[發(fā)明專利]調(diào)制信號的降噪方法、裝置、存儲介質(zhì)及設(shè)備

有效

• 申請?zhí)枺?/td>: 202111350291.3
• 申請日: 2021-11-15
• 公開（公告）號: CN114118145B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 段瑞楓;王旭;張海燕
• 申請（專利權(quán)）人: 北京林業(yè)大學(xué)
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/213;G06F18/214;G06N3/0464;G06N3/08
• 代理公司: 北京德崇智捷知識產(chǎn)權(quán)代理有限公司 11467
• 代理人: 王欣

1.一種調(diào)制信號的降噪方法，其特征在于，所述方法包括：

獲取樣本集，所述樣本集中的樣本為訓(xùn)練樣本或驗證樣本，每個樣本中包括無噪聲調(diào)制信號和帶噪聲調(diào)制信號；

將所述樣本集輸入創(chuàng)建的降噪模型中，所述降噪模型中包括編碼模組和解碼模組，所述編碼模組中包括依次相連的第一卷積層和編碼塊，所述解碼模組中包括依次相連的解碼塊和第二卷積層，所述編碼塊和所述解碼塊中都包括改進(jìn)的壓縮激勵結(jié)構(gòu)，所述降噪模型為卷積降噪自編碼器；

對于每個樣本，利用所述第一卷積層對所述帶噪聲調(diào)制信號進(jìn)行特征提取；利用所述編碼塊對提取到的特征圖進(jìn)行基于通道注意力機(jī)制的編碼；利用所述解碼塊對編碼后的特征圖進(jìn)行基于通道注意力機(jī)制的解碼；利用所述第二卷積層對解碼后的特征圖進(jìn)行卷積，得到降噪調(diào)制信號；根據(jù)所述降噪調(diào)制信號和所述無噪聲調(diào)制信號調(diào)整所述降噪模型的模型參數(shù)，得到訓(xùn)練好的降噪模型；

所述編碼塊中包括依次相連的三個第三卷積層和一個改進(jìn)的壓縮激勵結(jié)構(gòu)，所述第三卷積層中包括卷積、批標(biāo)準(zhǔn)化和LeakyReLU激活函數(shù)，所述改進(jìn)的壓縮激勵結(jié)構(gòu)中包括全局池化層、第四卷積層、LeakyReLU激活函數(shù)、第五卷積層、Sigmod激活函數(shù)和Scale縮放函數(shù)，所述第四卷積層和所述第五卷積層中包括卷積；

所述解碼塊中包括依次相連的第一個第六卷積層、一個反卷積層、第二個第六卷積層和一個改進(jìn)的壓縮激勵結(jié)構(gòu)，所述第六卷積層中包括卷積、批標(biāo)準(zhǔn)化和LeakyReLU激活函數(shù)，所述反卷積層中包括轉(zhuǎn)置卷積、批標(biāo)準(zhǔn)化和LeakyReLU激活函數(shù)，所述改進(jìn)的壓縮激勵結(jié)構(gòu)中包括全局池化層、第七卷積層、LeakyReLU激活函數(shù)、第八卷積層、Sigmod激活函數(shù)和Scale縮放函數(shù)，所述第七卷積層和所述第八卷積層中包括卷積。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述編碼模組中包括依次相連的一個第一卷積層和三個編碼塊，所述第一卷積層與第三個編碼塊之間設(shè)有殘差連接，所述解碼模組中包括依次相連的三個解碼塊和一個第二卷積層，第一個解碼塊與所述第二卷積層之間設(shè)有殘差連接，所述第三個編碼塊與第一個解碼塊相連；所述第一卷積層之后設(shè)有LeakyReLU激活函數(shù)，所述第二卷積層之后設(shè)有Tanh激活函數(shù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述利用所述編碼塊對提取到的特征圖進(jìn)行基于通道注意力機(jī)制的編碼，包括：

依次利用三個所述第三卷積層對輸入所述編碼塊的特征圖進(jìn)行卷積；

利用所述全局池化層對卷積后的特征圖進(jìn)行壓縮；

利用所述第四卷積層對壓縮后的特征圖進(jìn)行降維，利用所述第五卷積層對經(jīng)過所述LeakyReLU激活函數(shù)處理后的特征圖進(jìn)行升維；

利用所述Sigmod激活函數(shù)對升維后的特征圖計算每個通道的權(quán)重；

利用所述Scale縮放函數(shù)對升維后的特征圖和對應(yīng)的通道的權(quán)重進(jìn)行乘法加權(quán)，得到具有不同通道權(quán)重的特征圖。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述利用所述解碼塊對編碼后的特征圖進(jìn)行基于通道注意力機(jī)制的解碼，包括：

利用所述第一個第六卷積層對輸入所述解碼塊的特征圖進(jìn)行卷積；

利用所述反卷積層對卷積后的特征圖進(jìn)行上采樣；

利用所述第二個第六卷積層對上采樣后的特征圖進(jìn)行卷積；

利用所述全局池化層對卷積后的特征圖進(jìn)行壓縮；

利用所述第七卷積層對壓縮后的特征圖進(jìn)行降維，利用所述第八卷積層對經(jīng)過所述LeakyReLU激活函數(shù)處理后的特征圖進(jìn)行升維；

利用所述Sigmod激活函數(shù)對升維后的特征圖計算每個通道的權(quán)重；

利用所述Scale縮放函數(shù)對升維后的特征圖和對應(yīng)的通道的權(quán)重進(jìn)行乘法加權(quán)，得到具有不同通道權(quán)重的特征圖。