[发明专利]一种用于水声信号去噪的深度生成对抗方法

说明书

本发明公开了一种用于水声信号去噪的深度生成对抗方法，属于水声信号降噪技术领域。该方法首先对原始水声信号进行采样、特征提取，而后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；最后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。本发明针对水声信号的特征提取特点，在受限玻尔兹曼的概率模型中引入生成对抗模型，有效的消除由于水声携带的复杂信号引起的受限玻尔兹曼机在训练过程中的强依赖性和过拟合问题，从而使得训练模型自适用性更强。

技术领域

本发明属于水声信号降噪技术领域，可以从信噪比较大的水声信号中，有效的复现出原始有用信号。

背景技术

现有的水下声信号去噪中，有传统的去噪方法，基于时域的模态分解方法和基于频域的整体模态分解方法，需要提前设置一些经验参数，使得去噪过程依赖经验值，经典模态分解方法可以让去噪过程不再需要提前设置函数的情况下完成，但是在分解的过程中容易产生模式混合和边界效应。为了克服边界混合，基于CEEMDAN、精化复合多尺度色散熵和小波阈值去噪的水声信号降噪方法，在分析混沌信号复杂度方面取得很好的效果，但是没有很好的鲁棒性。

近几年，水声去噪领域引入深度学习的算法来增加系统的鲁棒性，自编码网络就是典型深度学习算法，在去噪算法中对信号与噪声之间的独立性没有做任何假设，使得其去噪系统的鲁棒性优于传统的去噪方法，在自编码网络中加入玻尔兹曼机原理，进一步增强去噪自编码网络的稳健性，使得网络模型更加健壮，然而，深度自编码网络由于其全连接特性，在少数输入增加特征值的情况下，会导致网络参数数量的增加非常庞大，参数太多会带来梯度不稳定性，而且加大整个系统的计算量，所以需要在保证去噪结果的前提下，降低参数数量。在深度学习生成建模领域的一个新突破是生成对抗性网络，其在计算机视觉领域取得了很好的成功，能够生成逼真的图像，在生成对抗基础上改善模型参数与优化算法，均取得很好的效果。生成对抗模型利用生成模型和对抗模型相互优化的作用，可以在有限数量的训练集下取得很好的效果，有效解决水声去噪在深度学习应用方面的局限性。

在水声信号降噪过程中，当需要提前设置相应的参数，即对于经验要求很高的情况下，而且系统的鲁棒性较差，传统的降噪方法就不再适用，于是深度学习用于降噪就显示出来其优点，目前深度学习中的生成对抗网络，其生成模型和对抗模型均采用的卷积神经网络，由于水声信号的特点是训练样本较少，在小样本训练的过程中，卷积神经网络的自适应能力较弱，学习出来的网络的鲁棒性较差。

发明内容

为了解决水声信号特有的小样本训练问题，本文提出深度生成对抗方法，用于水下声信号去噪技术。本方法中的限制玻尔兹曼网络对样本的训练中加入了样本统计特性，所以对于小样本的训练效果很好。针对水声的特点以及水声背景噪声的特征，进一步优化生成对抗网络，使得训练模型适用于水声信道的去噪。

本发明解决其技术问题所采用的技术方案：一种用于水声信号去噪的深度生成对抗方法，其特点包括下述步骤：

步骤1：对原始水声信号进行采样、特征提取，本方法采用的是MFCC特征提取方法，梅尔倒谱系数(简称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，它与频率的关系可用下式近似表示：

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。