[发明专利]一种用于水声信号去噪的深度生成对抗方法

权利要求书

1.一种用于水声信号去噪的深度生成对抗方法，其特征在于，包括下述步骤：

步骤1：对原始水声信号进行采样、特征提取；所使用的特征提取方法是梅尔倒谱系数特征提取方法，其中，梅尔倒谱系数简称MFCC ， MFCC是在Mel标度频率域提取出来的倒谱参数，Mel标度描述了人耳频率的非线性特性，它与频率的关系用下式近似表示：

其中f为采样频率；

步骤2：将提取的信号送入高斯受限玻尔兹曼机中，进行概率生成模型的半监督预训练；

概率生成模型是由高斯受限玻尔兹曼机堆叠构成的，首先深度模型通过利用不带标签数据，用高斯受限玻尔兹曼机算法从底层开始向上逐层进行非监督预训练得到深度网络超参数的初值，在非监督预训练之后，网络通过利用带标签数据，进行监督训练来调整权值；高斯受限玻尔兹曼机是一种生成式随机网络，由可见层和隐层组成，网络的权值θ由可见层和隐层的连接权值矩阵ω和可见层的偏置向量c，隐层的偏置向量b组成；当给定一组可见层状态v，和隐层状态h，受限玻尔兹曼机的能量函数和似然函数分布表示为：

其中，v_i∈{0,1}；h_j∈{0,1}；是配分函数，当可见层和隐层其中之一固定状态时，受限玻尔兹曼机的条件概率分布可以表述为

其中，

生成部分是用一个样本s在一组先验分布S的映射下，生成x样本的分布，生成器是一种能够模拟真实数据分布以生成与训练集相关新样本的有效映射，生成模型学习的不是传统的输入到输出的映射而是输入的数据流到输出数据流的映射；

步骤3：构建深度生成对抗模型，将概率生成模型中生成的数据与真实的标签数据流送入伯努利受限玻尔兹曼机对抗模型，进行有监督训练；

生成对抗模型是由生成模型和对抗模型组成，所述生成模型采用概率生成模型；所述对抗模型为伯努利受限玻尔兹曼机对抗模型，其为整个模型的优化部分，生成部分学习最优映射的方式是通过对抗训练完成的，对抗模型中的自编码模型采用的是伯努利受限玻尔兹曼机模型，很好的对数据训练和微调加入概率判断，最后加入判别层，是一个二值化的分类器，对抗模型的输入数据有两个，一个是来自真实的样本分布X，一个是来自生成器模拟出来的真实样本分布判别器的功能就是可以判断出真实的样本分布X为真实数据，而生成器生成的样本分布为假数据，生成器根据对抗器的输出结果不断的进行优化，直到对抗器无法判断输入数据是真实数据还是生成数据，说明输入数据的分布已经非常接近真实数据的分布了，这种训练成为生成对抗模型的最大最小博弈训练，其目的是如式6所示：

在去噪模型中，额外条件值为带噪样本x₁，加入以后式6可以变为式7所示：

将生成器和对抗器分开训练，分别优化两个函数的最小值，如式8、9所示：

判别网络模型主要负责对抗作用，判别系统在开始很容易判别出干净样本为1，生成样本为0，当判别生成器的生成样本为0时，生成器开始优化自身参数，使得自身从输入样本映射出的值接近真实样本的值，当生成样本很接近真实样本，从而使得判别器无法准确判别出是干净样本还是生成样本时，判别器开始优化自身参数，使得可以很好的判别出生成样本与真实样本，生成模型中输入为一个二维数组，当输入生成样本与带噪样本时，判别器判别为0；当输入干净样本与带噪样本时，判别结果为1。