CN110263876B - 一种雨声信号降噪处理方法和系统 - Google Patents
一种雨声信号降噪处理方法和系统 Download PDFInfo
- Publication number
- CN110263876B CN110263876B CN201910566197.8A CN201910566197A CN110263876B CN 110263876 B CN110263876 B CN 110263876B CN 201910566197 A CN201910566197 A CN 201910566197A CN 110263876 B CN110263876 B CN 110263876B
- Authority
- CN
- China
- Prior art keywords
- sound signal
- signals
- rain
- sound
- signal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种雨声信号降噪处理方法,包括:采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号;基于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号的雨声分离子系统,从实时声音信号中分离出不含环境音信号的雨声信号;所述环境音信号包括第一环境音信号和第二环境音信号。本发明采用独立成分分析算法(ICA)中的固定点算法(FastICA)算法,创建雨声分离子系统,优化分离矩阵参数,将降雨时的实时声音信号导入雨声分离子系统,剔除环境音信号,导出较为纯净的雨声信号,再根据导出的雨声信号频谱判断雨量等级。
Description
技术领域
本发明涉及雨声信号处理技术领域,具体而言涉及一种雨声信号降噪处理方法和系统。
背景技术
降水在地球水循环中扮演着至关重要的角色,降水量的大小直接影响全球大气水文系统的平衡。我国气候多样,尤其以季风性气候为显著特点,经常突发暴雨气候,除西北个别省份之外的其他区域基本都会出现暴雨天气。因此,暴雨已经成为我国主要的天气灾害。每年4至10月的汛期使我国经济蒙受巨大的损失。降水量的测量在当今气象学和水文学中起着至关重要的作用,一般把雨量计作为测量工具。市面上多见的为虹吸式雨量计、称重式雨量计和翻斗式雨量计等直接测量的雨量计。这两种雨量计对环境要求比较严苛,除了在风力过大时无法进行测量以外,如遇上温度低于0摄氏度的天气时,虹吸式雨量计和翻斗式雨量计的漏斗内容易结冰形成堵塞,导致测量结果误差过大。因为需要收集雨水来进行测量的原因,这些雨量计需要直接置于室外,在青海等地处高原又有着大片无人区域的省份,人工校准和维护变得困难。
国内外在摄像法、雷达、光学法等领域不断探索降水方法技术并逐步成熟。在声学领域中,2012年Trono,EM等利用声学传感器监测雨量,将数据上传Web服务器,当测定数值大于安全阈值触发手机短信服务(SMS)警报,并且设计并测试了基于Arduino的传感器可替代低成本降雨声学传感器;2017年Carol Bedoya等人通过声音记录来推断降雨水平,这种算法基于对功率谱的平均值和信噪比的估计来测量降水量;2010年,刘贞文等根据雨声谱的不同特征与最小二乘法和非线性方法结合,在不同频段中利用不同的模型反演出睡眠降水的强度。新型有效的雨量测量方法仍为学界关注。自然界中的雨声信号一般混杂着其他声音信号,所以去除这些噪声以获得纯净信号成为首要问题。
发明内容
本发明目的在于提供一种雨声信号降噪处理方法和系统,采用独立成分分析算法(ICA)中的固定点算法(FastICA)算法,创建雨声分离子系统,优化分离矩阵参数,将降雨时的实时声音信号导入雨声分离子系统,剔除环境音信号,导出较为纯净的雨声信号,再根据导出的雨声信号频谱判断雨量等级。
为达成上述目的,结合图1,本发明提出一种雨声信号降噪处理方法,所述方法包括:
采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号;
基于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号的雨声分离子系统,从实时声音信号中分离出不含环境音信号的雨声信号;所述环境音信号包括第一环境音信号和第二环境音信号;
其中,采用固定点算法以构建雨声分离子系统,构建方法包括以下步骤:
S1:采集若干个雨声信号、第一环境音信号、第二环境音信号;
S2:结合若干个雨声信号、第一环境音信号、第二环境音信号和随机矩阵Aj,计算以得到若干组观测信号,每组观测信号包括三个混合信号,每个混合信号均包含有不同分量的雨声信号、第一环境音信号、第二环境音信号;
S3:将一部分观测信号和对应的原始信号作为训练样本,其他观测信号和对应的原始信号作为测试样本;
S4:构建雨声分离子系统,依次选择训练样本,导入雨声分离子系统,采用固定点算法对导入的训练样本进行盲源分离处理,以将观测信号中的雨声信号、第一环境音信号、第二环境音信号分离出来,优化雨声分离子系统的分离矩阵wi参数,直至雨声分离子系统对测试样本的分离成功率达到预设成功率阈值。
进一步的实施例中,所述第一环境音信号为雷声信号,所述第二环境音信号为鸟鸣声信号。
进一步的实施例中,步骤S2中,所述结合若干个雨声信号、第一环境音信号、第二环境音信号和随机矩阵H,计算以得到若干组观测信号的过程包括以下步骤:
S21:任意选择其中一组雨声信号、第一环境音信号、第二环境音信号,组合成3*n的第一混合信号矩阵S1;
S22:随机生成一个3*3的随机矩阵H,将3*3的随机矩阵H与3*n的第一混合信号矩阵相乘以得到3*n的第二混合信号矩阵S2;
S23:逐行输出第二混合信号矩阵S2的数据以生成三个混合信号,将三个混合信号作为一组观测信号;
S24:重复步骤S22至步骤S23,直至生成的观测信号的数量达到设定数量阈值;
所述n为大于等于1的正整数。
进一步的实施例中,步骤S4中,所述依次选择训练样本,导入雨声分离子系统,采用固定点算法对导入的训练样本进行盲源分离处理,以将观测信号中的雨声信号、第一环境音信号、第二环境音信号分离出来,优化雨声分离子系统的分离矩阵wi参数的过程包括以下步骤:
S41:选择其中一个训练样本,对训练样本中的观测信号进行去均值中心化处理和信号数据白化预处理;
S42:设置迭代次数k,k的初始值为1;
S43:选择初始矩阵wi(k)作为分离矩阵;
S44:迭代次数k加1,k=k+1;
S45:根据下述公式以更新wi的值:
其中,E[·]为数学期望,G为非线性函数,z为观测信号经过去均值和白化后得到的信号,λ为常数;
S46:根据下述公式以归一化wi(k):
S47:判断wi(k)是否使固定点算法收敛,如果固定点算法收敛,当前迭代终止,输出当前向量wi(k);否则,返回步骤S44,继续迭代。
进一步的实施例中,步骤S1中,所述若干个雨声信号包括不同雨量等级的雨声信号。
进一步的实施例中,所述方法还包括:
根据分离出不含第一环境音信号和第二环境音信号的雨声信号的频谱,判断雨量等级。
基于前述方法,本发明还提及一种雨声信号降噪处理系统,所述系统包括信号采集模块和雨声分离子系统;
所述信号采集模块用于采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号;
所述雨声分离子系统用于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号,从实时声音信号中分离出不含第一环境音信号和第二环境音信号的雨声信号,包括:
(1)样本获取单元,用于创建若干组观测信号,每组观测信号包括三个混合信号,每个混合信号均包含有不同分量的雨声信号、第一环境音信号、第二环境音信号;
(2)模型构建单元,基于统计学理论,结合训练样本、测试样本,采用固定点算法以构建雨声分离子系统,优化雨声分离子系统的分离矩阵wi参数,直至雨声分离子系统对测试样本的分离成功率达到预设成功率阈值;
(3)环境音剔除单元,用于从混合声音信号中剔除第一环境音信号、第二环境音信号。
以上本发明的技术方案,与现有相比,其显著的有益效果在于,
(1)利用FastICA算法对混合雨声信号进行降噪处理,得到较为纯净的雨声信号,与主成分分析(PCA)算法相对比,在信噪比SNR方面,FastICA在分离后均提高了,在中、小雨声信号中更是增加了两位数的分贝数,而PCA仅在处理小雨雨声信号时信噪比有所增加,其余反而加重了噪声;均方根误差RMSE方面,PCA在处理中、小雨声信号时,偏离程度除大雨雨声信号稍低外,其余均比FastICA大。由FastICA分离后的的PI性能指标来看,分离效果达到理想状态,满足盲源分离需求。
(2)随机抽取雨声信号、环境音信号组成原始信号组,采用随机矩阵对原始信号组进行处理,以生成大量样本数据,优化雨声分离子系统。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的雨声信号降噪处理方法的流程图。
图2是本发明的雷声信号、鸟鸣声信号示意图。
图3是本发明的三种雨声信号示意图。
图4是本发明的大雨雨声混合信号示意图。
图5是本发明的中雨雨声混合信号示意图。
图6是本发明的小雨雨声混合信号示意图。
图7是本发明的大雨雨声解混信号示意图。
图8是本发明的中雨雨声解混信号示意图。
图9是本发明的小雨雨声解混信号示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
结合图1,本发明提出一种雨声信号降噪处理方法,所述方法包括:
采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号。
基于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号的雨声分离子系统,从实时声音信号中分离出不含环境音信号的雨声信号;所述环境音信号包括第一环境音信号和第二环境音信号。
进一步的实施例中,所述方法还包括:
根据分离出不含第一环境音信号和第二环境音信号的雨声信号的频谱,判断雨量等级。
其中,采用固定点算法以构建雨声分离子系统,构建方法包括以下步骤:
S1:采集若干个雨声信号、第一环境音信号、第二环境音信号。优选的,所述若干个雨声信号包括不同雨量等级的雨声信号,以便于后续系统自动判断或用户人工判断雨量等级。
S2:结合若干个雨声信号、第一环境音信号、第二环境音信号和随机矩阵Aj,计算以得到若干组观测信号,每组观测信号包括三个混合信号,每个混合信号均包含有不同分量的雨声信号、第一环境音信号、第二环境音信号。
S3:将一部分观测信号和对应的原始信号作为训练样本,其他观测信号和对应的原始信号作为测试样本。
S4:构建雨声分离子系统,依次选择训练样本,导入雨声分离子系统,采用固定点算法对导入的训练样本进行盲源分离处理,以将观测信号中的雨声信号、第一环境音信号、第二环境音信号分离出来,优化雨声分离子系统的分离矩阵wi参数,直至雨声分离子系统对测试样本的分离成功率达到预设成功率阈值。
步骤S2中,所述结合若干个雨声信号、第一环境音信号、第二环境音信号和随机矩阵H,计算以得到若干组观测信号的过程包括以下步骤:
S21:任意选择其中一组雨声信号、第一环境音信号、第二环境音信号,组合成3*n的第一混合信号矩阵S1。
S22:随机生成一个3*3的随机矩阵H,将3*3的随机矩阵H与3*n的第一混合信号矩阵相乘以得到3*n的第二混合信号矩阵S2。
S23:逐行输出第二混合信号矩阵S2的数据以生成三个混合信号,将三个混合信号作为一组观测信号。
S24:重复步骤S22至步骤S23,直至生成的观测信号的数量达到设定数量阈值。
所述n为大于等于1的正整数。
通过前述方法可以结合有限的声音信号混合出大量的样本数据,用于构建雨声分离子系统以及对雨声分离子系统进行优化。
例如,假设所述第一环境音信号为雷声信号,所述第二环境音信号为鸟鸣声信号,应当理解,第一环境音信号和第二环境音信号不限于这一种,可以根据具体应用场景做调整,甚至引入更多种的环境音信号。
a1为雷声信号,a2为雨声信号,a3为鸟鸣声信号,均为1*57880的矩阵,将a1、a2、a3组合成一个3*57880的第一混合信号矩阵S1,随机生成一个3*3的随机矩阵H,将3*3的随机矩阵H与3*n的第一混合信号矩阵相乘以得到3*n的第二混合信号矩阵S2,混合后的矩阵S2同样是一个3*57880的矩阵。
将第二混合信号矩阵S2的每一行分别输出作图,最终形成三个混合信号,将三个混合信号作为一组观测信号,进行盲源分离实验。
随机矩阵H的作用是将不同分量的雷声信号、雨声信号和鸟鸣声信号组合成三个混合信号,例如,生成的观测信号包括第一混合信号、第二混合信号、第三混合信号,其中第一混合信号包括10%的雷声信号、30%的雨声信号和50%的鸟鸣声信号,第二混合信号包括40%的雷声信号、30%的雨声信号和20%的鸟鸣声信号,第三混合信号包括50%的雷声信号、40%的雨声信号和30%的鸟鸣声信号。当随机矩阵发生变化时,生成的观测信号中每个混合信号所包含的雷声信号、雨声信号和鸟鸣声信号的分量也不相同。由此,对于同一组雷声信号、雨声信号和鸟鸣声信号,即可以生成若干组观测信号。
当具有若干个雷声信号、雨声信号和鸟鸣声信号时,可以根据排列组合方式随机选择其中三个雷声信号、雨声信号和鸟鸣声信号,组成原始信号组,再结合前述随机矩阵,皆可以根据有限的雷声信号、雨声信号和鸟鸣声信号样本,获取大量观测信号组。
进一步的实施例中,步骤S4中,所述依次选择训练样本,导入雨声分离子系统,采用固定点算法对导入的训练样本进行盲源分离处理,以将观测信号中的雨声信号、第一环境音信号、第二环境音信号分离出来,优化雨声分离子系统的分离矩阵wi参数的过程包括以下步骤:
S41:选择其中一个训练样本,对训练样本中的观测信号进行去均值中心化处理和信号数据白化预处理。去均值中心化处理可以有效减少算法计算量,信号数据白化预处理则可以有效降低数据的冗余度,消除数据的相关性,提高算法效率。
S42:设置迭代次数k,k的初始值为1。
S43:选择初始矩阵wi(k)作为分离矩阵。
S44:迭代次数k加1,k=k+1。
S45:根据下述公式以更新wi的值:
其中,E[·]为数学期望,G为非线性函数,z为观测信号经过去均值和白化后得到的信号,λ为常数。
S46:根据下述公式以归一化wi(k):
S47:判断wi(k)是否使固定点算法收敛,如果固定点算法收敛,当前迭代终止,输出当前向量wi(k);否则,返回步骤S44,继续迭代。即分离算法的终止条件为:算法是否收敛。如果算法收敛,当前迭代终止,输出当前向量wi;反之,则继续进行迭代。
以所述第一环境音信号为雷声信号,所述第二环境音信号为鸟鸣声信号为例对前述方法所提及的雨声分离子系统进行测试,利用固定点(FastICA)算法对含有雨声信号的混合信号在MATLAB工具中进行盲源分离(BSS)仿真实验。测试过程为,输入一路雨声信号与两路环境声音信号,与随机矩阵进行混合成观测信号,在完成去均值与预白化的预处理之后,将观测信号运用基于FastICA算法的雨声分离子系统进行分离实验。
图2是其中一种雷声信号、鸟鸣声信号示意图。图3是三种雨声信号示意图,分别为大雨、中雨、小雨三种雨量等级的雨声信号,以增加测试信号和测试过程的复杂程度和特征性。
图4至图6分别是采用任意一个随机矩阵与三组原始信号混合后生成的观测信号组。图7-图9分别是采用雨声分离子系统对观测信号组进行分离后获取的分离信号组,可以发现,分离信号组和原始信号一一对应,虽然幅值和原始信号由差别,但频谱结构相似,可以根据频谱结构清楚地判断出雨量等级。
研究表明,FastICA算法解混信号时收敛速度更稳定,在PI分离性能指标方面,使用FastICA分离出的雨声信号达到了10-2级别,达到了盲源分离需求。FastICA算法无论在处理大、中、小,哪一类雨声信号时,都可以达到比较好的分离效果,在雨声信号去噪方面,有比价好的应用价值。
基于前述方法,本发明还提及一种雨声信号降噪处理系统,所述系统包括信号采集模块和雨声分离子系统。
所述信号采集模块用于采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号。
所述雨声分离子系统用于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号,从实时声音信号中分离出不含第一环境音信号和第二环境音信号的雨声信号,包括:
(1)样本获取单元,用于创建若干组观测信号,每组观测信号包括三个混合信号,每个混合信号均包含有不同分量的雨声信号、第一环境音信号、第二环境音信号。
(2)模型构建单元,基于统计学理论,结合训练样本、测试样本,采用固定点算法以构建雨声分离子系统,优化雨声分离子系统的分离矩阵wi参数,直至雨声分离子系统对测试样本的分离成功率达到预设成功率阈值。
(3)环境音剔除单元,用于从混合声音信号中剔除第一环境音信号、第二环境音信号。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种雨声信号降噪处理方法,其特征在于,所述方法包括:
采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号;
基于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号的雨声分离子系统,从实时声音信号中分离出不含环境音信号的雨声信号;所述环境音信号包括第一环境音信号和第二环境音信号;
其中,采用固定点算法以构建雨声分离子系统,构建方法包括以下步骤:
S1:采集若干个雨声信号、第一环境音信号、第二环境音信号;
S2:结合若干个雨声信号、第一环境音信号、第二环境音信号和随机矩阵Aj,计算以得到若干组观测信号,每组观测信号包括三个混合信号,每个混合信号均包含有不同分量的雨声信号、第一环境音信号、第二环境音信号;
所述结合若干个雨声信号、第一环境音信号、第二环境音信号和随机矩阵Aj,计算以得到若干组观测信号的过程包括以下步骤:
S21:任意选择其中一组雨声信号、第一环境音信号、第二环境音信号,组合成3*n的第一混合信号矩阵S1;
S22:随机生成一个3*3的随机矩阵Aj,将3*3的随机矩阵Aj与3*n的第一混合信号矩阵相乘以得到3*n的第二混合信号矩阵S2;
S23:逐行输出第二混合信号矩阵S2的数据以生成三个混合信号,将三个混合信号作为一组观测信号;
S24:重复步骤S22至步骤S23,直至生成的观测信号的数量达到设定数量阈值;
所述n为大于等于1的正整数;
S3:将一部分观测信号和对应的原始信号作为训练样本,其他观测信号和对应的原始信号作为测试样本;
S4:构建雨声分离子系统,依次选择训练样本,导入雨声分离子系统,采用固定点算法对导入的训练样本进行盲源分离处理,以将观测信号中的雨声信号、第一环境音信号、第二环境音信号分离出来,优化雨声分离子系统的分离矩阵wi参数,直至雨声分离子系统对测试样本的分离成功率达到预设成功率阈值。
2.根据权利要求1所述的雨声信号降噪处理方法,其特征在于,所述第一环境音信号为雷声信号,所述第二环境音信号为鸟鸣声信号。
3.根据权利要求1所述的雨声信号降噪处理方法,其特征在于,步骤S4中,所述依次选择训练样本,导入雨声分离子系统,采用固定点算法对导入的训练样本进行盲源分离处理,以将观测信号中的雨声信号、第一环境音信号、第二环境音信号分离出来,优化雨声分离子系统的分离矩阵wi参数的过程包括以下步骤:
S41:选择其中一个训练样本,对训练样本中的观测信号进行去均值中心化处理和信号数据白化预处理;
S42:设置迭代次数k,k的初始值为1;
S43:选择初始矩阵wi(k)作为分离矩阵;
S44:迭代次数k加1,k=k+1;
S45:根据下述公式以更新wi的值:
其中,E[·]为数学期望,G为非线性函数,z为观测信号经过去均值和白化后得到的信号,λ为常数;
S46:根据下述公式以归一化wi(k):
S47:判断wi(k)是否使固定点算法收敛,如果固定点算法收敛,当前迭代终止,输出当前向量wi(k);否则,返回步骤S44,继续迭代。
4.根据权利要求1所述的雨声信号降噪处理方法,其特征在于,步骤S1中,所述若干个雨声信号包括不同雨量等级的雨声信号。
5.根据权利要求1或者4所述的雨声信号降噪处理方法,其特征在于,所述方法还包括:
根据分离出不含第一环境音信号和第二环境音信号的雨声信号的频谱,判断雨量等级。
6.一种雨声信号降噪处理系统,其特征在于,所述系统包括:
信号采集模块,用于采集降雨时的实时声音信号,实时声音信号中至少包括实时雨声信号;
雨声分离子系统,用于从混合声音信号中剔除实时第一环境音信号、实时第二环境音信号,从实时声音信号中分离出不含第一环境音信号和第二环境音信号的雨声信号,包括:
样本获取单元,用于创建若干组观测信号,每组观测信号包括三个混合信号,每个混合信号均包含有不同分量的雨声信号、第一环境音信号、第二环境音信号,具体包括以下步骤:S21:任意选择其中一组雨声信号、第一环境音信号、第二环境音信号,组合成3*n的第一混合信号矩阵S1;S22:随机生成一个3*3的随机矩阵Aj,将3*3的随机矩阵Aj与3*n的第一混合信号矩阵相乘以得到3*n的第二混合信号矩阵S2;S23:逐行输出第二混合信号矩阵S2的数据以生成三个混合信号,将三个混合信号作为一组观测信号;S24:重复步骤S22至步骤S23,直至生成的观测信号的数量达到设定数量阈值;所述n为大于等于1的正整数;
模型构建单元,基于统计学理论,结合训练样本、测试样本,采用固定点算法以构建雨声分离子系统,优化雨声分离子系统的分离矩阵wi参数,直至雨声分离子系统对测试样本的分离成功率达到预设成功率阈值;
环境音剔除单元,用于从混合声音信号中剔除第一环境音信号、第二环境音信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566197.8A CN110263876B (zh) | 2019-06-27 | 2019-06-27 | 一种雨声信号降噪处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910566197.8A CN110263876B (zh) | 2019-06-27 | 2019-06-27 | 一种雨声信号降噪处理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263876A CN110263876A (zh) | 2019-09-20 |
CN110263876B true CN110263876B (zh) | 2023-06-30 |
Family
ID=67922192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566197.8A Active CN110263876B (zh) | 2019-06-27 | 2019-06-27 | 一种雨声信号降噪处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263876B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111276157B (zh) * | 2020-01-21 | 2023-06-27 | 清华大学 | 一种基于雨声的降雨强度识别、模型训练的方法及装置 |
CN112116922B (zh) * | 2020-09-17 | 2024-04-12 | 集美大学 | 一种噪声盲源信号分离方法、终端设备及存储介质 |
CN113311508A (zh) * | 2021-04-15 | 2021-08-27 | 泸州市气象局 | 一种利用声音识别天气过程的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103220314A (zh) * | 2012-01-19 | 2013-07-24 | 北京千橡网景科技发展有限公司 | 用于采集和获取雨量分布信息的方法和设备 |
CN106895906A (zh) * | 2017-03-23 | 2017-06-27 | 西安理工大学 | 一种水轮发电机组振动故障的特征提取方法 |
CN108648764B (zh) * | 2018-05-14 | 2021-06-01 | 南京信息工程大学 | 基于雨水敲击声识别的雨量测量系统及其测量方法 |
-
2019
- 2019-06-27 CN CN201910566197.8A patent/CN110263876B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110263876A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263876B (zh) | 一种雨声信号降噪处理方法和系统 | |
Zorita et al. | A survey of statistical downscaling techniques | |
CN106124449A (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN103278867B (zh) | 一种基于经验模态分解的自动气象站数据去噪方法 | |
CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
CN113378473A (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
Sivakumar et al. | Dynamics of monthly rainfall-runoff process at the Gota basin: A search for chaos | |
CN110969194A (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
Liu et al. | Estimating surface carbon fluxes based on a local ensemble transform Kalman filter with a short assimilation window and a long observation window: an observing system simulation experiment test in GEOS-Chem 10.1 | |
CN117197683A (zh) | 基于深度特征融合的乡村地区遥感影像碳排放估算系统 | |
Miller et al. | Biases in atmospheric CO 2 estimates from correlated meteorology modeling errors | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN111766210A (zh) | 一种近岸复杂海水硝酸盐氮多光谱测量方法 | |
CN116338819A (zh) | 一种水体溶解氧浓度预测系统 | |
CN116541681A (zh) | 一种基于协同克里金插值的复合灾害空间变异性识别方法 | |
CN116310771A (zh) | 一种耦合遥感的面源污染源识别方法 | |
CN115630612A (zh) | 一种基于vae与wgan的软件度量缺陷数据增广方法 | |
CN115526410A (zh) | 基于多参数空间滤波预测模型预测大气污染物数据的方法 | |
CN112380984B (zh) | 一种基于遥感的盐沼植被缓流能力空间评价方法 | |
CN114492944A (zh) | 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质 | |
CN109765614A (zh) | 一种地震前兆观测数据异常识别方法 | |
CN116681315B (zh) | 温室气体净排放的估算方法、装置、设备和存储介质 |
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 |