[发明专利]一种基于自监督学习的信号去噪方法

权利要求书

1.一种基于自监督学习的信号去噪方法，其特征在于，具体包括以下步骤：

步骤1：使用平衡多级信号分解方法BHD对信号数据进行频率分解，得到信号的细粒度不同频率系数；

步骤2：使用自动标签策略对所获得的信号的细粒度各频率系数打上标签，构建神经网络对获得的带标签数据进行有监督表示学习，获得各频率系数的嵌入表示；

步骤3：根据实际场景下噪声频率高低，将所获得的频率系数的嵌入表示分为噪声组及去噪组，使用去噪组频率系数重构信号，得到的重构信号即是相应信号的去噪结果。

2.根据权利要求1所述的一种基于自监督学习的信号去噪方法，其特征在于，步骤1具体为：

首先需要根据实际分解效果为平衡多级信号方法BHD设置分解级别m，在每一级使用离散小波变换对信号数据进行分解，离散小波变换的公式如下：

其中，t表示时间，x(t)表示被分解的信号，α和τ分别表示规模参数和转换参数，ψ(·)表示小波函数；对离散小波变换得到的高频系数和低频系数迭代地进行分解，平衡多级信号分解方法BHD的分解级别m即是迭代次数。

3.根据权利要求1所述的一种基于自监督学习的信号去噪方法，其特征在于，步骤2具体为：

步骤2.1：基于频率系数的相邻性和波形相似度为所有频率系数中的每一对系数打上标签；

步骤2.2：构建双通道卷积神经网络，将一对频率系数作为网络的输入数据，该对数据的标签作为监督信息，利用分类任务以有监督的方式学习所有频率系数的高质量嵌入表示。

4.根据权利要求3所述的一种基于自监督学习的信号去噪方法，其特征在于，步骤2.1具体为：

步骤2.1.1：频率系数A在平衡多级分解信号分解方法BHD返回的结果列表中的索引为i，频率系数B在BHD返回的结果列表中的索引为j，频率系数相邻的定义为|i-j|＝1，即两个频率系数在平衡多级信号分解方法BHD分解树的同一层且相邻；

步骤2.1.2：波形相似性使用动态时间扭曲DTW距离进行度量，动态时间扭曲DTW算法应用动态规划方法寻找两个时间序列元素之间的最佳对齐路径，动态时间扭曲DTW距离是最佳对齐路径上对齐元素之间欧式距离之和；给定两个维度分别为m和n的时间序列A＝{a₁,a₂,…a_i,…a_n}和B＝{b₁,b₂,…b_i,…b_m}，计算A和B之间的距离矩阵D，D中的元素D_i,j表示A和B中两个元素的欧氏距离，D_i,j的计算方式如下：

D_i,j＝||a_i-b_j||

在得到距离矩阵D之后，使用动态规划算法构建代价矩阵R，R中的元素R_i,j表示从D_1,1到D_i,j的最小距离；R_i,j的计算方式如下：

R_i,j＝D_i,j+min{R_i-1,j,R_i-1,j-1,R_i,j-1}

其中R_0,0＝0,R_i,0＝∞，R_0,j＝∞；在得到代价矩阵R之后，在代价矩阵R中寻找从D_1,1到D_m,n的最小累计距离路径，使用W＝{ω₁,ω₂,…ω_k,…ω_p}表示该路径，路径长度为p，其中ω_k＝(i,j)表示距离矩阵D中相应的元素的索引；最后，两个时间序列的动态时间扭曲DTW距离即是R_m,n，计算方式如下：

步骤2.1.3：在根据步骤2.1.1得到频率系数的相邻性及根据步骤2.1.2得到频率系数的相似性之后，根据两条规则对其进行打上标签。