[發明專利]一種基于自動編碼器的水聲信號增強方法

有效

• 申請號: 201910738375.0
• 申請日: 2019-08-12
• 公開（公告）號: CN110456332B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 李理;羅五雄;殷敬偉;郭龍祥;于雪松;顧師嘉;韓笑
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01S7/539
• 分類號: G01S7/539;G06N3/04;G06N3/08
• 代理公司: 南京中律知識產權代理事務所(普通合伙) 32341
• 代理人: 沈振濤

本發明公開了一種基于自動編碼器的水聲信號增強方法，屬于水聲信號處理領域。針對主動聲吶中回波信號特征提取困難的問題，本發明設計了降噪自動編碼器與卷積降噪自動編碼器相結合的自動編碼器。首先利用降噪自動編碼器在信號整體上的降噪優勢，對含噪信號進行預處理；然后結合卷積降噪自動編碼器對信號局部特征的優化，對信號進行局部降噪，從而實現信號增強。本發明方法能夠直接以接收信號的時域波形作為特征輸入，保留了信號的幅度與相位特征。實驗結果表明，本發明不僅有效降低了信號中的噪聲分量，而且在時域和頻域上均達到了較好的恢復效果。

技術領域

本發明涉及一種水聲信號增強的方法，特別是一種基于深度學習技術的水聲信號增強的方法，屬于水聲信號處理領域。

背景技術

在信號處理過程中，由于噪聲的影響，使得遠距離探測和微弱信號處理變得非常困難，降噪成為長期困擾研究者的一個課題，降低噪聲是對信號進行有效分析的一個必不可少的過程。在傳統的信號處理方法中，降噪是通過濾波來完成的，在使用線性濾波方法時，根據信號在頻域中的分布特點，只要時間序列足夠長，對于周期和準周期信號中的噪聲是可以徹底消除的。但是對于非線性系統產生的噪聲，由于信號與噪聲在頻譜上表現均為寬帶連續譜，使得傳統方法的濾波效果大大降低，這就需要探索新的適用于非線性信號的降噪方法。

隨著計算機技術的發展，神經網絡算法得到了廣泛應用，深度學習是由Hinton G等人在2006年提出具有的多層學習結構的神經網絡，雖然網絡結構中每一個隱藏層一般只使用了簡單的非線性變換，但是多層網絡的非線性組合就可以產生非常復雜的非線性變換，因此深度學習具有強大的特征學習能力，可以發掘出數據中內在的變化規律。深度學習自提出以來，引起了國內外諸多學者的廣泛關注，不僅在理論算法上不斷推陳出新，在圖像識別、圖片降噪、語音信號處理、模擬人腦等實際場合的應用也日益增多。

發明內容

為了克服傳統方法中的種種缺陷，本發明要解決的技術問題時提供一種降噪效果比較好的基于深度學習技術的水聲信號增強的方法。

為了解決上述的技術難題，本發明的技術方案是：

一種基于自動編碼器的水聲信號增強方法，包括以下步驟：

(1)構建一個降噪自動編碼器的神經網絡模型以及一個基于卷積自動編碼器的神經網絡模型；所述降噪自動編碼器輸入帶噪信號，輸出信號作為所述卷積自動編碼器的輸入信號，所述卷積自動編碼器呈現對稱結構，包括編碼部分和解碼部分，編碼部分將輸入信號進行編碼，將特征信息壓縮至低維空間，解碼編碼部分將低維特征信息解壓成干凈信號；

(2)根據主動聲吶發射的線性調頻信號各項參數仿真一系列可能接收到的回波信號，生成帶噪信號和干凈信號相對應的信號對；

(3)將數據樣本隨機劃分為訓練樣本集和測試樣本集；

(4)用訓練樣本集預訓練降噪自動編碼器神經網絡模型的參數，至訓練集樣本損失函數達到指標；

(5)用降噪自動編碼器輸出作為卷積自動編碼器的輸入，干凈信號作為其輸出，以此預訓練卷積自動編碼器神經網絡模型的參數，至訓練集樣本損失函數達到指標；

(6)以帶噪信號作為整體神經網絡的輸入，以干凈信號作為整體神經網絡的輸出，以此數據集對編碼器進行調優，至訓練集樣本損失函數達到指標；

(7)完成編碼器參數的設置，獲得網絡模型參數，將水聲信號采樣后作為聯合降噪自動編碼器和卷積自動編碼器的整體神經網絡的輸入，得到降噪后的增強信號。

進一步地，步驟(2)中的帶噪信號與干凈信號所構成的信號對都是時域波形，步驟(4)中降噪自動編碼器的輸入和輸出為帶噪信號和干凈信號，在預訓練完降噪自動編碼器后，將帶噪信號所對應的網絡輸出作為卷積自動編碼器的輸入，并以干凈信號作為卷積自動編碼器的輸出。