CN112466320A - 一种基于生成对抗网络的水声信号降噪方法 - Google Patents
一种基于生成对抗网络的水声信号降噪方法 Download PDFInfo
- Publication number
- CN112466320A CN112466320A CN202011453777.5A CN202011453777A CN112466320A CN 112466320 A CN112466320 A CN 112466320A CN 202011453777 A CN202011453777 A CN 202011453777A CN 112466320 A CN112466320 A CN 112466320A
- Authority
- CN
- China
- Prior art keywords
- signal
- generator
- noise
- training
- noise reduction
- 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 65
- 230000009467 reduction Effects 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000005236 sound signal Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000013508 migration Methods 0.000 claims description 25
- 230000005012 migration Effects 0.000 claims description 25
- 238000013499 data model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 7
- 102100026758 Serine/threonine-protein kinase 16 Human genes 0.000 abstract description 4
- 101710184778 Serine/threonine-protein kinase 16 Proteins 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000354 decomposition reaction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于生成对抗网络的水声信号降噪方法。该方法包括：训练阶段和测试阶段；训练阶段包括：将含噪信号训练集输入生成器中，得到生成器生成信号；将生成器生成信号和不含噪的目标信号分别与含噪信号拼接后，依次输入判决器中；判决器将含噪信号作为条件信息，对同时输入的另一个输入信号进行真假鉴别；计算判决结果与真实标签的误差，然后利用反向传播算法完成生成对抗网络的网络参数的更新和优化，并得到训练好的生成器模型；测试阶段包括：将待测水声信号输入至训练好的生成器模型，采用训练好的生成器模型的输出为降噪后的水声信号。本发明方法适用信号种类多，对MFSK、MPSK、OFDM、LFM和DSSS等常用水声通信信号均具有良好降噪效果。
Description
技术领域
本发明涉及信号降噪技术领域，尤其涉及一种基于生成对抗网络的水声信
号降噪方法。
背景技术
水声信号被动探测是水声信号处理领域的重要研究内容，在科学考察和海上救援等民事应用以及水下目标监视等军事应用中发挥重要作用。但是，由于海水的声吸收和海洋环境噪声的复杂多变，使得远距离、海洋环境噪声起伏多变条件下的水声信号被动探测能力明显下降。解决这一问题的核心是对接收信号进行降噪，研究既能保留有用信号本质特征又能有效降低环境噪声对有用信号影响的降噪方法，是提高水声信号探测性能的关键环节。
现有的水声信号降噪方法主要是基于信号处理的方法。对于高斯白噪声的降噪方法有基于奇异值分解的降噪方法、基于小波分解的降噪方法、基于经验模态分解和稀疏分解的降噪方法等。其中基于奇异值分解的水声信号降噪方法，对于中高信噪比条件比较有效，当信噪比较低时，难以通过奇异值大小来区分信号和噪声成分，且重构有效秩阶次的选取依赖经验知识。基于小波分解和经验模态分解的信号降噪方法性能受分解层数和阈值影响大，二者的选取依赖经验知识。文献1“周士贞,曾向阳,王璐.水声信号动态阈值正交匹配追踪降噪方法[J].声学技术,2017,36(4):378-382”中提出了一种基于稀疏分解的方法，要求找到合适的过完备原子库将信号转换到稀疏域，再通过一定的残差阈值滤除噪声成分，但当构造的稀疏分解字典不匹配时性能下降严重，且在低信噪比下算法性能不如小波分解。对于浅海脉冲噪声常用的降噪方法有消隐法、截断法等，如文献2“BarazidehR,SunW,Natarajan B,et al.Impulsive noise mitigation in underwater acousticcommunication systems:experimental studies[C].IEEE 9th Annual Computing andCommunication Workshop and Conference(CCWC),2019:880-885”主要通过非线性变换处理对脉冲的幅度进行抑制，在强脉冲和低信噪比条件下降噪性能有限，且非线性变换参数的选取依赖经验知识。
发明内容
针对现有的基于信号处理的降噪方法对低信噪比接收信号降噪能力有限，对于复杂海洋环境的适应能力不足，以及对领域知识和人为经验依赖性较强的问题，本发明提供一种基于生成对抗网络的水声信号降噪方法。
本发明提供的一种基于生成对抗网络的水声信号降噪方法，包括：训练阶段和测试阶段；其中：
所述训练阶段包括：将含噪信号训练集输入生成器中，得到生成器生成信号；将所述生成器生成信号和不含噪的目标信号分别与所述含噪信号拼接后，依次输入判决器中；所述判决器将所述含噪信号作为条件信息，对同时输入的另一个输入信号进行真假鉴别；计算判决结果与真实标签的误差，然后利用反向传播算法完成生成对抗网络的网络参数的更新和优化，并得到训练好的生成器模型；
所述测试阶段包括：将待测水声信号输入至所述训练好的生成器模型，采用所述训练好的生成器模型的输出为降噪后的水声信号。
进一步地，所述生成器的结构包括：由7个一维卷积层组成的编码器、3个一维扩张卷积层和由7个一维反卷积层组成的解码器；其中，采用残差连接分别将编码器中的各个卷积层与解码器中对应的各个反卷积层相连；在所述编码器、3个一维扩张卷积层和解码器中，除了解码器中的最后一个一维反卷积层外，其余各层输出之后均采用为0.1的LeakyReLU函数对输出进行非线性激活。
进一步地，所述判决器的结构包括：由浅层至深层依次连接的3个级联的步长卷积层、1个一维卷积层和1个单节点输出的全连接层；其中，3个所述步长卷积层采用与生成器相同的非线性激活函数对输入信号进行特征提取。
进一步地，在所述训练阶段中，生成器的总损失函数LG和判决器的总损失函数LD分别如公式(2)和公式(3)所示：
其中，G表示生成器，D表示判决器；LRS(G)和LRS(D)分别表示生成器和判决器中的相对判决损失函数；LL1(G)表示生成器中的一阶L1范数惩罚项；LGP(D)表示判决器中的梯度惩罚项；E表示取均值操作；xr为xs与xy构成的数据对(xs,xy)，xf为xG与xy构成的数据对(xG,xy)，其中，xs、xy和xG分别表示不含噪的目标信号、含噪信号和生成器生成信号，xG＝G(xy)；C表示判决器构成的非线性函数，σ为Sigmoid激活函数；P和Q分别表示xr和xf的概率分布；
表示xy与
的联合分布，其中，μ为0到1之间的随机实数。
进一步地，所述方法还包括：
构造包含发送信号且与目标水声信道具有相似分布的迁移数据模型；
利用所述迁移数据模型产生迁移数据训练集，利用所述迁移数据训练集对生成对抗网络进行预训练，待所述生成对抗网络的网络性能达到最优后，利用目标信道训练数据对判决器和生成器进行交叉迭代微调；所述交叉迭代微调是指在微调过程中依次微调判决器或生成器的最后3层的参数，同时冻结其余所有参数。
本发明的有益效果：
(1)本发明基于复杂海洋噪声环境的水声信号接收模型，建立适用于水声信号降噪的生成对抗网络，以及选用能够更好度量有用信号与生成信号分布差异特性的相对判决损失函数来对网络进行优化，提升了对复杂海洋背景噪声的降噪能力；
(2)针对不同海洋环境下水声信号数据稀缺，难以构成满足网络训练所需数据量的与待测信号数据具有相同分布的训练数据集的问题，本发明通过构造迁移数据模型，产生迁移数据训练集，并采用预训练+交叉微调的两步训练方法，实现小样本条件下对目标信号的有效降噪；
(3)本发明以水声接收信号时域波形为处理对象，降噪后保留了信号的本质特征信息，有利于直接对其进行检测、识别等后续环节处理；
(4)本发明方法适用信号种类多，对MFSK、MPSK、OFDM、LFM和DSSS等常用水声通信信号以及其它多类水声信号均具有良好降噪效果；
(5)对环境的适应性强，对低信噪比条件下高斯分布噪声和海洋脉冲噪声及水声多途信道影响均具有一定稳健性，且比现有方法降噪性能有所提升；
(6)对目标信道训练数据量要求低，在目标信道训练数据不足，甚至是缺失条件下，该方法仍然具有较强降噪能力。
附图说明
图1为本发明实施例提供的基于生成对抗网络的水声信号降噪方法的流程示意图；
图2为本发明实施例提供的生成器的结构示意图；
图3为本发明实施例提供的判决器的结构示意图；
图4为本发明实施例提供的迁移学习策略中的“预训练+交叉微调”的训练过程示意图；
图5为本发明实施例提供的训练信号样本数据结构示意图；
图6为本发明实施例提供的高斯噪声条件下不同方法降噪性能对比示意图；
图7为本发明实施例提供的Alpha稳定分布噪声条件下不同方法降噪性能对比示意图；
图8为本发明实施例提供的不同微调数据量降噪性能对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明实施例提供一种基于生成对抗网络的水声信号降噪方法，包括：训练阶段和测试阶段；其中：
所述训练阶段包括：将含噪信号训练集输入生成器中，得到生成器生成信号；将所述生成器生成信号和不含噪的目标信号分别与所述含噪信号拼接后，依次输入判决器中；所述判决器将所述含噪信号作为条件信息，对同时输入的另一个输入信号进行真假鉴别；计算判决结果与真实标签的误差，然后利用反向传播算法完成生成对抗网络的网络参数的更新和优化，并得到训练好的生成器模型；
所述测试阶段包括：将待测水声信号输入至所述训练好的生成器模型，采用所述训练好的生成器模型的输出为降噪后的水声信号。
具体地，水声信号在水声信道传输过程中会受到水声信道的相干多途影响以及海洋环境噪声的影响，因此，本发明实施例将接收信号建模为：
公式(1)中，y(t)表示接收信号，s(t)为发送信号，h(t)表示水声信道冲激响应，符号
表示卷积运算。为了能够反映复杂海洋背景噪声，本发明将噪声w(t)建模为Alpha稳定分布噪声。
生成对抗网络(GAN)包括生成器(Generator,G)和判决器(Discriminator,D)。在训练阶段中，生成器通过不断学习目标信号的概率分布，将输入信号的数据分布逐步映射成目标信号的数据分布，判决器则通过更新自身网络参数，不断优化完善其学习得到的判决准则，进而提升真假鉴别能力。同时，引入含噪信号作为作为不含噪的目标信号的条件信息，同时作为判决器的输入，使得判决器能够依据该条件信息对输入信号更好地鉴别，生成器也能够有针对性地生成数据，从而提升生成器生成信号与目标信号的匹配度。在训练阶段中，通过对图1中的生成器和判决器不断迭代训练，当训练完成后，该生成对抗网络的生成器则具备了将输入含噪信号映射成对应的无噪信号的能力。
实施例2
在上述实施例的基础上，本发明实施例提供了一种生成器的构造方式，如图2所示，该生成器的结构包括：由7个一维卷积层(Conv1～Conv7)组成的编码器、3个一维扩张卷积层(D-conv1～D-conv3)和由7个一维反卷积层(T-conv1～T-conv7)组成的解码器；其中，采用残差连接分别将编码器中的各个卷积层与解码器中对应的各个反卷积层相连；在所述编码器、3个一维扩张卷积层和解码器中，除了解码器中的最后一个一维反卷积层外，其余各层输出之后均采用为0.1的LeakyReLU函数对输出进行非线性激活。
具体地，编码器对输入信号不断压缩降维，逐步抛弃原始高维信号中无用或者冗余的信息，而信号本质有用信息将被保留并映射至低维变量，再通过扩张卷积层完成更大视野上的特征提取，加强了对信号细节信息的保留能力，最后通过解码器重构原始高维有用信号。
在实际应用中，对编码器中的各卷积层、扩张卷积层和解码器中的各反卷积层的相关参数需要进行适当设置。作为一种可实施方式，本实施中，如图2所示，各卷积层中，“s”、“c”和“k”分别表示卷积步长、卷积核数量以及卷积核长度。除T-conv7层外，各层(即包括编码器中的各卷积层、3个扩张卷积层、解码器中的其余6个反卷积层)输出之后均采用激活因子为0.1的Leaky ReLU函数对输出进行非线性激活。
综合考虑水声信号带宽和采样率，本实施例将网络的输入维度设计为8192。同时，由于步长卷积和微步长卷积在GAN中具有比确定性空间池化函数更好的性能，因此，本实施例中的GAN中不再设置池化结构，而是由步长卷积层和微步长反卷积层替代。此外，卷积层的输出通过残差连接映射至对应的反卷积层并进行向量拼接，此类恒等映射能将信息直接从卷积层传递至反卷积层，有利于保护细节特征在维度压缩的过程中不被丢失，而且损失函数的梯度能传递至更多的层，很大程度上改善了深层网络梯度消失的问题。
实施例3
在上述各实施例的基础上，本发明实施例提供了一种判决器的构造方式，如图3所示，该判决器的结构包括：由浅层至深层依次连接的3个级联的步长卷积层(Conv8～Conv10)、1个一维卷积层(Conv11)和1个单节点输出的全连接层(Fc1)；其中，3个所述步长卷积层采用与生成器相同的非线性激活函数对输入信号进行特征提取。
具体地，该判决器中的一维卷积层是一个单卷积核的卷积层，用于完成特征通道的压缩，并将得到的一维特征向量与该全连接层相连，最后采用该单节点输出层输出判决结果。与图2中相同，图3中，各卷积层中，“s”、“c”和“k”分别表示卷积步长、卷积核数量以及卷积核长度。
实施例4
训练阶段的核心是构造有效的生成对抗损失函数来度量生成数据与目标数据的分布差异。因此，在上述实施例的基础上，本发明实施例提供一种生成对抗损失函数的可实施方式，具体为：
采用能够更好度量两个分布差异特性的相对判决损失函数，在生成器和判决器中分别表示为LRS(G)和LRS(D)。此外，生成器中加入了一阶的L1范数惩罚项LL1(G)来约束目标无噪数据和生成数据之间的误差，在脉冲噪声条件下依然能有效提高网络的训练效率。判决器中则引入梯度惩罚项LGP(D)来稳定训练过程以及防止梯度消失和爆炸现象。因此，生成器和判决器总损失函数LG和LD可分别表示为：
其中，G表示生成器，D表示判决器；LRS(G)和LRS(D)分别表示生成器和判决器中的相对判决损失函数；
表示生成器中的一阶L1范数惩罚项；LGP(D)表示判决器中的梯度惩罚项；E表示取均值操作；xr为xs与xy构成的数据对(xs,xy)，xf为xG与xy构成的数据对(xG,xy)，其中，xs、xy和xG分别表示不含噪的目标信号、含噪信号和生成器生成信号，xG＝G(xy)；C表示判决器构成的非线性函数，σ为Sigmoid激活函数；P和Q分别表示xr和xf的概率分布；
表示xy与
的联合分布，其中，μ为0到1之间的随机实数。
作为一种可实施方式，在实际的训练过程中，生成器和判决器的学习率均设为0.0001，批大小(batch size)设为128，权值λL1和λGP分别取200和10，以实现与生成损失项LRS(G)和判决损失项LRS(D)的平衡，并采用Adam优化器[33]对损失函数进行优化，所有数据迭代次数为200次。
实施例5
在训练用于降噪的生成对抗网络模型时，通常希望训练数据集与测试数据集具有相同的分布，但是在水声信号降噪应用中，很难得到足够数量的、与测试数据具有相同分布的训练数据。因此，在上述各实施例的基础上，本发明实施例利用迁移学习思想，提出了一种迁移学习策略，具体为：
首先，构造包含发送信号且与目标水声信道具有相似分布的迁移数据模型；具体地，迁移数据模型为：
其中，
表示接收信号，s(t)为发送信号，信号类型与式(1)相同，
是Alpha稳定分布噪声，其特征指数为
与式(1)相比，式(4)简化了水声多途信道的影响，虽然两个模型所产生数据的分布发生了变化，但是二者包含了相同的发送信号集合，即y(t)和
的波形中包含相同成分，因此具备可迁移性。
然后，如图4所示，利用所述迁移数据模型产生迁移数据训练集，利用所述迁移数据训练集对生成对抗网络进行预训练，待所述生成对抗网络的网络性能达到最优后，利用少量的目标信道训练数据对判决器和生成器进行交叉迭代微调；所述交叉迭代微调是指在微调过程中依次微调判决器或生成器的最后3层的参数，同时冻结其余所有参数。
具体地，结合生成对抗网络交叉迭代的训练机制，利用少量目标信道训练数据对判决器和生成器进行交叉迭代微调，即微调其中一者时，需要冻结另一者的所有参数，以提升对目标信号的降噪性能。并且，本发明实施例通过采用在微调过程中依次微调判决器或生成器网络最后3层的参数，同时冻结其余所有参数的方式，可以解决因利用少量数据对预训练的判决器或生成器网络参数进行微调时，由于数据量不足而造成过拟合现象的问题。
为了验证本发明提供的基于生成对抗网络的水声信号降噪方法的有效性，本发明还提供以下实验数据。
(一)信号参数
实验中，以水声通信信号降噪为例，信号类型包括载波调制信号和直接序列扩频信号DSSS，载波调制类型集合包括MFSK(调制阶数M＝2、4、8)、MPSK(调制阶数M＝2、4、8)、OFDM和LFM。LFM信号的中心频率及其它调制信号载频范围为[15kHz,16kHz]，采样频率为48kHz，DSSS信号PN序列采用m序列，MPSK信号的调制阶数分别为M＝2、4、8，其余参数如表1所示。
表1 信号参数
表1中，“/”表示不涉及该参数，“[]”表示数据在该闭集范围内随机选择，“{}”表示在所列项中随机选择。
(二)迁移数据训练集
图4的预训练过程中采用迁移数据训练集。依据式(4)中的迁移数据模型产生迁移数据训练集，其中
指数在[1.5,2]范围内随机选取，混合信噪比范围为[-5,15]dB。
此外，水声通信信号通常是突发的，因此，为提高本发明方法在实际接收数据中缺乏先验知识场景下的实用性，本发明设计了训练信号样本数据结构如图5所示。其中，处理数据块中包含噪声数据段和叠加了噪声的有用信号数据段(即通信数据块)，有用信号数据段的长度以及位置是随机的，且有用信号数据段长度L满足：0≤L≤Lp，Lp为处理数据块长度，即网络的输入维度大小8192。采用上述信号数据结构，每种信号产生4000个样本，共36000个样本组成迁移数据训练集来完成网络的预训练。
(三)实验结果
(1)不同方法降噪性能对比
为了证明本发明方法的良好性能，分别在高斯噪声和Alpha稳定分布噪声条件下比较了不同方法的输出信噪比曲线。
图6中对比了高斯噪声条件下本发明方法与基于小波分解、带通滤波方法在不同输入信噪比下的降噪性能差异。实验中，信道传递函数采用冲激函数，测试信号的输入信噪比在[-15,15]dB范围内以3dB为步长选取，每种信噪比下每种信号生成200个样本组成测试集，且有用信号数据段长度L＝Lp。
如图6所示，本发明方法降噪性能明显优于两类传统方法，在0dB信噪比条件下相比小波分解和带通滤波方法输出信噪比分别提升了大约10dB和7dB。
此外，图7对比了Alpha稳定分布噪声条件下本发明方法与文献2中的消隐法、截断法、无记忆模拟非线性预处理器(Memoryless Analog NonlinearPreprocessor,MANP)方法在不同混合信噪比下的降噪性能差异，实验中，信道传递函数采用冲激函数，α指数固定为1.8，混合信噪比在[-5,15]dB范围内以2dB为步长选取，每种混合信噪比下每种信号生成200个样本组成测试集，且有用信号数据段长度L＝Lp。
从图7中可以看出，本发明方法在Alpha稳定分布噪声条件下降噪效果明显优于三种传统的脉冲噪声消除方法，0dB下信噪比增益提升了约14dB。
(2)模型迁移性能分析
为验证在有少量目标信道训练数据可用的情况下，采用模型迁移的方法对预训练信号降噪生成对抗网络进行微调能够进一步提升网络对目标信号的降噪性能，本发明依据式(1)中的信号模型，其中的信道冲激响应对应的传递函数为：
H(z)＝1+0.26311z-7+0.151214z-39+0.391599z-67 (5)
Alpha稳定分布噪声的α指数为1.8，构建了不同数据量的目标信道数据训练集，对预训练网络的不同层参数进行微调，分析其性能。实验中，分别采用每种信号20、50、100和200个样本构建目标信道数据训练集，对预训练生成器和判决器网络的最后3层参数同时进行微调，得到降噪性能对比如图8。
如图8所示，微调之后的网络降噪性能随着微调数据量的增加而提升，在10dB混合信噪比条件下每种信号仅仅采用20个样本进行微调就使得输出信噪比增益提高了1dB，表明网络在微调的过程中初步学习到了信道的相关信息，验证了在小样本条件下采用基于模型迁移的两步训练策略对提高目标信号降噪性能的有效性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于生成对抗网络的水声信号降噪方法，其特征在于，包括：训练阶段和测试阶段；其中：
所述训练阶段包括：将含噪信号训练集输入生成器中，得到生成器生成信号；将所述生成器生成信号和不含噪的目标信号分别与所述含噪信号拼接后，依次输入判决器中；所述判决器将所述含噪信号作为条件信息，对同时输入的另一个输入信号进行真假鉴别；计算判决结果与真实标签的误差，然后利用反向传播算法完成生成对抗网络的网络参数的更新和优化，并得到训练好的生成器模型；
所述测试阶段包括：将待测水声信号输入至所述训练好的生成器模型，采用所述训练好的生成器模型的输出为降噪后的水声信号。
2.根据权利要求1所述的方法，其特征在于，所述生成器的结构包括：由7个一维卷积层组成的编码器、3个一维扩张卷积层和由7个一维反卷积层组成的解码器；其中，采用残差连接分别将编码器中的各个卷积层与解码器中对应的各个反卷积层相连；在所述编码器、3个一维扩张卷积层和解码器中，除了解码器中的最后一个一维反卷积层外，其余各层输出之后均采用为0.1的Leaky ReLU函数对输出进行非线性激活。
3.根据权利要求1所述的方法，其特征在于，所述判决器的结构包括：由浅层至深层依次连接的3个级联的步长卷积层、1个一维卷积层和1个单节点输出的全连接层；其中，3个所述步长卷积层采用与生成器相同的非线性激活函数对输入信号进行特征提取。
4.根据权利要求1所述的方法，其特征在于，在所述训练阶段中，生成器的总损失函数LG和判决器的总损失函数LD分别如公式(2)和公式(3)所示：
其中，G表示生成器，D表示判决器；LRS(G)和LRS(D)分别表示生成器和判决器中的相对判决损失函数；
表示生成器中的一阶L1范数惩罚项；LGP(D)表示判决器中的梯度惩罚项；E表示取均值操作；xr为xs与xy构成的数据对(xs,xy)，xf为xG与xy构成的数据对(xG,xy)，其中，xs、xy和xG分别表示不含噪的目标信号、含噪信号和生成器生成信号，xG＝G(xy)；C表示判决器构成的非线性函数，σ为Sigmoid激活函数；P和Q分别表示xr和xf的概率分布；
表示xy与
的联合分布，其中，μ为0到1之间的随机实数。
5.根据权利要求1所述的方法，其特征在于，还包括：
构造包含发送信号且与目标水声信道具有相似分布的迁移数据模型；
利用所述迁移数据模型产生迁移数据训练集，利用所述迁移数据训练集对生成对抗网络进行预训练，待所述生成对抗网络的网络性能达到最优后，利用目标信道训练数据对判决器和生成器进行交叉迭代微调；所述交叉迭代微调是指在微调过程中依次微调判决器或生成器的最后3层的参数，同时冻结其余所有参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453777.5A CN112466320B (zh) | 2020-12-12 | 2020-12-12 | 一种基于生成对抗网络的水声信号降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011453777.5A CN112466320B (zh) | 2020-12-12 | 2020-12-12 | 一种基于生成对抗网络的水声信号降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112466320A true CN112466320A (zh) | 2021-03-09 |
| CN112466320B CN112466320B (zh) | 2023-11-10 |
Family
ID=74802010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011453777.5A Active CN112466320B (zh) | 2020-12-12 | 2020-12-12 | 一种基于生成对抗网络的水声信号降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112466320B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113114408A (zh) * | 2021-04-06 | 2021-07-13 | 电子科技大学 | 一种生成式欺骗干扰信号生成评估方法及装置 |
| CN113361436A (zh) * | 2021-06-16 | 2021-09-07 | 中国农业大学 | 采用一阶导数与对抗网络的信号自动识别方法 |
| CN114821229A (zh) * | 2022-04-14 | 2022-07-29 | 江苏集萃清联智控科技有限公司 | 基于条件生成对抗网络的水下声学数据集增广方法及系统 |
| CN114884780A (zh) * | 2022-05-06 | 2022-08-09 | 天津大学 | 基于被动时间反转镜的水声通信信号调制识别方法及装置 |
| CN115442191A (zh) * | 2022-11-08 | 2022-12-06 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及系统 |
| CN117765962A (zh) * | 2023-09-28 | 2024-03-26 | 青岛科技大学 | 一种海洋哺乳动物叫声数据增强方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105791198A (zh) * | 2015-01-09 | 2016-07-20 | 想象技术有限公司 | 脉冲噪声抑制 |
| CN108806708A (zh) * | 2018-06-13 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 基于计算听觉场景分析和生成对抗网络模型的语音降噪方法 |
| CN111369449A (zh) * | 2020-02-21 | 2020-07-03 | 南京信息工程大学 | 基于生成式对抗网络的红外盲元补偿方法 |
| US20200257985A1 (en) * | 2019-02-08 | 2020-08-13 | DeepSig Inc. | Adversarially generated communications |
| CN111564160A (zh) * | 2020-04-21 | 2020-08-21 | 重庆邮电大学 | 一种基于aewgan的语音降噪的方法 |
| CN111751343A (zh) * | 2020-07-06 | 2020-10-09 | 山东工商学院 | 基于瓶颈残差gan的介观荧光分子层析成像方法及系统 |
-
2020
- 2020-12-12 CN CN202011453777.5A patent/CN112466320B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105791198A (zh) * | 2015-01-09 | 2016-07-20 | 想象技术有限公司 | 脉冲噪声抑制 |
| CN108806708A (zh) * | 2018-06-13 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 基于计算听觉场景分析和生成对抗网络模型的语音降噪方法 |
| US20200257985A1 (en) * | 2019-02-08 | 2020-08-13 | DeepSig Inc. | Adversarially generated communications |
| CN111369449A (zh) * | 2020-02-21 | 2020-07-03 | 南京信息工程大学 | 基于生成式对抗网络的红外盲元补偿方法 |
| CN111564160A (zh) * | 2020-04-21 | 2020-08-21 | 重庆邮电大学 | 一种基于aewgan的语音降噪的方法 |
| CN111751343A (zh) * | 2020-07-06 | 2020-10-09 | 山东工商学院 | 基于瓶颈残差gan的介观荧光分子层析成像方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| AARON SMITH;: "A Communication Channel Density Estimating Generative Adversarial Network", 《2019 IEEE COGNITIVE COMMUNICATIONS FOR AEROSPACE APPLICATIONS WORKSHOP (CCAAW)》 * |
| Y. LI: "Blind Detection of Underwater Acoustic Communication Signals Based on Deep Learning", 《IEEE ACCESS》, pages 204114 - 204131 * |
| 张钟翰: "基于U-Net的图像去噪算法及其性能优化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 李勇斌: "一种基于RCGAN的水声通信信号降噪方法", 《电子学报》, pages 54 - 62 * |
| 胡学涛: "低压电力线噪声建模、优化及FPGA实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113114408A (zh) * | 2021-04-06 | 2021-07-13 | 电子科技大学 | 一种生成式欺骗干扰信号生成评估方法及装置 |
| CN113114408B (zh) * | 2021-04-06 | 2022-06-24 | 电子科技大学 | 一种生成式欺骗干扰信号生成评估方法及装置 |
| CN113361436A (zh) * | 2021-06-16 | 2021-09-07 | 中国农业大学 | 采用一阶导数与对抗网络的信号自动识别方法 |
| CN114821229A (zh) * | 2022-04-14 | 2022-07-29 | 江苏集萃清联智控科技有限公司 | 基于条件生成对抗网络的水下声学数据集增广方法及系统 |
| CN114884780A (zh) * | 2022-05-06 | 2022-08-09 | 天津大学 | 基于被动时间反转镜的水声通信信号调制识别方法及装置 |
| CN114884780B (zh) * | 2022-05-06 | 2023-08-15 | 天津大学 | 基于被动时间反转镜的水声通信信号调制识别方法及装置 |
| CN115442191A (zh) * | 2022-11-08 | 2022-12-06 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及系统 |
| CN115442191B (zh) * | 2022-11-08 | 2023-03-24 | 中国人民解放军战略支援部队航天工程大学 | 基于相对平均生成对抗网络的通信信号降噪方法及系统 |
| CN117765962A (zh) * | 2023-09-28 | 2024-03-26 | 青岛科技大学 | 一种海洋哺乳动物叫声数据增强方法 |
| CN117765962B (zh) * | 2023-09-28 | 2024-05-24 | 青岛科技大学 | 一种海洋哺乳动物叫声数据增强方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112466320B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112466320B (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
| CN112464837B (zh) | 基于小数据样本的浅海水声通信信号调制识别方法及系统 | |
| CN112615804B (zh) | 一种基于深度学习的短突发水声通信信号调制识别方法 | |
| WO2022262173A1 (zh) | 一种基于条件生成对抗网络的时变水声信道模拟方法 | |
| CN111723701B (zh) | 一种水中目标识别方法 | |
| CN110456332B (zh) | 一种基于自动编码器的水声信号增强方法 | |
| CN112305506B (zh) | 一种基于cnn的lpi雷达信号检测方法 | |
| CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
| CN115442191B (zh) | 基于相对平均生成对抗网络的通信信号降噪方法及系统 | |
| CN109543643A (zh) | 基于一维全卷积神经网络的载波信号检测方法 | |
| Tian et al. | Adaption penalized complex LMS for sparse under-ice acoustic channel estimations | |
| Hu et al. | TCN-based M-ary mobile spread spectrum underwater acoustic communication | |
| CN117713886A (zh) | 一种智能反射面辅助的安全和隐蔽通信设计方法 | |
| CN117221053A (zh) | 一种采用改进的ddpm降噪的水声通信信道估计方法及系统 | |
| CN107018103A (zh) | 一种基于自适应步长猴群优化的小波常模盲均衡方法 | |
| CN110133628A (zh) | 一种短时强干扰下lfm信号的恢复方法 | |
| CN114330441B (zh) | 一种基于时频谱和迁移学习的水声janus信号识别方法与系统 | |
| CN114884780B (zh) | 基于被动时间反转镜的水声通信信号调制识别方法及装置 | |
| CN115267713B (zh) | 一种基于语义分割的间歇采样干扰识别和抑制方法 | |
| CN116612735A (zh) | 一种水声音频去噪方法 | |
| CN106385272A (zh) | 基于随机共振和时间反转镜的水下信号增强方法 | |
| Wang et al. | Modulation recognition method for underwater acoustic communication signal based on relation network under small sample set | |
| Yen et al. | Design of Deep Learning Acoustic Sonar Receiver with Temporal/Spatial Underwater Channel Feature Extraction Capability. | |
| CN114662523A (zh) | 一种融合认知强化压缩感知与人工神经网络的扩频信号检测方法 | |
| CN117997690B (zh) | 一种类对比学习式水声信号调制识别系统及识别方法 |
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 |