[發明專利]一種基于深度學習的GIS振動信號降噪方法

在審

• 申請號: 202210453862.4
• 申請日: 2022-04-27
• 公開（公告）號: CN115062641A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 康濤;李岳恒
• 申請（專利權）人: 成都恒銳智科數字技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 四川力久律師事務所 51221
• 代理人: 張迪

1.一種基于深度學習的GIS振動信號降噪方法，其特征在于，包括如下步驟：

步驟100.對帶噪信號進行滑動窗口算法處理，對滑動窗口算法處理后的帶噪信號進行短時傅里葉變換得到含噪信號，以及含噪信號的幅度和相位；

步驟200.基于所述含噪信號使用DeepMMSE算法得到噪聲功率譜密度對做|IDFT|得到噪聲估計值，基于所述噪聲估計值計算噪聲方差；

步驟300.基于所述噪聲估計值使用白相關方法計算白化濾波器系數，建立白化濾波器；對含噪信號使用白化濾波器得到預白化信號，基于所述預白化信號逐幀計算線性預測系數；

步驟400.基于所述線性預測系數以及所述噪聲方差建立卡爾曼濾波器；

步驟500.使用所述卡爾曼濾波器對所述帶噪信號進行降噪；

其中，所述步驟100中，含噪信號Y(l，m)的表達式如下：

Y(l，m)＝S(l，m)+V(l，m)，其中，，S(l，m)和V(l，m)分別表示干凈信號和噪聲信號的復值STFT系數；所述∠Y(l，m)為含噪信號的相位。

2.根據權利要求1所述的一種基于深度學習的GIS振動信號降噪方法，其特征在于，所述步驟200中，所述基于所述含噪信號使用DeepMMSE算法得到噪聲功率譜密度包括如下步驟：

步驟201.將|Y(l，m)|輸入至預先訓練好的Deep Xi-ResNet，得到|Y(l，m)|的先驗SNRξ(l，m)；

步驟202.通過所述先驗SNR，計算最大似然后驗信噪比；

步驟203基于所述先驗SNR和所述最大似然后驗信噪比計算噪聲周期圖；

步驟204.基于所述噪聲周期圖使用一階時間遞歸平滑算法得到噪聲功率譜密度。

3.根據權利要求2述的一種基于深度學習的GIS振動信號降噪方法，其特征在于，所述步驟203中，通過如下公式計算噪聲周期圖；

其中，為先驗SNR估計，為最大似然后驗信噪比。

4.根據權利要求1所述的一種基于深度學習的GIS振動信號降噪方法，其特征在于，在所述步驟400中，基于所述線性預測系數建立所述卡爾曼濾波器的狀態轉移矩陣，基于所述噪聲方差建立所述卡爾曼濾波器的遞歸方程。

5.根據權利要求4所述的一種基于深度學習的GIS振動信號降噪方法，其特征在于，卡爾曼濾波器的狀態空間模型表示如下：

s(n)＝Φs(n-1)+dw(n)，

y(n)＝c^Ts(n)+v(n)：

其中，s(n)是采樣點n處px1的狀態向量，s(n)表示如下：s(n)＝[s(n) s(n-1)…s(n-p+1)]^T；

Φ是一個p×p狀態轉移矩陣，它關聯了樣本n和n-1處的過程狀態，表示為：

d和c是激勵噪聲和觀測值的p×1測量向量，表示為d＝c＝[1 0…0]^T。y(n)表示樣本n處的噪聲y觀察。

6.根據權利要求4所述的一種基于深度學習的GIS振動信號降噪方法，其特征在于，所述卡爾曼濾波器的遞歸方程如下：

Ψ(n|n)＝[I-K(n)c^T]Ψ(n|n-1)

其中，誤差協方差Ψ(n|n-1)和Ψ(n|n)對應于和

7.根據權利要求1至6任意一項所述的一種基于深度學習的GIS振動信號降噪方法，其特征在于，在所述步驟100中，對帶噪信號進行滑動窗口算法處理，包括：使用重疊為50％的矩陣窗口對帶噪信號進行滑動窗口算法處理。

8.一種基于深度學習的GIS振動信號降噪系統，其特征在于，包括至少一個處理器，以及與所述至少一個處理器通信連接的存儲器；所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行權利要求1至7中任一項所述的一種基于深度學習的GIS振動信號降噪方法。