CN116403590A - 基于小波变换与生成对抗网络的仿生信号处理方法 - Google Patents

基于小波变换与生成对抗网络的仿生信号处理方法 Download PDF

Info

Publication number
CN116403590A
CN116403590A CN202310670532.5A CN202310670532A CN116403590A CN 116403590 A CN116403590 A CN 116403590A CN 202310670532 A CN202310670532 A CN 202310670532A CN 116403590 A CN116403590 A CN 116403590A
Authority
CN
China
Prior art keywords
wavelet
bionic
component
representing
countermeasure network
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
Application number
CN202310670532.5A
Other languages
English (en)
Other versions
CN116403590B (zh
Inventor
王景景
曹润琪
刘帅
施威
杨星海
王猛
姜帅
蒋嘉铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202310670532.5A priority Critical patent/CN116403590B/zh
Publication of CN116403590A publication Critical patent/CN116403590A/zh
Application granted granted Critical
Publication of CN116403590B publication Critical patent/CN116403590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G10L19/018—Audio watermarking, i.e. embedding inaudible data in the audio signal
    • 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
    • G10L19/02—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 spectral analysis, e.g. transform vocoders or subband vocoders
    • G10L19/0212—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 spectral analysis, e.g. transform vocoders or subband vocoders using orthogonal transformation
    • G10L19/0216—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 spectral analysis, e.g. transform vocoders or subband vocoders using orthogonal transformation using wavelet decomposition
    • 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • 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)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明公开了一种基于小波变换与生成对抗网络的仿生信号处理方法，属于水声信号处理技术领域。本发明首先对海洋哺乳动物叫声进行小波分解得到小波分量；针对一维音频数据集设计并搭建仿生生成对抗网络；将第三级小波高频分量与调制信号输入仿生生成对抗网络中进行训练；训练好的编码器对小波分量进行信息嵌入，经过小波重构得到仿生信号，仿生信号经过海洋信道由接收器接收后进行小波分解，使用训练好的解码器解码出第三级小波高频分量中嵌入的调制信号。本发明实现了强隐蔽性的仿生信号处理，通过小波分解与重构提高了仿生信号的相似性，减少了仿生信号与原叫声在时频谱图上的差异。

Description

基于小波变换与生成对抗网络的仿生信号处理方法
技术领域
本发明属于水声信号处理技术领域，具体地说，涉及一种基于小波变换与生成对抗网络的仿生信号处理方法。
背景技术
声波传输因传播损耗小、传输距离远等特点是最主要的水下声音信号传递方式。而仿生隐蔽水声通信一种利用水下环境特性进行通信的技术，通过模仿海洋生物叫声或海洋噪声达到隐蔽通信的效果。2018年刘凇佐团队设计了一系列分段啁啾声频率调制信号，通过声音特性模拟海豚鸣笛，2021年又提出基于调频模式的仿生通信方法。但目前针对海洋哺乳动物哨声及呼叫的调制通信方法在隐蔽性上效果不理想，时频谱图差别明显。
而仿生隐蔽通信方法中最重要的是如何进行仿生信号的处理。
发明内容
本发明的目的是提出一种基于小波变换与生成对抗网络的仿生信号处理方法，以弥补现有技术的不足。
为实现上述发明目的，本发明采用下述技术方案予以实现：
一种基于小波变换与生成对抗网络的仿生信号处理方法，包括以下步骤：
S1：对海洋哺乳动物叫声进行小波分解，得到小波分量；
S2：设计并搭建仿生生成对抗网络模型；
S3：训练仿生生成对抗网络模型，所述小波分量输入训练好的仿生生成对抗网络模型，得到对仿生小波分量；
S4：再对S4得到的仿生小波分量进行小波重构。
进一步的，所述S1中，小波分解公式为：
Figure SMS_1
；
Figure SMS_2
；
其中，k代表当前为第
Figure SMS_14
级小波分解,n、l为信号长度，/>
Figure SMS_5
，
Figure SMS_10
代表小波分解后的逼近分量，/>
Figure SMS_6
为第/>
Figure SMS_9
级小波逼近分量，/>
Figure SMS_13
代表第/>
Figure SMS_17
级小波逼近分量，/>
Figure SMS_11
代表小波分解后的细节分量，/>
Figure SMS_15
为第/>
Figure SMS_3
级小波细节分量，/>
Figure SMS_7
代表第/>
Figure SMS_16
级小波细节分量，/>
Figure SMS_19
代表高通滤波器的参数，
Figure SMS_18
表示对第/>
Figure SMS_20
级小波分量进行高通滤波，/>
Figure SMS_4
代表低通滤波器的参数，/>
Figure SMS_8
表示对第/>
Figure SMS_12
级小波分量进行低通滤波。
进一步的，所述S2具体为：
S2-1：设计并搭建仿生生成对抗网络编码器，由n个一维卷积块、三层一维卷积和中间层-批标准化层组成；所述小波分量经过n个一维卷积块后与秘密信息和未经过卷积的小波分量拼接，再经过三层一维卷积生成仿生小波分量；
S2-2：设计并搭建仿生生成对抗网络判别器，由n个一维卷积块、一层一维池化层与一层全连接层组成；
S2-3：设计并搭建仿生生成对抗网络解码器，由n个一维卷积块、一层一维池化层与一层全连接层组成。
更进一步的，所述S2-1中，首先对二进制编码信息进行重复，然后小波分量经过n个一维卷积块后与秘密信息和未经过卷积的小波分量拼接，再经过三层一维卷积生成仿生小波分量；
中间层中加入批标准化层，标准化公式为：
Figure SMS_21
；
Figure SMS_22
；
Figure SMS_23
；
Figure SMS_24
；
式中，
Figure SMS_27
代表张量中的数据，/>
Figure SMS_28
代表批量/>
Figure SMS_31
的大小，/>
Figure SMS_25
代表批处理数据的均值，/>
Figure SMS_30
为批处理数据的方差，/>
Figure SMS_33
表示常量，防止公式出现除零，/>
Figure SMS_34
代表比例参数，/>
Figure SMS_26
代表位移参数，/>
Figure SMS_29
为标准化后的数据，/>
Figure SMS_32
为批标准化后的数据；
中间层中批标准化后使用LeakyReLu激活函数，公式为，
Figure SMS_35
；
式中，
Figure SMS_36
表示激活函数，/>
Figure SMS_37
为经过批标准化后的中间层参数，/>
Figure SMS_38
为系数，通常为0.01左右。
进一步的，所述S3中：
S3-1：设计仿生生成对抗网络编码器损失函数如下：
Figure SMS_39
；
式中，
Figure SMS_50
为小波分量，/>
Figure SMS_40
为二进制秘密信息，/>
Figure SMS_46
代表嵌入信息后的仿生小波分量；
Figure SMS_52
、/>
Figure SMS_55
、/>
Figure SMS_54
分别为编码器、解码器、判别器参数，/>
Figure SMS_56
、/>
Figure SMS_48
、/>
Figure SMS_51
代表编码器、解码器和判别器；/>
Figure SMS_43
代表编码器损失函数，/>
Figure SMS_44
代表解码器损失函数，编码器损失函数由三部分组成，分别是判别器损失项、编码器损失项、解码器损失项，/>
Figure SMS_42
、/>
Figure SMS_45
、/>
Figure SMS_49
分别为三个损失项的权值；判别器损失项为对抗损失值，/>
Figure SMS_53
代表仿生小波分量的分布，编码器损失项为原始小波分量与生成小波分量的均方误差/>
Figure SMS_41
，解码器损失项为原始二进制秘密信息与解码信息的均方误差/>
Figure SMS_47
；
S3-2：设计仿生生成对抗网络判别器损失函数：
Figure SMS_57
；
式中，
Figure SMS_58
代表判别器损失函数判别器损失函数采用生成对抗网络损失函数，计算真实分布与生成分布的距离，/>
Figure SMS_59
代表小波分量的分布；
S3-3：设计仿生生成对抗网络解码器损失函数：
Figure SMS_60
；
式中，
Figure SMS_61
为小波分量，/>
Figure SMS_62
为二进制秘密信息，/>
Figure SMS_63
为生成小波分量，/>
Figure SMS_64
为解码二进制信息；解码器损失函数为原始二进制秘密信息与解码后的二进制信息之间的均方误差
Figure SMS_65
；
基于上述损失函数对生成对抗网络进行训练。
进一步的，所述S4对所述仿生小波分量进行小波重构，公式为：
Figure SMS_66
；
上式中，
Figure SMS_75
代表第/>
Figure SMS_67
级小波逼近分量，/>
Figure SMS_71
代表第/>
Figure SMS_69
级小波分解后的逼近分量，/>
Figure SMS_73
代表第/>
Figure SMS_77
级小波分解后的细节分量，/>
Figure SMS_81
代表对第
Figure SMS_76
级小波逼近分量求和，/>
Figure SMS_80
代表对第/>
Figure SMS_70
级小波细节分量求和，/>
Figure SMS_72
代表高通滤波器的参数，/>
Figure SMS_74
表示对第/>
Figure SMS_78
级小波分量进行高通滤波，/>
Figure SMS_79
代表低通滤波器的参数，
Figure SMS_82
表示对第/>
Figure SMS_68
级小波分量进行低通滤波。
与现有技术相比，本发明的优点和积极效果是：
本发明首先对海洋哺乳动物叫声进行小波分解，再搭建仿生生成对抗网络模型，训练该模型，得到对仿生小波分量，最后将仿生小波分量进行小波重构，以实现信息嵌入，减少了信息嵌入对原始音频的影响，提高了信息的隐蔽性。
本发明实现了隐蔽性强的仿生信号的生成，该仿生信号相似度高，较好的保留了海洋哺乳动物叫声特性并且可以实现低于10-3误码率的解码。
以本发明为基础，能够将二进制秘密信息嵌入海洋哺乳动物叫声中来实现隐蔽通信。
附图说明
图1是本发明的一种实施例的整体流程图。
图2是本发明的一种实施例的生成器结构图。
图3是本发明的一种实施例的原始叫声与仿生信号波形图对比；（a）为海洋哺乳动物叫声波形图，（b）为仿生信号波形图。
图4是本发明的一种实施例的测试集误码率折线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。
实施例1：
现有海洋哺乳动物叫声隐蔽性差、时频谱图差别明显，随着生成对抗网络在图片、音频生成领域取得了优异的效果，考虑将其应用于仿生信号的生成中。并且由于水声信道复杂多变，受噪声影响仿生信号解码容易产生错误，因此在小波域上进行信息嵌入提高鲁棒性，同时不改变小波高频分量，提高仿生信号隐蔽性。
本实施例是一种基于小波变换与生成对抗网络的仿生信号处理方法，包括以下步骤，如图1所示：
S1、对海洋哺乳动物进行小波分解得到小波分量，小波分解公式为：
Figure SMS_83
；
Figure SMS_84
；
上式中，
Figure SMS_86
，
Figure SMS_88
代表小波分解后的逼近分量，
Figure SMS_91
代表小波分解后的细节分量，
Figure SMS_85
代表高通滤波器的参数，
Figure SMS_90
代表 低通滤波器的参数。
Figure SMS_92
代表当前为第
Figure SMS_93
级小波分解,
Figure SMS_87
、
Figure SMS_89
为信号长度。
对海洋哺乳动物进行小波分解后，选择第三级小波高频分量作为生成对抗网络的输入进行信息嵌入，在小波域进行信息嵌入可提高鲁棒性，并且第三级小波分量噪声较多，而第一、二级小波高频分量数据较大不利于训练，因此选择第三级小波高频分量进行信息嵌入。
S2设计并搭建仿生生成对抗网络，包括：
S2-1、设计并搭建仿生生成对抗网络编码器，为提高嵌入准确性，降低解码误码率，对二进制编码信息进行复制。然后小波分量经过n个一维卷积块后与秘密信息和未经过卷积的小波分量拼接，嵌入信息的同时保留原小波分量的特征。再经过三层一维卷积生成仿生小波分量，输入张量与输出张量大小均为（600，1），如图2所示。
中间层中加入批标准化层，标准化公式为：
Figure SMS_94
；
Figure SMS_95
；
Figure SMS_96
；
Figure SMS_97
；
式中，
Figure SMS_98
代表/>
Figure SMS_99
的大小，/>
Figure SMS_100
代表批处理数据的均值，/>
Figure SMS_101
为批处理数据的方差；
中间层中批标准化后使用LeakyReLu激活函数，公式为：
Figure SMS_102
；
式中，
Figure SMS_103
为经过批标准化后的中间层参数。
S2-2、设计并搭建仿生生成对抗网络判别器，由n个一维卷积快、一层一维池化层与一层全连接层组成，输出为判断结果，因此张量大小为（1）。
S2-3、设计并搭建仿生生成对抗网络解码器，由n个一维卷积快、一层一维池化层与一层全连接层组成，输入为仿生小波分量，大小为（600,1），输出为二进制秘密信息，大小为（3）。
S3训练仿生生成对抗网络，包括：
S3-1、设计仿生生成对抗网络编码器损失函数：
Figure SMS_104
;
式中，
Figure SMS_105
为小波分量，/>
Figure SMS_106
为二进制秘密信息；解码器损失函数由三部分组成，分别是判别器损失项、编码器损失项、解码器损失项，/>
Figure SMS_107
、/>
Figure SMS_108
、/>
Figure SMS_109
分别为三个损失项的权值。判别器损失项为对抗损失值，该损失值可以提高仿生小波分量与原小波分量在细节上的相似性。编码器损失项为原始小波分量与生成小波分量的均方误差，使信息嵌入的同时减小对原小波分量的影响。解码器损失项为原始二进制秘密信息与解码信息的均方误差，使编码器学习到信息嵌入的能力。
S3-2、设计仿生生成对抗网络判别器损失函数:
Figure SMS_110
;
式中，
Figure SMS_111
为小波分量，/>
Figure SMS_112
为二进制秘密信息。判别器损失函数采用生成对抗网络损失函数，计算真实分布与生成分布的距离，提高仿生小波分量与原小波分量在细节上的相似度，使信息嵌入后的生成分布接近真实分布。
S3-3、设计仿生生成对抗网络解码器损失函数:
Figure SMS_113
;
式中，
Figure SMS_114
为小波分量，/>
Figure SMS_115
为二进制秘密信息，/>
Figure SMS_116
为生成小波分量，/>
Figure SMS_117
为解码二进制信息。编码器损失函数为原始二进制秘密信息与解码后的二进制信息之间的均方误差，训练解码器的解码能力。
S4对仿生小波分量进行小波重构，公式为:
Figure SMS_118
;
上式中，
Figure SMS_121
，
Figure SMS_122
代表小波分解后的逼近分量，
Figure SMS_125
代表小波分解后的细节分量，
Figure SMS_120
代表高通滤波器的参数，
Figure SMS_123
代表 低通滤波器的参数。
Figure SMS_126
代表当前为第
Figure SMS_127
级小波分解,
Figure SMS_119
、
Figure SMS_124
为信号长度。
经过小波重构后的得到48kHz的仿生信号。仿生信号与原海洋哺乳动物叫声波形图如图3所示，肉眼无法看出其中的差别；且通过绘制梅尔Mel谱图，得出Mel频率更接近人类听觉特性，可以看出人耳也很难分辨仿生信号与原海洋哺乳动物叫声。
仿生信号经过海洋信道后由接收端接收，接收后首先对其进行小波变换，提取小波分量，将小波分量输入解码器中解码出秘密信息，从而实现隐蔽通信，在测试集中30bps时解码误码率达到10-3，如图4所示，为测试集误码率损失值。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (6)

1.一种基于小波变换与生成对抗网络的仿生信号处理方法，其特征在于，该方法包括以下步骤：
S1：对海洋哺乳动物叫声进行小波分解，得到小波分量；
S2：设计并搭建仿生生成对抗网络模型；
S3：训练仿生生成对抗网络模型，所述小波分量输入训练好的仿生生成对抗网络模型，得到对仿生小波分量；
S4：再对S4得到的仿生小波分量进行小波重构。
2.如权利要求1所述的基于小波变换与生成对抗网络的仿生信号处理方法，其特征在于，所述S1中，小波分解公式为：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，k代表当前为第
Figure QLYQS_16
级小波分解,n、l为信号长度，/>
Figure QLYQS_6
，
Figure QLYQS_10
代表小波分解后的逼近分量，/>
Figure QLYQS_8
为第/>
Figure QLYQS_12
级小波逼近分量，/>
Figure QLYQS_13
代表第/>
Figure QLYQS_15
级小波逼近分量，/>
Figure QLYQS_11
代表小波分解后的细节分量，/>
Figure QLYQS_14
为第/>
Figure QLYQS_3
级小波细节分量，/>
Figure QLYQS_7
代表第/>
Figure QLYQS_17
级小波细节分量，/>
Figure QLYQS_20
代表高通滤波器的参数，
Figure QLYQS_18
表示对第/>
Figure QLYQS_19
级小波分量进行高通滤波，/>
Figure QLYQS_4
代表低通滤波器的参数，/>
Figure QLYQS_9
表示对第/>
Figure QLYQS_5
级小波分量进行低通滤波。
3.如权利要求1所述的基于小波变换与生成对抗网络的仿生信号处理方法，其特征在于，所述S2具体为：
S2-1：设计并搭建仿生生成对抗网络编码器，由n个一维卷积块、三层一维卷积和中间层-批标准化层组成；所述小波分量经过n个一维卷积块后与秘密信息和未经过卷积的小波分量拼接，再经过三层一维卷积生成仿生小波分量；
S2-2：设计并搭建仿生生成对抗网络判别器，由n个一维卷积块、一层一维池化层与一层全连接层组成；
S2-3：设计并搭建仿生生成对抗网络解码器，由n个一维卷积块、一层一维池化层与一层全连接层组成。
4.如权利要求3所述的基于小波变换与生成对抗网络的仿生信号处理方法，其特征在于，所述S2-1中，首先对二进制编码信息进行重复，然后小波分量经过n个一维卷积块后与秘密信息和未经过卷积的小波分量拼接，再经过三层一维卷积生成仿生小波分量；中间层中加入批标准化层，标准化公式为：
Figure QLYQS_21
；
Figure QLYQS_22
；
Figure QLYQS_23
；
Figure QLYQS_24
；
式中，
Figure QLYQS_25
代表张量中的数据，/>
Figure QLYQS_28
代表/>
Figure QLYQS_31
的大小，/>
Figure QLYQS_26
代表批处理数据的均值，
Figure QLYQS_29
为批处理数据的方差，/>
Figure QLYQS_32
表示常量，防止公式出现除零，/>
Figure QLYQS_34
代表比例参数，/>
Figure QLYQS_27
代表位移参数，/>
Figure QLYQS_30
为标准化后的数据，/>
Figure QLYQS_33
为批标准化后的数据；
中间层中批标准化后使用LeakyReLu激活函数，公式为：
Figure QLYQS_35
；
式中，
Figure QLYQS_36
表示激活函数，/>
Figure QLYQS_37
为经过批标准化后的中间层参数，/>
Figure QLYQS_38
为系数。
5.如权利要求1所述的基于小波变换与生成对抗网络的仿生信号处理方法，其特征在于，所述S3中：
S3-1：设计仿生生成对抗网络编码器损失函数如下：
Figure QLYQS_39
；
式中，
Figure QLYQS_48
为小波分量，/>
Figure QLYQS_42
为二进制秘密信息，/>
Figure QLYQS_44
代表嵌入信息后的仿生小波分量；/>
Figure QLYQS_43
、/>
Figure QLYQS_46
、/>
Figure QLYQS_49
分别为编码器、解码器、判别器参数，/>
Figure QLYQS_53
、/>
Figure QLYQS_50
、/>
Figure QLYQS_54
代表编码器、解码器和判别器；/>
Figure QLYQS_40
代表编码器损失函数，/>
Figure QLYQS_47
代表解码器损失函数，编码器损失函数由三部分组成，分别是判别器损失项、编码器损失项、解码器损失项，/>
Figure QLYQS_51
、/>
Figure QLYQS_56
、/>
Figure QLYQS_52
分别为三个损失项的权值；判别器损失项为对抗损失值，/>
Figure QLYQS_55
代表仿生小波分量的分布，编码器损失项为原始小波分量与生成小波分量的均方误差/>
Figure QLYQS_41
，解码器损失项为原始二进制秘密信息与解码信息的均方误差/>
Figure QLYQS_45
；
S3-2：设计仿生生成对抗网络判别器损失函数：
Figure QLYQS_57
；
式中，
Figure QLYQS_58
代表判别器损失函数判别器损失函数采用生成对抗网络损失函数，计算真实分布与生成分布的距离，/>
Figure QLYQS_59
代表小波分量的分布；
S3-3：设计仿生生成对抗网络解码器损失函数：
Figure QLYQS_60
；
式中，
Figure QLYQS_61
为小波分量，/>
Figure QLYQS_62
为二进制秘密信息，/>
Figure QLYQS_63
为生成小波分量，/>
Figure QLYQS_64
为解码二进制信息；解码器损失函数为原始二进制秘密信息与解码后的二进制信息之间的均方误差/>
Figure QLYQS_65
；
基于上述损失函数对生成对抗网络进行训练。
6.如权利要求1所述的基于小波变换与生成对抗网络的仿生信号处理方法，其特征在于，所述S4对所述仿生小波分量进行小波重构，公式为：
Figure QLYQS_66
；
上式中，
Figure QLYQS_76
代表第/>
Figure QLYQS_69
级小波逼近分量，/>
Figure QLYQS_72
代表第/>
Figure QLYQS_74
级小波分解后的逼近分量，/>
Figure QLYQS_79
代表第/>
Figure QLYQS_80
级小波分解后的细节分量，/>
Figure QLYQS_82
代表对第/>
Figure QLYQS_75
级小波逼近分量求和，/>
Figure QLYQS_78
代表对第/>
Figure QLYQS_67
级小波细节分量求和，/>
Figure QLYQS_71
代表高通滤波器的参数，/>
Figure QLYQS_70
表示对第/>
Figure QLYQS_73
级小波分量进行高通滤波，/>
Figure QLYQS_77
代表低通滤波器的参数，
Figure QLYQS_81
表示对第/>
Figure QLYQS_68
级小波分量进行低通滤波。
CN202310670532.5A 2023-06-08 2023-06-08 基于小波变换与生成对抗网络的仿生信号处理方法 Active CN116403590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310670532.5A CN116403590B (zh) 2023-06-08 2023-06-08 基于小波变换与生成对抗网络的仿生信号处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310670532.5A CN116403590B (zh) 2023-06-08 2023-06-08 基于小波变换与生成对抗网络的仿生信号处理方法

Publications (2)

Publication Number Publication Date
CN116403590A true CN116403590A (zh) 2023-07-07
CN116403590B CN116403590B (zh) 2023-08-18

Family

ID=87014647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310670532.5A Active CN116403590B (zh) 2023-06-08 2023-06-08 基于小波变换与生成对抗网络的仿生信号处理方法

Country Status (1)

Country Link
CN (1) CN116403590B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863959A (zh) * 2023-09-04 2023-10-10 哈尔滨工业大学（威海） 一种基于生成对抗网络的海豚叫声生成方法
CN117174109A (zh) * 2023-11-03 2023-12-05 青岛科技大学 基于特征提取的仿海洋哺乳动物叫声信号隐蔽性评分方法
CN117219125A (zh) * 2023-11-07 2023-12-12 青岛科技大学 基于音频指纹的仿海洋哺乳动物叫声信号隐蔽性评分方法
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
CN118098248A (zh) * 2024-04-19 2024-05-28 青岛科技大学 基于仿真海洋水声信道的海洋哺乳动物叫声数据增强方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110247714A (zh) * 2019-05-16 2019-09-17 天津大学 集伪装与加密于一体的仿生隐蔽水声通信编码方法及装置
US20200280374A1 (en) * 2019-02-28 2020-09-03 Xiamen University Method, device and system for underwater acoustic communication
CN112215054A (zh) * 2020-07-27 2021-01-12 西北工业大学 一种用于水声信号去噪的深度生成对抗方法
CN112953652A (zh) * 2021-01-27 2021-06-11 浙江大学 基于分段时频轮廓时延调制的仿鲸目哨声通信方法
WO2022262173A1 (zh) * 2021-06-17 2022-12-22 江苏科技大学 一种基于条件生成对抗网络的时变水声信道模拟方法
CN115561739A (zh) * 2022-09-16 2023-01-03 中国人民解放军战略支援部队信息工程大学 一种基于WaveGAN的水声信号仿冒方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200280374A1 (en) * 2019-02-28 2020-09-03 Xiamen University Method, device and system for underwater acoustic communication
CN110247714A (zh) * 2019-05-16 2019-09-17 天津大学 集伪装与加密于一体的仿生隐蔽水声通信编码方法及装置
CN112215054A (zh) * 2020-07-27 2021-01-12 西北工业大学 一种用于水声信号去噪的深度生成对抗方法
CN112953652A (zh) * 2021-01-27 2021-06-11 浙江大学 基于分段时频轮廓时延调制的仿鲸目哨声通信方法
WO2022262173A1 (zh) * 2021-06-17 2022-12-22 江苏科技大学 一种基于条件生成对抗网络的时变水声信道模拟方法
CN115561739A (zh) * 2022-09-16 2023-01-03 中国人民解放军战略支援部队信息工程大学 一种基于WaveGAN的水声信号仿冒方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOHUI YAO ET AL: "Modulation Identification of Underwater Acoustic Communications Signals Based on Generative Adversarial Networks", OCEANS 2019 - MARSEILLE *
刘明明;张敏情;刘佳;高培贤;张英男;: "基于生成对抗网络的无载体信息隐藏", 应用科学学报, no. 02 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863959A (zh) * 2023-09-04 2023-10-10 哈尔滨工业大学（威海） 一种基于生成对抗网络的海豚叫声生成方法
CN116863959B (zh) * 2023-09-04 2023-12-19 哈尔滨工业大学（威海） 一种基于生成对抗网络的海豚叫声生成方法
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
CN117174109A (zh) * 2023-11-03 2023-12-05 青岛科技大学 基于特征提取的仿海洋哺乳动物叫声信号隐蔽性评分方法
CN117174109B (zh) * 2023-11-03 2024-02-02 青岛科技大学 基于特征提取的仿海洋哺乳动物叫声信号隐蔽性评分方法
CN117219125A (zh) * 2023-11-07 2023-12-12 青岛科技大学 基于音频指纹的仿海洋哺乳动物叫声信号隐蔽性评分方法
CN117219125B (zh) * 2023-11-07 2024-01-30 青岛科技大学 基于音频指纹的仿海洋哺乳动物叫声信号隐蔽性评分方法
CN118098248A (zh) * 2024-04-19 2024-05-28 青岛科技大学 基于仿真海洋水声信道的海洋哺乳动物叫声数据增强方法

Also Published As

Publication number Publication date
CN116403590B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN116403590B (zh) 基于小波变换与生成对抗网络的仿生信号处理方法
CN110456332B (zh) 一种基于自动编码器的水声信号增强方法
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
CN107845389A (zh) 一种基于多分辨率听觉倒谱系数和深度卷积神经网络的语音增强方法
Li et al. Spread spectrum audio watermarking based on perceptual characteristic aware extraction
Gabor Communication theory and cybernetics
WO2022057305A1 (zh) 信号处理方法、装置、终端设备及存储介质
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
CN110376575B (zh) 一种基于阻尼参数匹配随机共振的低频线谱检测方法
CN115602152B (zh) 一种基于多阶段注意力网络的语音增强方法
CN115424627A (zh) 基于卷积循环网络和wpe算法的语音增强混合处理方法
CN115588436A (zh) 基于变分自编码器生成对抗网络的语音增强方法
Kong et al. Adversarial audio: A new information hiding method and backdoor for dnn-based speech recognition models
CN112086100A (zh) 基于量化误差熵的多层随机神经网络的城市噪音识别方法
Fattah et al. Identification of autoregressive moving average systems based on noise compensation in the correlation domain
Mohamed et al. On deep speech packet loss concealment: A mini-survey
CN117351983A (zh) 一种基于Transformer的语音降噪方法及系统
Singh et al. Improving Speech Quality Using Deep Neural Network-Based Manipulation of Cepstral Excitation
CN116017257A (zh) 一种喇叭的智能化生产方法及其系统
CN115171710A (zh) 基于多角度判别的生成对抗网络的语音增强方法及系统
CN110223706B (zh) 基于注意力驱动循环卷积网络的环境自适应语音增强算法
Kim et al. Attentive pooling-based weighted sum of spectral decay rates for blind estimation of reverberation time
CN111638501A (zh) 一种自适应匹配随机共振的谱线增强方法
CN112731327A (zh) 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法
CN118016088A (zh) 一种基于学习差异性的鲸豚信号增强方法

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