矩阵x或上一次滤波得到的声音信号中的各个声音信号片段进行滤波，并计算第k次滤波的相关性系数ρ(k)；

14、s203，若满足k+1小于等于k且|ρ(k)|小于等于设定值，则跳转步骤s204；否则，跳转步骤s206；

15、s204，结合第k次滤波的相关性系数ρ(k)更新小波阈值函数算法第k+1次滤波的平衡系数p(k+1)，通过自适应反馈机制更新小波阈值函数算法第k+1次滤波的阈值函数将迭代次数k加1，跳转步骤s202；

16、s205，将第k次滤波得到m个降噪处理结果构成的降噪多时空来源信号矩阵d。

17、可选地，步骤s202中计算第k次滤波的相关性系数ρ(k)的函数表达式为：

18、

19、上式中，ρ(x,d(k))为第k次滤波的相关性系数，x为声音信号样本矩阵，d(k)为第k次滤波的降噪处理结果，cov表示计算协方差，σ表示计算标准差，且有：

20、

21、上式中，为第1～m个声音信号片段的降噪处理结果，且表示任意第m个声音信号片段的降噪处理结果，k＝1,2,…,k，m＝1,2,…,m，m为声音信号片段的来源数量。

22、可选地，步骤s204中结合第k次滤波的相关性系数ρ(k)更新小波阈值函数算法第k+1次滤波的平衡系数p(k+1)的函数表达式为：

23、p(k+1)＝p(k)+ρ(k)，

24、上式中，p(k)为第k次滤波的平衡系数。

25、可选地，步骤s204中通过自适应反馈机制更新小波阈值函数算法第k+1次滤波的阈值函数的函数表达式为：

26、

27、上式中，sign为符号函数，max表示取最大值，为第k次滤波的阈值函数，λ是阈值。

28、可选地，步骤s103包括：

29、s301，对降噪多时空来源信号矩阵d＝[d1；d2；...；dm；...；dm]进行中心化处理使其均值为1，得到中心化处理后的声音信号矩阵d'＝[d′1；d'2；...；d'm]，其中d1～dm为降噪多时空来源信号矩阵d中的第1～m个声音信号片段的降噪处理结果，d′1～d'm为d1～dm的中心化处理结果，且有进行中心化处理的函数表达式为：

30、

31、上式中，d'm(j)为第m个中心化处理结果的第j个样本，dm(j)为降噪多时空来源信号矩阵d中的第m个声音信号片段的第j个样本，n为声音信号片段的样本数量；

32、s302，对中心化处理后的声音信号矩阵d'＝[d′1；d'2；...；d'm]进行白化处理得到白化矩阵d”＝[d″1；d″2；...；d”m]，d″1～d”m分别为第1～m个声音信号片段的白化处理结果。

33、可选地，步骤s104包括：

34、s401，对白化矩阵d”＝[d1”；d'2'；...；d”m]的每一列分别加汉宁窗，然后进行离散傅里叶变换，得到的结果为复数矩阵y＝[y1；y2；…；ym；…；ym]，其中ym是对白化矩阵d”的第m列进行长度为n的加汉宁窗离散傅里叶变换得到的复频谱，ym＝[ym(1),ym(2),…,ym(n)]t；

35、s402，寻找峰值频率，包括：分别查找复数矩阵y中每一列模值最大的元素，记录其索引值n_max＝[n_max1,n_max2,…,n_maxm,…,n_maxm]，找到复数矩阵y中第m列模值最大的元素的索引值为n_maxm＝argmax|ym|，其中argmax|ym|表示取|ym|中最大值的元素对应的行号，由此可以确定复数矩阵y中第m列的模值最大的元素为ym(n_maxm)；

36、s403，根据复数矩阵y中第m列的模值最大的元素ym(n_maxm)提取第m列对应来源的声音信号的离散频谱特征，所述离散频谱特征包括幅度频谱、相位频谱和频率估计值三者中的至少一种，且提取幅度频谱的计算函数表达式为：

37、am(n_maxm)＝|ym(n_maxm)|*2/n，

38、上式中，am(n_maxm)表示第m个声音信号的幅值谱中峰值幅度；

39、提取相位频谱的计算函数表达式为：

40、φm(n_maxm)＝arg(ym(n_maxm))，

41、上式中，φm(n_maxm)表示第m个声音信号的初相位；

42、提取频率估计值的计算函数表达式为：

43、ff＝n_maxm*fs/n，

44、上式中，ff为频率估计值，fs为采样频率，n_maxm为复数矩阵y中第m列模值最大的元素的索引值，n为声音信号片段的样本数量。

45、此外，本发明还提供一种多时空来源信号的离散频谱特征分析装置，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述多时空来源信号的离散频谱特征分析方法。

46、此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述多时空来源信号的离散频谱特征分析方法。

47、和现有技术相比，本发明主要具有下述优点：本发明包括从声音信号样本矩阵x利用小波阈值函数算法进行降噪处理，根据声音信号样本矩阵x及其降噪结果之间的相关性系数调整小波阈值函数算法的滤波参数并重新进行降噪处理，直至迭代次数等于预设的最大迭代次数或者相关性系数的绝对值小于预设值，最终得到m个降噪处理结果构成的降噪多时空来源信号矩阵d，将多时空来源信号矩阵d进行中心化和白化处理得到白化矩阵，对白化矩阵进行离散傅里叶变换以获取离散频谱特征，通过上述方法能够克服声音信号去噪过程中噪声与信号成分之间具有高度相似性对信号带来的干扰问题，能够解决频谱混叠干扰、处理非高斯噪声、自适应参数反馈调节，实现对多时空来源声音信号的高效处理和分离，从而提高声音信号频谱分析的准确度。