[发明专利]风噪声抑制方法与系统以及炮声检测方法与系统

说明书

本发明公开了一种风噪声抑制方法与系统以及炮声检测方法与系统，其中，风噪声抑制方法包括：对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

技术领域

本发明涉及一种风噪声抑制方法与系统以及炮声检测方法与系统，具体地说，尤其涉及一种基于经验模态分解和卷积非负矩阵联合特征分解下的风噪声抑制方法与系统以及炮声检测方法与系统。

背景技术

火炮侦察属于被动声探测研究的课题，传统火炮侦察声测系统利用火炮发射时产生的膛口波，对火炮炮位进行定位。火炮弹丸从发射到爆炸一般会产生膛口波、弹道波和爆炸波；膛口波的时间、空间信息，直接体现了炮位的信息，因此，膛口波的检测对火炮侦察至关重要。在声学测量的膛口波检测中，卷积非负矩阵分解算法无法抑制风噪声，是传统技术难题。在单通道测量和软件滤波的情况下，现有的风噪声抑制技术大多基于傅立叶变换框架下，采用卷积非负矩阵分解的信噪分离方法，其可以实现对弹道波、爆炸波、语音等的信号和噪声的分离。但是，由于膛口波信号与风噪声在傅立叶变换框架下的时频域分析中，两者频域高度重合，卷积非负矩阵分解方法无法有效分离出膛口波，致使无法在检测膛口波时，使用卷积非负矩阵分解方法实现信噪分离。膛口波检测方向亟需使用卷积非负矩阵分解方法，实现信噪分离，以抑制风噪声，提高信噪比水平。

请参照图1-图3，图1为现有风噪抑制流程图；图2为原始信号示意图；图3为滤波后信号示意图。如图1-图3所示，具体介绍现有的、传统卷积非负矩阵分解方法(CSNMF)，主要包含信号建模、分离及重建等部分。文中CSNMF算法是在数据的STFT域运算，因此，图1中的带噪目标信号和风噪声训练数据都是经过STFT的短时幅度谱重构而成。首先，对风噪声进行信号采集，并实现对风噪声的特征学习，以获得能够表征风噪声特性的基矩阵；然后根据目标信号、风噪声的混合模型，结合带噪信号特征提取，对带噪目标信号进行分解运算，得到基矩阵和编码矩阵，实现信噪分离；最后进行信号重构，得到降噪后的目标信号。

结合图2与图3，使用CSNMF算法的膛口波滤波，从图2与图3中对比可以看到，CSNMF算法在信噪分离的过程中，其在剔除风噪声的同时，一同将膛口波滤除了，无法完成信噪分离的任务。这是现有的风噪抑制技术所存在的技术难题。

发明内容

本发明所要解决的技术问题在于提供一种风噪声抑制方法，其中，包括：

对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；

对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；

根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

上述的风噪声抑制方法，其中，于获得重构风噪声信号的步骤中包括：

采集获取所述风噪声信号；

对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；

剔除多个所述分量信号中的高频分量信号；

将剩余的所述分量信号重构为所述重构风噪声信号。

上述的风噪声抑制方法，其中，于进行卷积非负矩阵分解的步骤中包括：

对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；

采集获取所述混合信号；

对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。