一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112133321A(43)申请公布日2020.12.25(21)申请号202011007852.5G06N3/00(2006.01)(22)申请日2020.09.23(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)发明人王景景李爽李嘉恒张威龙杨星海施威刘岩(74)专利代理机构青岛海昊知识产权事务所有限公司37201代理人刘艳青(51)Int.Cl.G10L21/0208(2013.01)G10L21/0264(2013.01)G10L21/0272(2013.01)G10L21/0308(2013.01)权利要求书3页说明书10页附图3页(54)发明名称一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法(57)摘要本发明公开了一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法，用于水声通信信号去噪。首先基于水声信号稀疏特性，采用稀疏编码理论预先去除高斯噪声，包括基于拉普拉斯分布模型构造稀疏惩罚函数，求解在极大似然估计情况下的稀疏分量。然后基于水声信号的非高斯特性，将非高斯随机噪声视作源信号，基于改进灰狼优化算法求解水声信号盲源分离问题。最后基于分离后信号和接收信号之间的相关系数矩阵提取目标信号，去除非高斯噪声。本发明能有效抑制复杂水声环境中高斯和非高斯噪声，提高水声信号接收质量。CN112133321ACN112133321A权利要求书1/3页1.一种基于盲源分离的水声信号高斯/非高斯噪声抑制方法，其特征在于，包括以下步骤：S1：获取待去噪的含高斯/非高斯噪声的水声信号；S2：抑制高斯噪声，得到不含高斯噪声的水声信号；S3：对S2处理后的水声信号进行盲源分离，得到分离后源信号，即非高斯噪声和目标水声信号；S4：基于相关系数矩阵确定S3中分离后源信号中的目标水声信号，从而去除非高斯噪声，最终得到高斯/非高斯去噪后的水声信号。2.如权利要求1所述的水声信号高斯/非高斯噪声抑制方法，其特征在于，所述S1具体如下：建立信号接收模型：假设水声通信系统模型采用一发多收模式，发送目标信号为s0(t)，将信道中的非高斯T噪声信号视为n-1维非高斯信号[s1(t),s1(t),...,sn-1(t)]，接收阵元个数为n，则接收端收到的信号为：TX(t)＝h(t)[s0(t),s1(t),s2(t),...sn-1(t)]+e(t)其中，h(t)表示信道参数，e(t)表示高斯噪声，[g]T表示转置。3.如权利要求1所述的水声信号高斯/非高斯噪声抑制方法，其特征在于，所述S2中基于稀疏编码理论抑制高斯噪声。4.如权利要求3所述的水声信号高斯/非高斯噪声抑制方法，其特征在于，所述S2具体如下：S2-1：信号归一化处理：T对接收信号X(t)＝[x1,x2,...,xn]归一化处理，处理过程如下所示：其中，xi为X(t)的分量，i＝1,2,...,n，σ1和分别为X(t)的标准差和均值；归一化后数据表示为X′；S2-2：求解拉普拉斯稀疏惩罚函数的收缩函数：拉普拉斯的概率分布如下所示：其中，s＝E{X′2}，E{X′2}表示求X′2均值；由于水声信号的稀疏性和非高斯性，采用极大似然估计，最大化信号的非高斯性，去除高斯噪声；对p(X′)取对数，得：l(X′)＝lnp(X′)对X′求导得：S2-3：求解极大似然估计情况下信号的稀疏分量，去除高斯噪声；极大似然估计表达式如下所示：M(X′)＝sign(X′)max(0,|X′|-σ2|l'(X′)|)2CN112133321A权利要求书2/3页其中sign(g)为符号函数，由下式给出：将上式代入极大似然估计表达式，得到去除高斯噪声后信号：式中σ2表示X′中高斯噪声方差，X″是去除高斯噪后的信号；其中X″为归一化信号；为便于S3处理，需对X″进行部分还原，使其仅保持0均值特性，还原过程如下：X″′＝σ1X″其中σ1为X(t)的标准差，X″′为基于稀疏编码去噪后信号。5.如权利要求1所述的水声信号高斯/非高斯噪声抑制方法，其特征在于，所述S3中基于改进灰狼算法优化独立分量分析方法对信号进行盲源分离。6.如权利要求5所述的水声信号高斯/非高斯噪声抑制方法，其特征在于，所述S3中改进灰狼算法优化独立分量分析方法具体为：第一步：初始化种群，基于混沌映射初始化种群，即初始分离矩阵Wt＝[Wt1,Wt2,...,Wtn]，其中t表示迭代次数，t＝0时，W0表示初始种群，W01,W02,...,W0n表示初始个体，n为种群大小；采用Iterative混沌序列产生灰狼的初始位置，Iteraive映射的映射方程如下所示：其中W01是随机生成的分离矩阵，W0(k+1)是经过Iteraive映射之后生成的初始分离矩阵，k＝1,