[發(fā)明專利]一種基于LSTM網(wǎng)絡(luò)EMD端點(diǎn)效應(yīng)抑制方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010139218.0
• 申請(qǐng)日: 2020-03-03
• 公開（公告）號(hào): CN113362853B
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計(jì)）人: 劉福來;胡忠意;杜瑞燕;張艾怡;黃彩梅;徐嘉良
• 申請(qǐng)（專利權(quán)）人: 東北大學(xué)秦皇島分校
• 主分類號(hào): G10L25/30
• 分類號(hào): G10L25/30;G10L25/51;G06N3/04
• 代理公司: 中國商標(biāo)專利事務(wù)所有限公司 11234
• 代理人: 姜司晨

本發(fā)明屬于信號(hào)處理技術(shù)領(lǐng)域，具體涉及一種基于LSTM網(wǎng)絡(luò)EMD端點(diǎn)效應(yīng)抑制方法。該方法有效地結(jié)合了LSTM網(wǎng)絡(luò)對(duì)信號(hào)的預(yù)測(cè)和EMD分解在單通道盲源分離技術(shù)中的應(yīng)用，并根據(jù)信號(hào)的特點(diǎn)尋找LSTM網(wǎng)絡(luò)的時(shí)間步長(zhǎng)，有效地提高了預(yù)測(cè)的精度，從而有效地解決了單通道盲源分離中EMD方法出現(xiàn)的端點(diǎn)效應(yīng)問題，在對(duì)解決復(fù)雜工廠環(huán)境下的聲音分離問題中取得了較好的效果。該方法能夠有效解決非線性非平穩(wěn)時(shí)間序列分析中的端點(diǎn)效應(yīng)問題，可應(yīng)用于單通道盲源混合信號(hào)的分離問題。

技術(shù)領(lǐng)域

本發(fā)明屬于信號(hào)處理技術(shù)領(lǐng)域，具體涉及一種基于LSTM網(wǎng)絡(luò)EMD端點(diǎn)效應(yīng)抑制方法。

背景技術(shù)

盲源分離技術(shù)指的是在傳輸信道和源信號(hào)都未知的情況下，根據(jù)源信號(hào)的統(tǒng)計(jì)特性，僅僅利用觀測(cè)信號(hào)分離出各個(gè)源信號(hào)的過程。而在事實(shí)上，采集到的信號(hào)多為單通道信號(hào)，而單通道盲源分離是欠定盲源分離問題的極端情況，它僅僅利用單路觀測(cè)信號(hào)的特征信息，分離出多路源信號(hào)，解決起來十分困難。美國國家宇航局的Norden E.Huang于1998年首次提出的對(duì)一列時(shí)間序列數(shù)據(jù)先進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，然后對(duì)各個(gè)分量作希爾伯特變換的信號(hào)處理方法，將時(shí)間序列的信號(hào)經(jīng)過EMD分解成一組本征模態(tài)函數(shù)(Intrinsic ModeFunction,IMF)既能對(duì)線性穩(wěn)態(tài)信號(hào)進(jìn)行分析，又能對(duì)非線性、非穩(wěn)態(tài)信號(hào)進(jìn)行分析，在對(duì)單通道盲源分離問題上取得了較好效果。

然而在EMD方法使用中，端點(diǎn)效應(yīng)成為影響該方法精度的主要因素。有兩種端點(diǎn)效應(yīng)，一種是EMD分解中的樣條插值的端點(diǎn)效應(yīng)；另一種是本征模函數(shù)在進(jìn)行希爾伯特變換時(shí)形成的端點(diǎn)效應(yīng)。三次樣條插值和希爾伯特變換中的端點(diǎn)效應(yīng)對(duì)基于EMD的時(shí)頻分析方法影響很大，這個(gè)問題處理不好會(huì)使這個(gè)時(shí)頻分析方法的效果受到影響或失效。由于端點(diǎn)效應(yīng)對(duì)EMD影響甚大，研究EMD時(shí)頻分析中減弱或消除端點(diǎn)效應(yīng)的技術(shù)就成為使用該方法的前提和關(guān)鍵技術(shù)。針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解端點(diǎn)效應(yīng)問題，目前已經(jīng)存在很多抑制的方法，常用的主流方法有鏡像延拓法、自適應(yīng)波形匹配法、積分延拓法等方法。這些方法雖然都能在一定程度上抑制經(jīng)驗(yàn)?zāi)B(tài)分解的端點(diǎn)效應(yīng)，但是同樣也存在各自的缺陷，即延拓預(yù)測(cè)不夠精準(zhǔn)，預(yù)測(cè)的極值點(diǎn)與原來的極值點(diǎn)的變化情況相差較大等。長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)是每個(gè)時(shí)間步都有輸出，隱藏單元之間存在循環(huán)鏈接，讀取整個(gè)序列后產(chǎn)生單個(gè)輸出的循環(huán)神經(jīng)網(wǎng)絡(luò)。LSTM的每個(gè)單元有相同的輸入和輸出，還有更多的參數(shù)和控制信息流動(dòng)的門控單元系統(tǒng)，其在語音識(shí)別，手寫生成等領(lǐng)域取得了重大成功，因此將其應(yīng)用于復(fù)雜信號(hào)數(shù)據(jù)的預(yù)測(cè)會(huì)有更精確的效果。但在其應(yīng)用中，LSTM網(wǎng)絡(luò)時(shí)間步長(zhǎng)參數(shù)選定對(duì)預(yù)測(cè)結(jié)果有較大影響，因此確定LSTM時(shí)間步長(zhǎng)以提高數(shù)據(jù)的預(yù)測(cè)性能是抑制EMD端點(diǎn)效應(yīng)關(guān)鍵問題。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)的上述問題，本發(fā)明提供一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)端點(diǎn)效應(yīng)抑制方法，根據(jù)信號(hào)的頻率分量計(jì)算信號(hào)周期，確定LSTM時(shí)間步長(zhǎng)，根據(jù)所選定的時(shí)間步長(zhǎng)對(duì)接收到的信號(hào)進(jìn)行LSTM處理，將數(shù)據(jù)兩端分別延拓，獲取最佳的信號(hào)延拓極值點(diǎn)，使得EMD分解達(dá)到較好效果，并對(duì)復(fù)雜工廠環(huán)境下的聲音分離取得了較好的效果。

為此本發(fā)明提供一種基于LSTM網(wǎng)絡(luò)的EMD端點(diǎn)效應(yīng)抑制方法，所述方法步驟如下：

S1，根據(jù)信號(hào)的頻率估計(jì)信號(hào)周期，選定LSTM網(wǎng)絡(luò)時(shí)間步長(zhǎng)；

S2，利用所選定的時(shí)間步長(zhǎng)，對(duì)接收到的混合信號(hào)數(shù)據(jù)進(jìn)行LSTM網(wǎng)絡(luò)處理，將數(shù)據(jù)兩端分別延拓半個(gè)周期數(shù)據(jù)，并在延拓后的數(shù)據(jù)中選取極值點(diǎn)，保留兩端極值點(diǎn)間數(shù)據(jù)；

S3，對(duì)兩端極值點(diǎn)間數(shù)據(jù)進(jìn)行EMD分解，得到本征模態(tài)函數(shù)(IMF)；

S4,通過主成分分析(PCA)對(duì)IMF進(jìn)行降維，以獲得合適的IMF分量，并對(duì)其進(jìn)行獨(dú)立成分分析(ICA)，從而得到分離出的源信號(hào)；

S5，對(duì)接收復(fù)雜聲音環(huán)境下的混合聲音進(jìn)行分離，得到各分離聲音信號(hào)，以便于對(duì)設(shè)備產(chǎn)生的聲音進(jìn)行特征分析。