CN109658944A - 直升机声信号增强方法及装置 - Google Patents
直升机声信号增强方法及装置 Download PDFInfo
- Publication number
- CN109658944A CN109658944A CN201811530261.9A CN201811530261A CN109658944A CN 109658944 A CN109658944 A CN 109658944A CN 201811530261 A CN201811530261 A CN 201811530261A CN 109658944 A CN109658944 A CN 109658944A
- Authority
- CN
- China
- Prior art keywords
- signal
- helicopter
- noise
- time
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims description 15
- 238000009432 framing Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000004576 sand Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G10L21/0202—
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种直升机声信号增强方法及装置，该方法包括采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱；采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱；结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。本发明能够使声探测设备在复杂背景噪声中提取质量较高的目标直升机声信号。
Description
技术领域
本发明涉及一种信号增强方法，尤其涉及一种基于谱稀疏约束非负矩阵分解的直升机声信号增强方法及装置。
背景技术
直升机是战场上一种威胁性很大的武器，有“空中坦克”之称；它能够突然出现并超低空飞行，以躲避传统雷达的搜索。由于直升机在飞行过程中辐射高强度且有明显特征的噪声，因而研究者尝试采用被动声探测的方法，完成直升机目标的检测、定位和识别等一系列任务。
复杂背景噪声干扰是制约上述任务处理效果的主要因素，因而需要探索有效的噪声抑制和信号增强方法。噪声抑制算法已有近几十年的发展，常见方法包括谱减法、维纳滤波、自适应滤波噪声抵消方法和波束形成算法等。谱减法和维纳滤波均需对一定时间段的噪声谱进行估计，其基本假设是噪声在该时间段具有统计平稳性；然而，时间环境噪声是短时非平稳的，因而制约了该类算法的性能。自适应滤波算法需要选取合适的参考噪声通道，多通道差分信号是较好的选择，但在目标方位未知时无法获取；波束形成信号增强方法同样需要事先知道目标方位，同时其性能也受到阵元个数和阵列孔径的限制。
有鉴于此，需要一种能够使声探测设备在复杂背景噪声中提取质量较高的目标直升机声信号，降低环境噪声影响的方案。
发明内容
本发明的目的在于提供一种基于谱稀疏约束非负矩阵分解的直升机声信号增强方法及装置，使声探测设备在复杂背景噪声中提取质量较高的目标直升机声信号，降低环境噪声的影响，为增加目标探测距离、方位参数精确估计和目标准确识别奠定基础。
本发明提供了一种直升机声信号增强方法，包括：
步骤一：采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱；
步骤二：采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱；
步骤三：结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。
进一步地，在所述步骤一中，采用非负矩阵分解方法对所述噪声时频幅度谱进行字典学习。
进一步地，所述步骤一包括：
在典型应用环境录制一定时长的背景噪声波形，并采用按间隔抽点的方式将噪声信号降采样，以与直升机声信号的采样频率相匹配；
对采集到的噪声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得噪声时频幅度谱。
进一步地，所述步骤二包括：
对采集到的带噪直升机声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得带噪直升机信号时频幅度谱。
本发明还提供了一种直升机声信号增强装置，包括：
离线字典学习模块，用于采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱；
信号增强模块，用于采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱；
目标信号获取模块，用于结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。
进一步地，所述离线字典学习模块采用非负矩阵分解方法对所述噪声时频幅度谱进行字典学习。
进一步地，所述离线字典学习模块在典型应用环境录制一定时长的背景噪声波形，并采用按间隔抽点的方式将噪声信号降采样，以与直升机声信号的采样频率相匹配；
对采集到的噪声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得噪声时频幅度谱。
进一步地，所述信号增强模块对采集到的带噪直升机声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得带噪直升机信号时频幅度谱。
与现有技术相比本发明的有益效果是：
能够从复杂背景噪声中抽取出质量较高的目标信号，可作为目标检测、定向与识别的前端处理，通过对实际数据的处理，对复杂背景噪声的抑制能力可达到15dB以上，从而大大提升了直升机目标声信号的信噪比，进一步可提高系统目标探测距离、方位估计精度和目标识别准确率。
附图说明
图1是本发明一种直升机声信号增强方法的流程图；
图2是本发明一种直升机声信号增强装置的结构框图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
参图1所示，本实施例提供了一种基于谱稀疏约束非负矩阵分解的直升机声信号增强方法，包括：
步骤S1：采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱。
步骤S2：采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱。
步骤S3：结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。
通过该基于谱稀疏约束非负矩阵分解的直升机声信号增强方法，能够从复杂背景噪声中抽取出质量较高的目标信号，可作为目标检测、定向与识别的前端处理，通过对实际数据的处理，对复杂背景噪声的抑制能力可达到 15dB以上，从而大大提升了直升机目标声信号的信噪比，进一步可提高系统目标探测距离、方位估计精度和目标识别准确率。
在本实施例中，在步骤S1中，采用非负矩阵分解方法(Nonnegative MatrixFactorization，NMF)对所述噪声时频幅度谱进行字典学习。
在本实施例中，步骤S1包括：
在典型应用环境录制一定时长的背景噪声波形，并采用按间隔抽点的方式将噪声信号降采样，以与直升机声信号的采样频率相匹配；
对采集到的噪声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得噪声时频幅度谱。
在本实施例中，步骤S2包括：
对采集到的带噪直升机声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得带噪直升机信号时频幅度谱。
本实施例还提供了一种基于谱稀疏约束非负矩阵分解的直升机声信号增强装置，包括：
离线字典学习模块10，用于采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱；
信号增强模块20，用于采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱；
目标信号获取模块30，用于结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。
通过该基于谱稀疏约束非负矩阵分解的直升机声信号增强装置，能够从复杂背景噪声中抽取出质量较高的目标信号，可作为目标检测、定向与识别的前端处理，通过对实际数据的处理，对复杂背景噪声的抑制能力可达到 15dB以上，从而大大提升了直升机目标声信号的信噪比，进一步可提高系统目标探测距离、方位估计精度和目标识别准确率。
在本实施例中，离线字典学习模块10采用非负矩阵分解方法 (NonnegativeMatrix Factorization，NMF)对所述噪声时频幅度谱进行字典学习。
在本实施例中，离线字典学习模块10在典型应用环境录制一定时长的背景噪声波形，并采用按间隔抽点的方式将噪声信号降采样，以与直升机声信号的采样频率相匹配；
对采集到的噪声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得噪声时频幅度谱。
在本实施例中，信号增强模块20对采集到的带噪直升机声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得带噪直升机信号时频幅度谱。
下面对本发明作进一步详细说明。
本发明利用NMF方法在时频域分别对噪声和信号的特征进行字典学习，带噪信号的时频幅度谱可由信号字典和噪声字典的组合表示，保留信号部分进行重构可获得增强的目标信号。首先，在典型应用环境采集一定时长的纯背景噪声，利用普通NMF方法对噪声时频幅度谱进行离线字典学习；然后，固定噪声字典矩阵，信号字典矩阵则对带噪信号时频幅度谱在线学习，并对学习到的字典施加谱稀疏约束以突出直升机目标信号中的离散谐波部分(直升机信号谱为离散谐波谱和连续宽带谱的检测，其中前者是目标检测、定向与识别所利用的信号分量，因此也是信号增强所关心的部分。因此，可在字典学习过程中施加谱稀疏约束，从而可增强直升机信号中的谐波分量)，该方法可称为谱稀疏约束非负矩阵分解(Spectral Sparseness Constrained Nonnegative Matrix Factorization，简记为SSCNMF)；最后，保留信号部分的时频幅度谱，并结合带噪信号的相位，通过短时傅里叶逆变换重建目标声信号。具体流程如下：
1、噪声字典学习
1)在典型应用环境利用声音采集设备录制一定时长(如20min)的背景噪声波形，并采用按一定间隔抽点的方式将噪声信号降采样为1024Hz，以与直升机声信号的采样频率相匹配。
2)对采集到的噪声信号n(t)分帧、加Hamming窗，窗长取256点(对应 0.25s)，帧间重叠50％，然后对每个短时窗信号进行256点傅里叶变换，获得时频幅度谱|N(f,t)|。窗长的选择同时考虑了直升机声信号的线谱分辨率和环境噪声的短时非平稳特性。
3)采用非负矩阵分解方法对噪声时频幅度谱进行字典学习。NMF将已知非负矩阵X(此处为时频幅度谱|N(f,t)|)，寻找一种分解方法，使其近似等于两个非负矩阵D和C的乘积，即
X≈Λ＝D·C (1)
式中，和矩阵D为字典矩阵(Dictionarymatrix)，其列向量为基向量，描述不同谱模式，矩阵X中的列向量即是由矩阵D里面的基向量线性组合构成；矩阵C称之为编码矩阵(code matrix)，包含了由基向量构建矩阵X的组合方式。由于具有幅度不变性，音频应用中经常将KL散度准则作为矩阵分解的目标函数：
字典矩阵D和编码矩阵C依据乘法更新规则(multiplicative updating rule) 循环迭代获得：对于需要估计的参数θ，其迭代公式为其中即代表表达式中正的部分，代表表达式中负的部分。依据上述方法很容易推导得到矩阵C和D的迭代公式：
上式中.*和./分别代表两矩阵元素间的相乘和相乘，I是与X同大小、元素全部为1的矩阵。
对目标函数收敛性的判断一般可以通过计算目标函数的相对变化比值来完成，如果目标函数相对变化比值ε小于阈值，则可认为目标函数收敛[13]，如下式：
根据经验，取ε＝10-3。
利用NMF算法可学习得到噪声字典矩阵，其算法流程如下：
a)取字典个数R为个，n0值根据实验效果确定，这里取n0＝5；通过[0,1] 均值分布噪声初始化和进一步对矩阵D的每个基关于 L1范数归一化；对Cost(0)取较大的正实数，并根据公式(2)计算Cost(1)；
b)n＝1；
c)
d)n＝n+1；
e)根据式(3)和(4)更新矩阵C和D；
f)根据公式(2)计算Cost(n)；
g)end while；
h)输出矩阵C和D。
以背景噪声时频幅度谱|N(f,t)|为输入，可学习得到噪声字典矩阵，以表示Dn。
2、直升机信号增强
1)对采集到的带噪直升机声信号x(t)分帧、加窗，加Hamming窗，窗长取256点(对应0.25s)，帧间重叠50％，然后对每个短时窗信号进行256 点傅里叶变换，获得时频幅度谱|X(f,t)|(下面简记为X)和相位谱∠X(f,t)。
2)利用SSCNMF算法估计直升机声信号时频谱。假设环境噪声n(t)是加性噪声，且与目标信号s(t)不相关，则带噪目标信号x(t)可表示为：
x(t)＝s(t)+n(t) (6)
对带噪信号进行STFT，并可将其分成纯净目标信号和噪声两部分：
X＝|STFT(x(t))| (7)
式中，X为带噪信号短时幅度谱；S、W分别为纯净目标信号和噪声短时幅度谱；Ds、Cs表示纯净信号的基矩阵和编码矩阵，而Dn、Cn则表示噪声基矩阵和目标信号。如果可以分离出属于目标信号部分，通过他们的乘积：
使其还原出纯净目标信号，达到环境噪声抑制的目的。
SSCNMF算法对学习的直升机信号字典的每个谱模式施加稀疏约束，以突出线谱分量，此时代价函数包含KL散度和谱稀疏约束之和：
Cost＝CostKL+λ·CostSS (10)
式中，M为矩阵X的行数(即频点数)，Rs为信号字典Ds基个数。λ为谱稀疏约束系数，根据实验数据处理，可取λ＝0.1。CostSS表示为字典Ds每个元素的值与其方差的值指标，由于Ds关于L1范数进行归一化，因而其方差越大其值越小，对于其离散程度越高。
保持Dn固定，其他参数Cn、Cs和Ds的迭代公式同样依据乘法更新规则推导得到：
利用SSCNMF方法估计信号时频幅度谱，算法步骤如下:
a)确定信号字典基个数Rs，可取与噪声信号相同的个数；通过[0,1]均值分布噪声初始化Cn、Cs和Ds，Ds进一步关于其L1范数归一化；对Cost(0)取较大的正实数，并根据公式(10)计算Cost(1)；
b)n＝1；
c)
d)n＝n+1；
e)根据式(13)～(19)更新矩阵Cn、Cs和Ds；
f)根据公式(10)计算Cost(n)；
g)end while；
h)输出矩阵
3)结合估计得到的信号幅度谱以及原始信号的相位∠X(f,t)，通过短时傅里叶逆变换得到增强的目标直升机信号
通过该直升机升信号增强方法，能够从复杂背景噪声中抽取出质量较高的目标信号，可作为目标检测、定向与识别的前端处理。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (8)
1.一种直升机声信号增强方法，其特征在于，包括：
步骤一：采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱；
步骤二：采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱；
步骤三：结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。
2.根据权利要求1所述的直升机声信号增强方法，其特征在于，在所述步骤一中，采用非负矩阵分解方法对所述噪声时频幅度谱进行字典学习。
3.根据权利要求1所述的直升机声信号增强方法，其特征在于，所述步骤一包括：
在典型应用环境录制一定时长的背景噪声波形，并采用按间隔抽点的方式将噪声信号降采样，以与直升机声信号的采样频率相匹配；
对采集到的噪声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得噪声时频幅度谱。
4.根据权利要求1所述的直升机声信号增强方法，其特征在于，所述步骤二包括：
对采集到的带噪直升机声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得带噪直升机信号时频幅度谱。
5.一种直升机声信号增强装置，其特征在于，包括：
离线字典学习模块，用于采集典型应用环境下的背景噪声信号作为噪声训练数据，对噪声时频幅度谱进行离线字典学习，得到用信号字典矩阵和噪声字典矩阵组合表示的带噪信号时频幅度谱；
信号增强模块，用于采集带噪直升机信号，固定所述噪声字典矩阵，通过所述信号字典矩阵对带噪直升机信号时频幅度谱进行在线字典学习，并对学习到的直升机信号字典施加谱稀疏约束，通过估计得到直升机信号时频幅度谱；
目标信号获取模块，用于结合带噪直升机信号的相位及估计得到的直升机信号时频幅度谱，通过逆变换得到增强的目标直升机信号。
6.根据权利要求5所述的直升机声信号增强装置，其特征在于，所述离线字典学习模块采用非负矩阵分解方法对所述噪声时频幅度谱进行字典学习。
7.根据权利要求5所述的直升机声信号增强装置，其特征在于，所述离线字典学习模块在典型应用环境录制一定时长的背景噪声波形，并采用按间隔抽点的方式将噪声信号降采样，以与直升机声信号的采样频率相匹配；
对采集到的噪声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得噪声时频幅度谱。
8.根据权利要求5所述的直升机声信号增强装置，其特征在于，所述信号增强模块对采集到的带噪直升机声信号分帧、加窗，对每个短时窗信号进行傅里叶变换，获得带噪直升机信号时频幅度谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530261.9A CN109658944B (zh) | 2018-12-14 | 2018-12-14 | 直升机声信号增强方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530261.9A CN109658944B (zh) | 2018-12-14 | 2018-12-14 | 直升机声信号增强方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109658944A true CN109658944A (zh) | 2019-04-19 |
| CN109658944B CN109658944B (zh) | 2020-08-07 |
Family
ID=66114323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811530261.9A Active CN109658944B (zh) | 2018-12-14 | 2018-12-14 | 直升机声信号增强方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109658944B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113017640A (zh) * | 2021-02-23 | 2021-06-25 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种心磁信号背景噪声s变换域去除方法及系统 |
| CN113823305A (zh) * | 2021-09-03 | 2021-12-21 | 深圳市芒果未来科技有限公司 | 一种音频中节拍器噪声抑制方法及系统 |
| CN114757242A (zh) * | 2022-06-16 | 2022-07-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915742A (zh) * | 2012-10-30 | 2013-02-06 | 中国人民解放军理工大学 | 基于低秩与稀疏矩阵分解的单通道无监督语噪分离方法 |
| CN103559888A (zh) * | 2013-11-07 | 2014-02-05 | 航空电子系统综合技术重点实验室 | 基于非负低秩和稀疏矩阵分解原理的语音增强方法 |
| CN103871423A (zh) * | 2012-12-13 | 2014-06-18 | 上海八方视界网络科技有限公司 | 一种基于nmf非负矩阵分解的音频分离方法 |
| US20150380014A1 (en) * | 2014-06-25 | 2015-12-31 | Thomson Licensing | Method of singing voice separation from an audio mixture and corresponding apparatus |
| CN105336340A (zh) * | 2015-09-30 | 2016-02-17 | 中国电子科技集团公司第三研究所 | 一种用于低空目标声探测系统的风噪抑制方法和装置 |
| CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
-
2018
- 2018-12-14 CN CN201811530261.9A patent/CN109658944B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915742A (zh) * | 2012-10-30 | 2013-02-06 | 中国人民解放军理工大学 | 基于低秩与稀疏矩阵分解的单通道无监督语噪分离方法 |
| CN103871423A (zh) * | 2012-12-13 | 2014-06-18 | 上海八方视界网络科技有限公司 | 一种基于nmf非负矩阵分解的音频分离方法 |
| CN103559888A (zh) * | 2013-11-07 | 2014-02-05 | 航空电子系统综合技术重点实验室 | 基于非负低秩和稀疏矩阵分解原理的语音增强方法 |
| US20150380014A1 (en) * | 2014-06-25 | 2015-12-31 | Thomson Licensing | Method of singing voice separation from an audio mixture and corresponding apparatus |
| CN105336340A (zh) * | 2015-09-30 | 2016-02-17 | 中国电子科技集团公司第三研究所 | 一种用于低空目标声探测系统的风噪抑制方法和装置 |
| CN105550636A (zh) * | 2015-12-04 | 2016-05-04 | 中国电子科技集团公司第三研究所 | 一种目标类型识别的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| TATSUYA KOMATSU等: "ACOUSTIC EVENT DETECTION BASED ON NON-NEGATIVE MATRIX FACTORIZATION", 《ICASSP 2016》 * |
| 胡永刚等: "改进的非负矩阵分解语音增强算法", 《信号处理》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113017640A (zh) * | 2021-02-23 | 2021-06-25 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种心磁信号背景噪声s变换域去除方法及系统 |
| CN113017640B (zh) * | 2021-02-23 | 2024-06-04 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种心磁信号背景噪声s变换域去除方法及系统 |
| CN113823305A (zh) * | 2021-09-03 | 2021-12-21 | 深圳市芒果未来科技有限公司 | 一种音频中节拍器噪声抑制方法及系统 |
| CN114757242A (zh) * | 2022-06-16 | 2022-07-15 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于循环维纳滤波的直升机噪声增强方法以及检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109658944B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712611B (zh) | 联合模型训练方法及系统 | |
| Chen | Fast dictionary learning for noise attenuation of multidimensional seismic data | |
| CN110148420A (zh) | 一种适用于噪声环境下的语音识别方法 | |
| CN109658944A (zh) | 直升机声信号增强方法及装置 | |
| CN106340292A (zh) | 一种基于连续噪声估计的语音增强方法 | |
| Talmon et al. | Single-channel transient interference suppression with diffusion maps | |
| CN110164465B (zh) | 一种基于深层循环神经网络的语音增强方法及装置 | |
| Wang et al. | Deep learning assisted time-frequency processing for speech enhancement on drones | |
| CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
| Xie et al. | Reverberant blind separation of heart and lung sounds using nonnegative matrix factorization and auxiliary function technique | |
| Xu et al. | U-former: Improving monaural speech enhancement with multi-head self and cross attention | |
| Kantamaneni et al. | Speech enhancement with noise estimation and filtration using deep learning models | |
| Indrebo et al. | Minimum mean-squared error estimation of mel-frequency cepstral coefficients using a novel distortion model | |
| Hoffmann et al. | Using information theoretic distance measures for solving the permutation problem of blind source separation of speech signals | |
| Mitianoudis | Audio source separation using independent component analysis | |
| Pardede et al. | Generalized-log spectral mean normalization for speech recognition | |
| KR101802444B1 (ko) | 독립 벡터 분석 및 반향 필터 재추정을 이용한 베이시안 특징 향상에 의한 강인한 음성 인식 장치 및 방법 | |
| Gantayat et al. | An efficient direction‐of‐arrival estimation of multipath signals with impulsive noise using satin bowerbird optimization‐based deep learning neural network | |
| Astudillo et al. | Integration of DNN based speech enhancement and ASR | |
| CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
| Hu et al. | Multi-channel post-filtering based on spatial coherence measure | |
| Abdulla et al. | Improving time–frequency sparsity for enhanced audio source separation in degenerate unmixing estimation technique algorithm | |
| Liang | Enhanced independent vector analysis for audio separation in a room environment | |
| CN106249204B (zh) | 基于鲁棒自适应盲系统辨识的多通道时延估计方法 | |
| Li et al. | Noise reduction of ship-radiated noise based on noise-assisted bivariate empirical mode decomposition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |