一种基于学习差异性的鲸豚信号增强方法

本发明涉及鲸豚信号增强，是一种基于学习差异性的鲸豚信号增强方法。

背景技术：

1、在动物生物声学领域，海洋哺乳动物声音的检测与识别仍然是一项具有挑战性的任务。然而，海洋环境并不是安静的，水中声呐探测到的信号可能包含有多种信号信息，如海浪、远处船舶、海洋湍流、海洋生物活动等各种噪声源发出的噪声在传播过程中受到水体、海面、海底等因素的影响，形成了极其复杂的海洋环境噪声场。目标信号太弱和环境噪声干扰都会对目标信号的识别产生严重影响，因此对声呐接收到的信号处理，降低干扰噪声及增强目标信号具有十分重要的意义和研究价值。

2、由于高频声波随传播距离增加而迅速衰减，海洋背景噪声谱中的高频部分甚为微弱，低频部分则相当强烈，而某些频谱波段相对于样本频率所占的比例相对较小，却包含了海洋环境噪声和哺乳动物信号的更多信息。但传统的以全频段为目标的无差异学习方法会因为更关注高频而忽略了这个细节。因此，本发明提出一种基于学习差异性的鲸豚信号增强方法，不是学习全频段的特征，而是根据海洋环境噪声与典型海洋哺乳动物哨声信号的特征差异，将鲸豚信号分为两个频段学习两个不同的频率特性，同时考虑每个通道与全频段的独立性和一致性，对于去噪效果和信号增强都有极大的提升。

技术实现思路

1、本发明为了解决上述问题，本发明提出一种基于学习差异性的鲸豚信号增强方法。

2、需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

3、本发明提供了一种基于学习差异性的鲸豚信号增强方法，本发明提供了以下技术方案：

4、一种基于学习差异性的鲸豚信号增强方法，所述方法包括以下步骤：

5、步骤1：构建鲸豚动物声信号数据集；

6、步骤2：构建two-mask-dpcrn模型；

7、步骤3：对two-mask-dpcrn模型进行网络训练及验证，得到信号增强模型；

8、步骤4：基于信号增强模型对鲸豚声信号进行信号增强。

9、优选地，所述步骤1具体为：

10、对采集到的鲸豚动物声信号数据进行降采样处理，采用最小二乘平滑滤波对信号进行时域平滑滤波，降低短时脉冲信号对频谱分析的干扰；

11、将鲸豚动物声信号及海洋环境噪声裁剪或拼接成同等时长，并进行a/d采样，再经过量化和编码的过程将模拟信号转化为数字信号；

12、每次取1个时间片段逐帧进行短时功率谱计算，形成二维的时频图。

13、优选地，将多个所述海洋哺乳动物声信号及海洋环境噪声的二维时频图以集合的形式保存，将干净信号与噪声信号按一定信噪比混合，作为noisy样本数据集；干净信号独立作为clean样本数据集。

14、优选地，所述步骤2具体为：

15、two-mask-dpcrn模型的时频图经过五层编码提取局部模式，降低特征分辨率后形成了l*f大小的二维张量；用块大小为c且块跳大小为的块对长度为l的顺序输入进行切割，共切割s个块；其中c和s分别对应intra-chunk rnn和inter-chunk rnn的输入长度；

16、将所有的块连接成一个大小为s*f*c的三维张量；其中s是时间轴、f是频率轴和c是通道轴；

17、三维张量通过dprnn模块后将其在f维度上进行分割，分为低频段和高频段；

18、其中，低频段的学习目标mask1的计算公式为：

19、其中s和y分别是clean样本和noisy样本；

20、其中，高频段的学习目标mask2的计算公式为：

21、其中yr和yi分别是noisy样本的实部和虚部；si和sr分别是clean样本的实部和虚部；

22、低频段采用mask1针对低频段的海洋环境噪声进行学习，更关注信噪比的提升专注于含噪语音的谱幅度上。

23、高频段采用mask2针对高频段的鲸豚信号进行学习，更关注鲸豚信号本身的相位补全，有信号增强的作用。

24、最后一层的输出用重叠-添加方法转换回为长度为l的顺序输出；

25、解码器使用转置卷积层将低分辨率特征恢复到原始大小，其中解码器的结构与编码器形成对称结构，且在编码器和解码器之间有跳跃式连接，以传递详细信息。

26、优选地，所述步骤3具体为：

27、根据步骤1得到的鲸豚动物声信号的训练集作为two-mask-dpcrn模型的输入，利用截断高斯分布法赋予two-mask-dpcrn模型初始权重值和特征参数；

28、根据学习目标mask1和学习目标mask2，分别计算两个通路的损失函数值loss1和loss2,将上述两个损失函数值loss1和loss2按权重相加，得到损失函数值losstotal；

29、损失函数losstotal计算公式通过下式表示：

30、losstotal＝αloss1+βloss2

31、其中，α与β是两个损失函数对应的权重系数。

32、优选地，使用反向传播的梯度下降法，设置合适的学习率，微调two-mask-dpcrn模型的权重值和特征参数，使各个节点的参数逐步接近最优解，损失函数losstotal最小化；

33、保存训练好模型参数，利用验证集对模型进行验证，当验证结果提高的信噪比在5db以下时，需调整网络参数或学习率重新训练；反之将最终训练得到的权重量和参数值保存到two-mask-dpcrn模型，得到最终的信号增强模型，并将该模型作为海洋哺乳动物声信号增强网络。

34、优选地，设置学习率为0.001-0.003。

35、一种基于学习差异性的鲸豚信号增强系统，所述系统包括：

36、数据集模块，所述数据集模块构建鲸豚动物声信号数据集；

37、模型构建模块，所述模型构建模块构建构建two-mask-dpcrn模型；

38、模型训练模块，所述模型训练模块对two-mask-dpcrn模型进行网络训练及验证，得到信号增强模型；

39、信号增强模块，所述信号增强模块基于信号增强模型对鲸豚声信号进行信号增强。

40、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于学习差异性的鲸豚信号增强方法。

41、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种基于学习差异性的鲸豚信号增强方法。

42、本发明具有以下有益效果：

43、本发明与现有技术相比：

44、本发明提供了一种基于学习差异性的鲸豚信号增强方法。对采集到的海洋哺乳动物声信号进行滤波，作为clean样本数据集；将海洋环境噪声与干净信号按一定信噪比混合作为noisy样本数据集；根据海洋环境噪声与典型海洋哺乳动物哨声信号的特征差异，构建两个学习目标同步训练网络，利用数据集对网络进行训练，得到提高去噪效果并增强有效信号的网络。

45、由于不是学习全频段的特征，而是根据海洋环境噪声与典型海洋哺乳动物哨声信号的特征差异，将整个频谱分为两个频段学习两个不同的频率特性，更有针对性的学习不同频段的信号特征，使网络可以对低频段的海洋环境噪声进行有效抑制的同时增强高频段的鲸豚信号。

46、由于网络同时考虑每个通道与全频段的独立性和一致性，通过独立性每个通道可以独立调整其传输参数，将不同频段之间的干扰降至最低，以实现最佳性能；通过一致性可以确保每个通道在整个频段范围内保持一致的传输性能，从而提高网络的整体容量。