技术新讯 > 乐器声学设备的制造及制作,分析技术 > 一种基于人工智能模型的水声信号时频谱降噪方法及系统与流程  >  正文

一种基于人工智能模型的水声信号时频谱降噪方法及系统与流程

  • 国知局
  • 2024-11-06 14:54:46

本发明涉及水声目标识别,尤其涉及一种基于人工智能模型的水声信号时频谱降噪方法及系统。

背景技术:

1、在水声目标识别领域,船舶等目标在海上运动时产生的辐射噪声通常由宽带分量(频域上具有连续频谱)和窄带分量(频域上具有离散的线谱)组成。时频谱、低频分析和记录谱(low-frequency analysis and recording, lofar)中能够显式地展现目标线谱在时域上的连续性,是当前水声目标识别中应用较为广泛的表征形式之一。准确提取或展现目标的时频域信息是水声目标识别过程中不可或缺的必要条件。然而,真实海洋环境复杂多变,海洋中包含各类人为、生物以及自然活动发出的噪声,这些噪声相互影响干涉,最终呈现为大量无规律因素叠加的结果,导致通常的时频谱中存在着线谱不清晰、难以提取等问题,严重影响了目标的分析与特征提取,因此,需要利用去噪技术,对时频谱进行降噪,使得线谱能够明显地展现,方便准确地进行提取。

2、传统的降噪方法通常默认环境噪声服从某种特定的高斯分布,并基于此对噪声进行估计,最终减去估计的噪声实现降噪。这种方式存在较大的局限性,实际上海洋环境噪声极为复杂,难以简单地用概率分布进行建模拟合,导致估计的噪声具有较大偏差。近年来,以深度学习和大数据为代表的人工智能技术,已经在语音识别、图像处理等多个领域取得了快速进展,这些成果为水声智能降噪提供了良好的借鉴思路。在实际复杂水下声场难以建立准确的物理经验模型时,基于海量数据样本,学习拟合非线性深度神经网络模型,自动感知环境噪声特征并进行抑制降噪成为提升当前水声信号降噪效果可能的途径。

3、但是,深度神经网络模型的效果往往和训练样本的数量和质量密切相关,样本空间的完备性将直接影响模型实际应用的泛化性。然而,由于海洋水声环境本身的复杂性以及高昂的数据标注成本,在水声智能降噪中,缺乏高信噪比、低噪声的目标数据作为训练样本标签来训练鲁棒的深度神经网络,导致应用深度神经网络模型实现水声数据降噪存在较大的困难与障碍。

技术实现思路

1、本发明的目的在于克服现有技术的不足,提供一种基于人工智能模型的水声信号时频谱降噪方法及系统。

2、本发明的目的是通过以下技术方案来实现的:本发明第一方面提供:一种基于人工智能模型的水声信号时频谱降噪方法,包括以下步骤:

3、步骤1:模型训练阶段,采集海洋环境噪声数据wave_noise,生成仿真线谱数据;将海洋环境噪声数据和仿真线谱数据进行融合得到仿真信号数据wave;根据仿真信号数据wave训练降噪模型;

4、步骤2:模型应用推理阶段,将真实水声数据输入训练好的降噪模型进行去噪处理得到降噪时频谱。

5、优选的,所述的仿真线谱数据通过以下步骤生成:

6、步骤11.1:获取频谱/时间分辨率∆t、数据时长t、数据采样率fs、频率范围、频率下限f_low、频率上限f_high、线谱强度区间[db_low, db_high]和线谱生成随机组数n;

7、步骤11.2:根据线谱生成随机组数n在频率范围内随机选择每组线谱的中心频率;

8、步骤11.3:每组线谱以中心频率按固定小间隔向低频和高频区域选择0到k个频点作为谐波线谱,并在强度区间内随机生成仿真线谱;

9、步骤11.4:以频谱/时间分辨率∆t对每根仿真线谱的频点和强度进行随机游走,确定每个时刻的频点和强度得到频点数组fn和强度数组an,对于第i个时间单元,其仿真线谱的原始信号波形通过以下公式计算:

10、,

11、其中,是从0-180中均匀随机选取的相位;

12、步骤11.5:将所有仿真线谱的原始信号波形相加然后除以仿真线谱的总数量得到仿真线谱数据。

13、优选的,所述的仿真信号数据wave通过以下步骤得到:

14、步骤12.1:读取海洋环境噪声数据wave_noise并将海洋环境噪声数据wave_noise的长度和采样率调整至与仿真线谱数据的长度和采样率相同;

15、步骤12.2:计算仿真线谱数据的时频谱targetspec与海洋环境噪声数据wave_noise的时频谱envspec,并计算标签矩阵 mask:

16、,

17、其中, abs为取绝对值,标签矩阵 mask包含目标线谱的标注信息,1-标签矩阵 mask得到海洋环境噪声数据wave_noise的标注信息;

18、步骤12.3:设定仿真信号数据wave的信噪比范围[a,b],然后计算现有信号的信噪比snr,再从目标信噪比范围[a,b]随机取值放大系数α,将放大系数α乘以海洋环境噪声数据wave_noise调整海洋环境噪声数据wave_noise的幅度值;接着将仿真线谱的原始信号波形与调整后的海洋环境噪声数据wave_noise'相加得到仿真信号数据wave,具体公式如下:

19、。

20、优选的,所述的降噪模型通过以下步骤训练:

21、将仿真信号数据wave输入降噪模型,然后使用编码器网络进行稀疏编码,再通过解码器网络进行解码,得到与仿真信号数据wave维度相同的第一样本或样本遮罩、第二样本或样本遮罩,所述第一样本或样本遮罩为去噪后的目标数据,所述第二样本或样本遮罩为剩余的噪声数据;然后将降噪模型输出的第一样本或样本遮罩、第二样本或样本遮罩分别与生成仿真信号数据wave的海洋环境噪声数据、仿真线谱数据进行损失计算,采用交叉熵损失函数计算梯度并对降噪模型的梯度更新,实现降噪模型的训练。

22、优选的,所述的降噪时频谱通过以下步骤得到:

23、通过前端设备采集真实水声数据,然后对真实水声数据进行预处理将真实水声数据的维度转换为降噪模型的输入数据的维度并输入降噪模型得到两个预测标签矩阵,将目标数据的预测标签矩阵与真实水声数据相乘得到降噪时频谱。

24、优选的,所述的预处理为短时傅里叶变换。

25、优选的,所述的降噪模型为u-net神经网络模型结构。

26、本发明第二方面提供:一种基于人工智能模型的水声信号时频谱降噪系统,用于实现所述任一种基于人工智能模型的水声信号时频谱降噪方法,包括:

27、模型训练模块,用于采集海洋环境噪声数据wave_noise,生成仿真线谱数据;将海洋环境噪声数据和仿真线谱数据进行融合得到仿真信号数据wave;根据仿真信号数据wave训练降噪模型;

28、模型应用推理模块,用于将真实水声数据输入训练好的降噪模型进行去噪处理得到降噪时频谱。

29、本发明的有益效果是:

30、1)无需标注任何真实目标线谱数据,只需要采集环境噪声即可完成对模型的有效训练,而环境信号的采集成本与难度就相对低很多,而且可以采集不同频段下的环境噪声信号,用于模拟不同场景环境。

31、2)摆脱了传统的信号仿真方法难以真实刻画建模复杂环境噪声信号的问题,利用真实的环境噪声信号,仿真形成的样本更贴近真实场景,使得模型训练后可以有效应用,避免仿真数据和真实数据差异较大导致的模型不适用。

32、3)避免了复杂的参数选择和调制过程,只要保证仿真的数据样本量足够多,样本空间涵盖真实数据空间的各种情况,训练好的模型无需再调参,直接使用即可。

本文地址:https://www.jishuxx.com/zhuanli/20241106/324616.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。