CN115206334A - 一种极地声信号增强和识别方法 - Google Patents
一种极地声信号增强和识别方法 Download PDFInfo
- Publication number
- CN115206334A CN115206334A CN202210770485.7A CN202210770485A CN115206334A CN 115206334 A CN115206334 A CN 115206334A CN 202210770485 A CN202210770485 A CN 202210770485A CN 115206334 A CN115206334 A CN 115206334A
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- cross
- frequency
- correlation
- 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 23
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 241001465754 Metazoa Species 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 230000005236 sound signal Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000005070 sampling Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000012634 fragment Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000001502 supplementing 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
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0224—Processing in the time domain
-
- 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
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/26—Pre-filtering or post-filtering
-
- 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
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- 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
- G10L21/04—Time compression or expansion
- G10L21/057—Time compression or expansion for improving intelligibility
-
- 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)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种极地声信号增强和识别方法,包括:对极地声信号中的脉冲干扰噪声进行时频联合提取,得到所有脉冲噪声出现的位置;对步骤1中获得的脉冲噪声位置在信号二维时频图上进行空间平滑滤波以去除脉冲噪声,然后用在时频图上做互相关得到互相关积分曲线,若互相关曲线积分值大于设定的阈值则判断动物/通信信号存在;以对步骤1获得的脉冲噪声位置为中心进行时域窗口的中值滤波,然后对信号提取线谱成分,并通过梳状滤波器进行净化,最后通过比较净化后线谱的方差值,若大于设定的方差阈值则判断船舶信号存在。本发明实现针对在极地中进行长期声呐信号采集获得的海量数据的自动增强和提取,降低对人工干预的依赖,提升效率。
Description
技术领域
本发明属于水声信号处理、水声学和水声目标检测领域,涉及一种极地声信号增强和识别方法。
背景技术
极地地理位置独特气候寒冷,海洋表面的浮冰不仅影响卫星通信,同时也隔绝了大气和海水的热交换,因此形成了特殊的声场环境,极地声信号中不仅包含自然的冰裂信号,还包括人类科考船航行、通信的信号以及动物活动的信号。但是在一次科考活动由于不同研究人员的研究目的不同,导致采集的信号往往是多种活动交织在一起,从中快速检测并提取到不同类别高质量的有效信号目前还有很大的难度,主要在于,包含不同研究人员所需的信号并不相同,且对于其需要的有效信号的拾取目前主要通过人工手段对海量的信号进行筛选,对于人工成本和时间成本都是极大的开销。因此,如果能使用自动手段对极地采集的声信号进行分析,从中消除自然冰裂信号造成的脉冲噪声进而识别出人类活动信号以及动物活动信号的片段,对于研究效率将具有极大的提升。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种极地声信号增强和识别方法,主要包括对采集到的极地声信号进行脉冲信号时频联合提取并降噪来提高信号质量,对采集到的极地声信号中检测出对研究有利有效的信号片段,从中进行时频联合提取并降噪并自动提取出由于不同活动而导致的信号片段,提升科研工作效率,克服目前仅通过人工手段对极地声信号进行筛选的问题。
本发明的目的是这样实现的:包括以下步骤:
步骤1:对所有极地信号进行小波变换得到二维时频图,然后所有信号片段进行时频联合提取,以得到极地信号中的脉冲噪声出现位置。
步骤2:首先对步骤1生成的二维时频图中出现的脉冲噪声位置使用空间平滑滤波。针对动物信号和通信信号持续时间有一定范围,将信号分割为若干个时间片段,然后对全部的时间片段执行如下操作:
步骤A:计算互相关积分列向量。对各时间片段的二维时频图,设置相关样本长度CorrNum和时间窗长度SegNum,满足SegNum>CorrNum,CorrNum表示每一个采样点计算与之相关的后续点个数,SegNum表示每个时间片段被切分为若干个时间窗的长度,将时间片段按时间窗长度SegNum划分为若干个时间窗,对每个时间窗执行以下操作:对时间窗内的所有采样点对应的时频图进行互相关计算,得到互相关矩阵secCoordsup,对矩阵secCoordsup沿行方向求和,得到时间窗内的积分列向量;
步骤B:求取时间片段的互相关积分曲线;
步骤C:根据设定的阈值判断时间片段的互相关积分曲线中是否存在动物信号或者通信信号,若互相关积分值在一段时间内大于设定的阈值,则判定为存在动物信号,并记录信号持续时间;
步骤3:在步骤1基础上得到的脉冲噪声出现的位置附近一个窗长为W的时域片段进行中值滤波以消除脉冲噪声,然后将信号分为若干的时间片段,对所有片段进行带通滤波滤除低频段海洋环境噪声得到较为干净的中频端信号,然后对滤波后结果取绝对值计算以获得信号的包络,接下来对包络信号进行快速傅里叶变换,得到信号中的线谱成分,然后将线谱成分的经过梳状峰值滤波器后进行净化,然后计算净化后的线谱的方差值,若线谱方差值大于设定的阈值则说明该信号片段包含船舶信号,记录下该时频片段的位置,否则继续处理后续的信号片段。
本发明还包括这样一些结构特征:
1.步骤1中对极地脉冲声信号时频联合提取,其包括时频图片段中,选定FL-FH的频段FP,设定一个门限值PauseThreshold,在FP频段中大于PauseThreshold的值置为1,小于PauseThreshold的功率值置为0,然后统计时频图片段在FP频段内每一列中1所占的比例为pExist,在所有信号片段中用所有时刻的pExist与时域幅度绝对值相乘得到的结果confidence作为判别脉冲信号是否存在的依据,若confidence值大于设定的阈值0.5则说明该位置处存在脉冲噪声,然后使用相同的方法得到其余所有信号片段的脉冲噪声位置。
2.步骤2中使用由步骤1得到的极地脉冲噪声位置对时频图对应位置进行使用水平方向空间平滑滤波器来滤除极地声信号时频图中的脉冲噪声,滤波器核长度为k,该滤波器核为
对于原时频图中的点(i,j),滤波器输出为
对于边缘部分,使用0进行填充。
3.步骤A所述对经过脉冲噪声去除的信号时间窗内的所有采样点对应的时频图进行互相关计算,得到互相关矩阵secCoordsup包括:
对时间窗内的所有采样点对应的功率谱进行互相关计算:
其中,ρXY为第X列和第Y列的互相关值,Cov(X,Y)代表时频图第X列和第Y列的协方差,σX代表时频图第X列的标准差,σY代表时频图第Y列的标准差;ρXY作为互相关矩阵secCoord第X行、第Y列的元素,得到互相关矩阵secCoord,所述互相关矩阵secCoord为SegNum维方阵;取secCoord的上三角矩阵secCoordutri,每行保留从secCoordutri主对角线元素开始的前CorrNum个元素取值,其他位置全部置0,令q=SegNum-CorrNum+1,从第q+i开始,每行补充i个元素ρ(q+a)(SegNum+a)得到矩阵secCoordsup,其中i=1,2,3,…,CorrNum-1,a=1,2,…,i。
4.步骤B所述求取时间片段的互相关积分曲线包括:
将时间片段内全部时间窗的积分列向量依次连接组成一个列向量矩阵,所述列向量矩阵中第m行元素表示时间片段内第m个采样点对应的互相关值,然后将列向量矩阵转置,建立以时间为横坐标轴、以互相关值为纵坐标轴的二维坐标系,以采样点的采样时间为横坐标,以采样点的互相关值为纵坐标,得到时间片段各个采样点的互相关积分曲线。
5.步骤3所述再对船舶噪声线谱进行提取之前,以步骤1中得到的脉冲噪声出现的位置为中心一个窗长为W的片段进行中值滤波以消除脉冲噪声,具体为对长度为W的信号片段进行排序,令出现脉冲位置的值为排序后的中位数。
6.步骤3所述通过将线谱成分的经过梳状峰值滤波器后进行净化,然后计算净化后的线谱的方差值与设定阈值的比较,若该方差值大于设定的阈值则判定该信号片段为船舶信号,否则判断该片段不包含船舶信号。
与现有技术相比,本发明的有益效果是:(1)本发明的方法能有效对极地脉冲声信号进行时频联合降噪,提高信号质量;(2)本发明的方法利用互相关积分算法对通信和动物信号进行提取,算法执行效率高;(3)本发明的方法利用船舶信号线谱的谐波特征来进行提取和净化,计算复杂度低。
附图说明
图1是本发明的整体流程图;
图2是降噪后对动物/通信信号的识别提取结果;
图3是降噪后提取的舰船噪声线谱结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1,本发明包含以下步骤:
步骤1:对所有极地信号进行小波变换得到二维时频图,然后所有时间片段进行时频联合提取,以准确捕获极地信号中的脉冲噪声,具体步骤如下:
步骤A:在步骤1得到的时频图片段中,选定FL-FH的频段FP,设定一个门限值PauseThreshold,在FP频段中大于PauseThreshold的值置为1,小于PauseThreshold的功率值置为0,然后统计时频图片段在FP频段内每一列中1所占的比例为pExist;
步骤B:在所有信号片段中用所有时刻的pExist与时域幅度绝对值相乘得到的结果confidence作为判别脉冲信号存在与否的依据。
步骤C:根据confidence与设定的阈值做比较,来确定脉冲信号在所有时间点中出现的位置,若confidence大于设定的阈值则判断该位置出现脉冲噪声,否则判断该位置不存在脉冲噪声。
步骤2:对步骤1生成的二维时频图中出现的脉冲噪声进行空间平滑滤波,以剔除脉冲噪声的干扰,具体为使用水平方向大小为k的运动滤波器。
针对动物信号和通信信号持续时间有一定范围,将信号分割为若干个时间片段,然后对全部的时间片段执行如下操作:
步骤A:计算互相关积分列向量。对各时间片段的二维时频图,设置相关样本长度CorrNum和时间窗长度SegNum,满足SegNum>CorrNum,CorrNum表示每一个采样点计算与之相关的后续点个数,表示每个时间片段被切分为若干个时间窗的长度,将时间片段按时间窗长度划分为若干个时间窗,对每个时间窗执行以下操作:根据动物信号和通信信号在一个周期内的各帧功率谱是连续的且彼此具有强相关性的特点,对时间窗内的所有采样点对应的时频图进行互相关计算,得到互相关矩阵secCoordsup,对矩阵secCoordsup沿行方向求和,得到时间窗内的互相关积分列向量;
步骤B:求取时间片段的互相关积分曲线;
步骤C:根据设定的阈值与互相关积分曲线的值大小判断是否存在动物信号或者通信信号,若该阈值大于互相关积分曲线的值则判断该位置存在动物或通信信号,并记录该满足该阈值的持续时间,即为信号的持续时间;
步骤3:对步骤1基础上得到的脉冲噪声出现的位置附近一个窗长为W的片段进行中值滤波以消除脉冲噪声,具体为对长度为W的信号片段进行排序,令出现脉冲位置的值为排序后的中位数,然后以一定窗长window进行处理,对该窗长内信号片段进行带通滤波滤除低频段海洋环境噪声得到较为干净的中频端信号,然后对滤波后结果取绝对值计算以获得信号的包络,接下来对包络信号进行快速傅里叶变换,得到信号中的线谱成分,然后再将线谱成分经过梳状滤波器后进行净化得到其基频以及各次谐波,然后计算净化后的线谱的方差值,并通过与设定的阈值比较来判断船舶信号的存在与否,若计算的方差值大于设定阈值则判定该信号片段为船舶信号,否则滑动到下一个window窗口继续执行步骤3,直到将所有数据处理完毕。
下面结合具体参数数值给出本发明的实施例如下:
步骤1:极地信号脉冲噪声提取。
对信号进行小波变换得到二维时频图,频率分辨率为25Hz。对于采集的极地信号脉冲噪声所在频段大多分布在5kHz到15kHz之间,而因此设置FL为5kHz,FH为15kHz,在该频段内对二维时频图上的使用脉冲功率门限PauseThreshold为-90来对信号进行划分,小于门限的数据置为0,大于门限的数据置为1,此时再对该频段内所有的列进行统计,求出每一列中1所占的比例为pExist,然后再使用时频联合的方式进一步进行筛选,使用每个时域点上的幅度绝对值与时频图上对应的pExist相乘,得到confidence作为判断脉冲信号存在与否的依据,再用confidence与设定的阈值0.5进行比较,大于该阈值则说明该时间点存在脉冲噪声信号,小于该阈值说明该时间点不存在脉冲噪声信号。
步骤2:对步骤1生成的二维时频图中出现的脉冲噪声进行空间平滑滤波,具体为使用长度为7的水平运动滤波器,以剔除脉冲噪声的干扰。滤波器核为
对于原时频图中的每点滤波器输出为
对于边缘部分,使用0进行填充。
然后将信号分割为若干个时间片段,信号长度为N s,采样率为Fs,然后对全部的时间片段执行如下操作:
步骤A:
计算互相关积分列向量。对每次取出的时间片段内的时频图,设置相关样本长度CorrNum和时间窗长度SegNum(SegNum>CorrNum0,CorrNum用以决定对于每一个采样点需要计算与之相关的后续点的个数,SegNum用以判断时间窗的长度。依次取SegNum个采样点集合SecMeta(j0,j=1,...,M,M=2Fs/SegNum;之后对SecMeta(j)中的所有采样点对应的功率谱进行互相关计算:
其中,ρXY代表时频图的第X列和第Y列的互相关值即Pearson相关系数,Cov(X,Y)代表时频图第X列和第Y列的协方差,σX代表时频图第X列的标准差。之后得到该SecMeta集合的互相关矩阵secCoord,其中secCoord为SegNum维方阵,secCoord矩阵为:
互相关矩阵简化处理。secCoord为对称矩阵,为了简化计算,取其上三角矩阵,记为secCoordutri:
由于每一次计算只关心与每一个采样点临近的CorrNum个采样点的相关性,因此,矩阵secCoordutri沿对角线方向每一行只保留前CorrNum个值,其后的全部位置的点均被置为0,记为secCoordtrap:
但当CorrNum+q-1=SegNum时,即q=SegNum-CorrNum+1时,第q行以后(不含q行)的每行不足CorrNum个值(共CorrNum-1行不足CorrNum个值),故第q+1行补一个值为ρ(q+1)(SegNum+1),第q+2行补两个值为ρ(q+2)(SegNum+1)和ρ(q+2)(SegNum+2),依此类推,第SegNum行(最后一行)补CorrNum-1个值。补值后的矩阵记为secCoordsup:
求取时间片段的互相关积分曲线。对于矩阵secCoordsup,沿行方向对其求和,得到积分向量
之后对每个时间窗重复上述步骤,即对每一个SecMeta(j),j=1,2,3,...,2Fs/SegNum均计算积分向量CCAvg(j),并将所有CCAvg(j)按顺序连接起来,得到第i个时间片段的总相关积分向量AllCCAvg(i),AllCCAvg(i)的维度是1列,2Fs行。该向量是当前时间片段内所有采样点对应的互相关值,即第一行代表第一个采样点的互相关值,然后将该向量转置,按照每个采样点的顺序依次将互相关值画在二维坐标系上,得。
到当前时间片段各个时间点的互相关积分曲线
步骤C:对于由总相关积分向量AllCCAvg(i)按时间点形成的互相关积分曲线,通过设置合理的阈值shd对其进行判决,根据设置好的阈值,自动从互相关积分曲线中判断是否存在动物信号和通信信号,并计算其起止时间,一个时间点的互相关积分结果大于阈值,则判断为当前时间点有动物信号和通信信号,在大于阈值之前的那个重合点即为动物信号和通信信号的起始时间,记为tstart;一个时间点的互相关积分结果小于阈值,则判断为当前时间点动物信号和通信信号消失,在小于阈值之前的那个重合点即为动物信号和通信信号的终止时间,记为tend,由于每次切片时间为2秒,当前时间片段动物信号和通信信号会出现有始无终的情况,此时,仅记录动物信号和通信信号起点,当处理下个时间片段时记录动物信号和通信信号终点。之后对每个时间片段进行以上的步骤,得到全部时间信号的起止时间,并记录保存为信号提取结果如图2。
步骤3:对步骤1基础上得到的脉冲噪声出现的位置左右长度为10点的片段进行中值滤波以消除脉冲噪声,然后以长度为5s,重叠度为50%的窗口进行滑动,对所有信号片段进行5-10kHz带通滤波滤除低频段海洋环境噪声得到较为干净的中频端信号,然后对滤波后结果取绝对值计算以获得信号的包络,接下来对包络信号进行快速傅里叶变换,得到信号中的线谱成分,然后再将线谱成分经过10阶梳状峰值滤波器后进行净化得到其基频以及各次谐波,梳状滤波器的中心频率ω0为线谱的基频,带宽bw设置为归一化频率0.013,品质因数为35,最后计算净化后的线谱的方差值,若该值大于设定的阈值0.7则判定该段信号为船舶信号,线谱的提取的结果如图3所示。
综上,本发明提供一种极地声信号增强和识别方法,对采集到的极地声信号的数据进行时频联合降噪并提取信号片段。本发明属于水声信号处理领域。本发明是这样实现的:步骤1:对极地声信号中的脉冲干扰噪声进行时频联合提取,得到所有脉冲噪声出现的位置;步骤2:对步骤1中获得的脉冲噪声位置在信号二维时频图上进行空间平滑滤波以去除脉冲噪声,然后用在时频图上做互相关得到互相关积分曲线,若互相关曲线积分值大于设定的阈值则判断动物/通信信号存在;步骤3:以对步骤1获得的脉冲噪声位置为中心进行时域窗口的中值滤波,然后对信号提取线谱成分,并通过梳状滤波器进行净化,最后通过比较净化后线谱的方差值,若大于设定的方差阈值则判断船舶信号存在。本发明实现针对在极地中进行长期声呐信号采集获得的海量数据的自动增强和提取,降低对人工干预的依赖,提升效率。本发明的优点在于:(1)针对极地脉冲信号进行时频联合降噪,增强信号质量;(2)利用互相关算法对通信和动物信号进行提取,算法执行效率高;(3)利用船舶信号线谱的谐波特征来进行提取和净化,计算复杂度低。
Claims (7)
1.一种极地声信号增强和识别方法,其特征在于,步骤如下:
步骤1:对极地信号进行小波变换得到二维时频图,对信号片段进行时频联合提取,得到极地信号中的脉冲噪声出现位置;
步骤2:对步骤1生成的二维时频图中出现的脉冲噪声位置使用空间平滑滤波;将动物信号和通信信号分割为若干个时间片段,对全部的时间片段执行如下操作:
步骤A:计算互相关积分列向量;对各时间片段的二维时频图,设置相关样本长度CorrNum和时间窗长度SegNum,满足SegNum>CorrNum,CorrNum表示每一个采样点计算与之相关的后续点个数,SegNum表示每个时间片段被切分为若干个时间窗的长度,将时间片段按时间窗长度SegNum划分为若干个时间窗,对每个时间窗执行以下操作:对时间窗内的所有采样点对应的时频图进行互相关计算,得到互相关矩阵secCoordsup,对矩阵secCoordsup沿行方向求和,得到时间窗内的积分列向量;
步骤B:求取时间片段的互相关积分曲线;
步骤C:根据设定的阈值判断时间片段的互相关积分曲线中是否存在动物信号或者通信信号:若互相关积分值在一段时间内大于设定的阈值,则判定为存在动物信号,并记录信号持续时间;否则说明当前片段不存在动物或通信信号,跳过当前信号片段,对其余信号片段继续执行步骤A-C,直至处理完全部信号;
步骤3:在步骤1基础上得到的脉冲噪声出现的位置处一个窗长为W的时域片段进行中值滤波以消除脉冲噪声,然后将信号分为若干的时间片段,对所有片段进行带通滤波滤除低频段海洋环境噪声得到较为干净的中频端信号,然后对滤波后结果取绝对值计算以获得信号的包络,接下来对包络信号进行快速傅里叶变换,得到信号中的线谱成分,将线谱成分的经过梳状峰值滤波器后进行净化,计算净化后的线谱的方差值,若线谱方差值大于设定的阈值则说明该信号片段包含船舶信号,记录下该时频片段的位置,否则继续处理后续的信号片段,直至处理完全部信号。
2.根据权利要求1所述的一种极地声信号增强和识别方法,其特征在于:步骤1中对极地脉冲声信号时频联合提取,其包括时频图片段中,选定FL-FH的频段FP,设定一个门限值PauseThreshold,在FP频段中大于PauseThreshold的值置为1,小于PauseThreshold的功率值置为0,然后统计时频图片段在FP频段内每一列中1所占的比例为pExist,在所有信号片段中用所有时刻的pExist与时域幅度绝对值相乘得到的结果confidence作为判别脉冲信号是否存在的依据,若confidence值大于设定的阈值0.5则说明该位置处存在脉冲噪声,然后使用相同的方法得到其余所有信号片段的脉冲噪声位置。
4.根据权利要求1所述的一种极地声信号增强和识别方法,其特征在于:步骤A所述对经过脉冲噪声去除的信号时间窗内的所有采样点对应的时频图进行互相关计算,得到互相关矩阵secCoordsup包括:
对时间窗内的所有采样点对应的功率谱进行互相关计算:
其中,ρXY为第X列和第Y列的互相关值,Cov(X,Y)代表时频图第X列和第Y列的协方差,σX代表时频图第X列的标准差,σY代表时频图第Y列的标准差;ρXY作为互相关矩阵secCoord第X行、第Y列的元素,得到互相关矩阵secCoord,所述互相关矩阵secCoord为SegNum维方阵;取secCoord的上三角矩阵secCoordutri,每行保留从secCoordutri主对角线元素开始的前CorrNum个元素取值,其他位置全部置0,令q=SegNum-CorrNum+1,从第q+i开始,每行补充i个元素ρ(q+a)(SegNum+a)得到矩阵secCoordsup,其中i=1,2,3,…,CorrNum-1,a=1,2,…,i。
5.根据权利要求1所述的一种极地声信号增强和识别方法,其特征在于:步骤B所述求取时间片段的互相关积分曲线包括:
将时间片段内全部时间窗的积分列向量依次连接组成一个列向量矩阵,所述列向量矩阵中第m行元素表示时间片段内第m个采样点对应的互相关值,然后将列向量矩阵转置,建立以时间为横坐标轴、以互相关值为纵坐标轴的二维坐标系,以采样点的采样时间为横坐标,以采样点的互相关值为纵坐标,得到时间片段各个采样点的互相关积分曲线。
6.根据权利要求1所述的一种极地声信号增强和识别方法,其特征在于:步骤3所述再对船舶噪声线谱进行提取之前,以步骤1中得到的脉冲噪声出现的位置为中心一个窗长为W的片段进行中值滤波以消除脉冲噪声,具体为对长度为W的信号片段进行排序,令出现脉冲位置的值为排序后的中位数。
7.根据权利要求1所述的一种极地声信号增强和识别方法,其特征在于:步骤3所述通过将线谱成分的经过梳状峰值滤波器后进行净化,然后计算净化后的线谱的方差值与设定阈值的比较,若该方差值大于设定的阈值则判定该信号片段为船舶信号,否则判断该片段不包含船舶信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210770485.7A CN115206334B (zh) | 2022-06-30 | 2022-06-30 | 一种极地声信号增强和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210770485.7A CN115206334B (zh) | 2022-06-30 | 2022-06-30 | 一种极地声信号增强和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115206334A true CN115206334A (zh) | 2022-10-18 |
CN115206334B CN115206334B (zh) | 2023-02-10 |
Family
ID=83578374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210770485.7A Active CN115206334B (zh) | 2022-06-30 | 2022-06-30 | 一种极地声信号增强和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115206334B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030055A (zh) * | 2023-03-29 | 2023-04-28 | 凯尔菱电(山东)电梯有限公司 | 一种电梯相关配件质量检测方法 |
CN116975528A (zh) * | 2023-07-17 | 2023-10-31 | 哈尔滨工程大学 | 基于德劳内三角剖分的极地声信号特征提取方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777453A (zh) * | 2015-04-23 | 2015-07-15 | 西北工业大学 | 舰船线谱噪声源定位的波束域时频分析方法 |
CN107132541A (zh) * | 2017-06-14 | 2017-09-05 | 哈尔滨工程大学 | 多基地声纳低截获多址分辨信号生成方法 |
-
2022
- 2022-06-30 CN CN202210770485.7A patent/CN115206334B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777453A (zh) * | 2015-04-23 | 2015-07-15 | 西北工业大学 | 舰船线谱噪声源定位的波束域时频分析方法 |
CN107132541A (zh) * | 2017-06-14 | 2017-09-05 | 哈尔滨工程大学 | 多基地声纳低截获多址分辨信号生成方法 |
Non-Patent Citations (3)
Title |
---|
李理等: "《基于生成对抗网络的舰船辐射噪声分类方法研究》", 《电子与信息学报》 * |
杨武夷等: "宽吻海豚Click信号的时频滤波检测方法", 《声学学报》 * |
许勤等: "基于中值和小波变换的α稳定分布噪声滤波方法", 《计算机应用研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030055A (zh) * | 2023-03-29 | 2023-04-28 | 凯尔菱电(山东)电梯有限公司 | 一种电梯相关配件质量检测方法 |
CN116975528A (zh) * | 2023-07-17 | 2023-10-31 | 哈尔滨工程大学 | 基于德劳内三角剖分的极地声信号特征提取方法和装置 |
CN116975528B (zh) * | 2023-07-17 | 2024-03-15 | 哈尔滨工程大学 | 基于德劳内三角剖分的极地声信号特征提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115206334B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115206334B (zh) | 一种极地声信号增强和识别方法 | |
CN108107475B (zh) | 基于经验小波变换和多阈值函数的井中微地震去噪方法 | |
CN109507647B (zh) | 基于pri直方图的雷达信号分选方法 | |
CN109658948B (zh) | 一种面向候鸟迁徙活动的声学监测方法 | |
CN102097095A (zh) | 一种语音端点检测方法及装置 | |
CN110852201A (zh) | 一种基于多脉冲包络谱匹配的脉冲信号检测方法 | |
CN117390380B (zh) | 一种油渣分离系统中的数据分析方法 | |
CN115050386A (zh) | 一种中华白海豚哨叫声信号自动检测和提取方法 | |
CN113567969B (zh) | 一种基于水下声信号的非法采砂船自动监控方法及系统 | |
CN111665489A (zh) | 一种基于目标特性的线谱提取方法 | |
CN111881858A (zh) | 一种微震信号多尺度去噪方法、装置及可读存储介质 | |
CN104133248B (zh) | 一种高保真声波干扰压制方法 | |
CN108919241B (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
CN111735525B (zh) | 一种适用于无人声纳的demon谱特征提取方法 | |
CN111414832A (zh) | 一种基于鲸豚类低频水声信号的实时在线识别分类系统 | |
CN104036461A (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
CN109212608B (zh) | 基于3D shearlet变换的井中微地震信号去噪方法 | |
CN116312623B (zh) | 一种鲸类信号重叠分量的方向脊线预测追踪方法及系统 | |
Zeng et al. | Underwater sound classification based on Gammatone filter bank and Hilbert-Huang transform | |
CN112834875A (zh) | 一种局部放电脉冲分割方法及系统 | |
CN112213785B (zh) | 一种基于特征增强去噪网络的地震资料沙漠噪声抑制方法 | |
CN114358040A (zh) | 一种基于自适应估算阈值法的扰动信号去噪方法 | |
CN103487794B (zh) | 一种基于小波包变换的水底混响抑制方法 | |
CN112230200A (zh) | 一种基于激光雷达回波信号的改进型组合降噪方法 | |
CN101639530A (zh) | 一种基于二维混合变换的sar回波信号去噪预处理方法 |
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 |