一种基于解耦卷积神经网络的含噪水声信号盲源分离方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115426055A(43)申请公布日2022.12.02(21)申请号202211381399.3G06N3/08(2006.01)(22)申请日2022.11.07(71)申请人青岛科技大学地址266061山东省青岛市崂山区松岭路99号(72)发明人李爽王景景董新利刘颉王海红任翀马璐陈文亮(74)专利代理机构青岛海昊知识产权事务所有限公司37201专利代理师刘艳青(51)Int.Cl.H04B13/02(2006.01)H04B15/00(2006.01)H04B17/336(2015.01)G06N3/04(2006.01)权利要求书2页说明书12页附图5页(54)发明名称一种基于解耦卷积神经网络的含噪水声信号盲源分离方法(57)摘要本发明公开了一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，属于信号处理技术领域，设计了一种模仿传统算法估计盲源分离的混合矩阵过程的神经网络模型，该模型能够更好的分离源信号。首先利用该网络的一维卷积层自动提取观测信号的特征，基于该特征分别实现生成分离矩阵和调整缩放系数两个功能，然后利用分离矩阵分离观测信号得到初步分离信号，随后利用缩放系数对初步分离信号进行缩放得到最终的分离信号。解耦卷积神经网络功能明确、结构清晰，能够实现在大数据集下信号快速精确分离及分离信号幅度有效确定，该方法不仅能够分离独立信号，还能分离相关信号。本发明能在低信噪比下准确估计源信号，提高水声信号接收质量。CN115426055ACN115426055A权利要求书1/2页1.一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，其特征在于，包括以下步骤：S1：接收观测信号，利用卷积神经网络的一维卷积层自动提取观测信号的特征；S2：基于S1提取的特征生成分离矩阵，利用分离矩阵分离观测信号，能够初步分离信号；S3：基于S1提取的特征生成缩放系数，对初步分离信号进行缩放得到最终的分离信号。2.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S1具体如下：S1‑1：建立信号接收模型：假设水声通信系统模型采用多发多收模式，发送目标信号为，，接收阵元个数为，其中，则接收端收到的信号为：其中，表示信道参数，也是混合矩阵，表示源信号,表示接收信号,，表示转置；S1‑2：对接收信号进行预处理；S1‑3：利用卷积神经网络的一维卷积层自动提取观测信号的特征。3.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S2具体如下：S2‑1：基于S1提取的特征生成分离矩阵，即利用已知的源信号与观测信号，基于深度学习得到观测信号与分离矩阵的函数关系：将分离矩阵视为一种函数，接收观测信号的特征输出混合矩阵，如下式为了求解函数，利用神经网络的数学理论中的通用近似定理——即神经网络具有近似任意函数的能力，设计近似的神经网络，如下式其中为神经网络的参数,时，W为最理想的分离矩阵；S2‑2：利用生成的分离矩阵初步分离接收信号：其中，Z’为初步分离信号。4.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S3具体如下：S3‑1：基于S1提取的特征生成缩放系数：利用信号特征生成缩放系数c：其中为利用神经网络估计的关于求解缩放系数c的函数；S3‑2：利用缩放系数对初步分离信号进行缩放得到最终的分离信号：2CN115426055A权利要求书2/2页对初步分离信源信号Z’进行缩放得到最终的源信号S：其中是对源信号S的估计，Z为分离信号，c为缩放系数。3CN115426055A说明书1/12页一种基于解耦卷积神经网络的含噪水声信号盲源分离方法技术领域[0001]盲源分离本发明属于信号处理领域，具体地说，涉及一种基于一维卷积神经网络的无噪盲源分离混合矩阵估计方法。背景技术[0002]盲源分离(BlindSourceSeparation,BSS)的目的是在混合系统和源信号等先验知识均未知的情况下，从观测信号中估计出源信号。因为盲源分离更加符合人们生活的实际情况，所以盲源分离技术在许多领域具有重要应用，如图像处理领域，语音信号处理领域，医学领域。[0003]近年来，随着深度神经网络(DeepNeuralNetwork,DNN)的发展，学者们也将DNN应用于语音混合信号的分离来提高信号的分离性能。DNN是深度学习的一个成功实例，而且DNN的学习能力和泛化能力都很强。现有技术中，将DNN应用到信号分离中，利用DNN来进行特征学习，将分离问题转化为二进制分类问题来估计理想二进制掩模。深度学习算法在信号分离问题中已经有了广泛的应用，例如深度聚类，深度吸引子网络等；或固定波束形成器对观测信号进行预处理，提取了观测信号的幅度调制谱、相对谱变换和感知线性预测和梅尔频率倒谱系数作为频谱特征；然后从时