CN117388835B - 一种多拼融合的声雷达信号增强方法 - Google Patents
一种多拼融合的声雷达信号增强方法 Download PDFInfo
- Publication number
- CN117388835B CN117388835B CN202311710828.1A CN202311710828A CN117388835B CN 117388835 B CN117388835 B CN 117388835B CN 202311710828 A CN202311710828 A CN 202311710828A CN 117388835 B CN117388835 B CN 117388835B
- Authority
- CN
- China
- Prior art keywords
- signal
- sodar
- representing
- mixed
- frame
- 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
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical group [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 title abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 142
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 42
- 238000009432 framing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及信号增强的技术领域，公开了一种多拼融合的声雷达信号增强方法，所述方法包括：采集声雷达混合信号并进行重构，对重构后的声雷达混合信号进行梅尔倒谱系数特征以及能量熵值比率特征提取，构成混合信号多拼特征；构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号；结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强。本发明提取梅尔倒谱系数特征以及能量熵值比率特征作为多拼特征，在各种环境下都能更为有效突出音频段和噪声段，采用改进最小控制递归平均方法，在不同噪声环境下对声雷达目标信号进行存在噪声概率的自适应计算，实现各种噪声环境下的声雷达目标信号增强处理。
Description
技术领域
本发明涉及信号增强的技术领域，尤其涉及一种多拼融合的声雷达信号增强方法。
背景技术
声雷达是一种广泛应用于军事和民用领域的传感器技术，可用于检测、跟踪和识别目标。然而，由于环境噪声、目标散射特性等因素的影响，传统雷达系统可能无法有效地探测到弱信号或者区分目标与杂波。雷达信号增强方法的研究能够提高雷达系统的性能和效率，对于提高目标检测和跟踪的准确性、增强目标辨识能力以及改善雷达系统在复杂环境中的工作能力具有重要意义。目前，针对雷达信号增强的研究涵盖了多个方面。首先，基于信号处理技术的方法被广泛应用于雷达信号增强。这些方法包括滤波、降噪、谱分析、自适应信号处理等，可以有效地减小噪声干扰并提取出目标信号。其次，利用雷达阵列和波束形成技术，可以实现空间滤波和目标方向估计，从而提高信号的分辨率和定位精度。此外，机器学习和深度学习方法在雷达信号增强领域也引起了广泛关注，这些算法能够从大量数据中学习目标与杂波的特征，进一步优化信号处理与目标识别性能。尽管已取得了显著进展，但仍然存在一些挑战和问题。在实际应用中由于不同类型的目标（如陆地、海洋、飞行器等）具有不同的散射特性，针对不同目标的信号增强需求也不同，需要针对性处理以提高雷达信号增强的效果和实用性。针对该问题，本发明提出一种多拼融合的声雷达信号增强方法，实现非平稳强噪环境下的雷达信号增强。
发明内容
有鉴于此，本发明提供一种多拼融合的声雷达信号增强方法，目的在于：1）采用结合信号相位谱和幅值谱的方式计算得到声雷达混合信号中混合信号的相位分布以及能量分布，并结合幅值谱和相位谱，对声雷达混合信号进行重构，得到过滤尖锐噪声信号的重构后的声雷达混合信号，进而分别提取梅尔倒谱系数特征以及能量熵值比率特征作为多拼特征，将每个信号帧的多拼特征进行融合处理作为混合信号多拼特征，保留了梅尔倒谱系数特征在一般噪声环境下对音频段的追踪特征较好的优势，补充了强噪环境下能量熵值比率特征能够更为有效突出音频段和噪声段的优势，实现非平稳强噪环境下声雷达混合信号的特征提取；2）利用声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，实现纯净声雷达目标信号的初步识别，并采用改进最小控制递归平均方法，在不同噪声环境下对声雷达目标信号进行存在噪声概率的自适应计算，根据计算结果采用改进对数谱幅值估计方法生成每帧声雷达目标信号的增益系数，对每帧声雷达目标信号进行增强处理，从而在各种噪声环境下实现声雷达目标信号的进一步增强处理。
实现上述目的，本发明提供的一种多拼融合的声雷达信号增强方法，包括以下步骤：
S1：采集声雷达混合信号并进行重构，得到重构后的声雷达混合信号，其中基于信号相位谱和幅值谱估计的雷达信号抗干扰处理方法为所述声雷达混合信号重构的主要实施方法；
S2：对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将梅尔倒谱系数特征以及能量熵值比率特征构成混合信号多拼特征；
S3：构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，所述声雷达目标信号识别模型以混合信号多拼特征为输入，以声雷达混合信号中纯净的声雷达目标信号为输出；
S4：采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，
得到增强后的声雷达目标信号。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集声雷达混合信号并进行信号重构，得到重构后的声雷达混合信号，包括：
采集声雷达混合信号并按照采样频率进行采样处理，其中声雷达混合信号中包括声雷达目标信号以及混合噪声信号，声雷达目标信号为声雷达向目标物发射定向声脉冲所接收到的回波信号，所采集声雷达混合信号的形式为：
；
其中：
表示声雷达混合信号，t表示时序信息；
表示声雷达混合信号在第n个采样时刻的信号值，表示声雷达混合信号的N个采样时刻；
对所采集声雷达混合信号进行信号重构，其中信号重构流程为：
S11：设置信号帧长为len个采样时刻的信号值，信号帧移为move个采样时刻的信号值，将声雷达混合信号划分为个信号帧，其中每个信号帧的长度为len个采样时刻的信号值，相邻信号帧之间的重叠信号值数目为len-move，得到声雷达混合信号的分帧处理结果：
；
其中：
表示声雷达混合信号、的第i个信号帧，表示信号帧中len个采样时刻的信号值；
S12：利用窗函数对每个信号帧进行加窗处理，其中信号帧中任意信号值的加窗处理公式为：
；
其中：
表示信号帧中第d个采样时刻的信号值，表示信号值的加窗处理结果；
将所有加窗处理后的信号值构成加窗处理后的信号帧，信号帧的加窗处理后结果为；
S13：生成任意第i个信号帧的幅值谱以及相位谱；
；
；
其中：
j表示虚数单位，；
表示声雷达混合信号的采样频率；
e表示自然常数；
表示第i个信号帧的幅值谱；
表示第i个信号帧的相位谱；
S14：计算得到第i个信号帧的加权系数以及平均幅值谱：
；
；
；
；
；
其中：
表示第i个信号帧的加权系数，表示第i个信号帧的平均幅值谱；
表示第i个信号帧的能量谱；
表示第i个信号帧的平均能量谱，
表示声雷达混合信号中每个信号帧的平均能量谱；
m表示常数，将其设置为3；
均为预设参数，分别设置为2以及0.001；
S15：生成任意第i个信号帧的重构结果：
；
其中：
表示第i个信号帧的重构结果；
表示第i个信号帧的加权系数，表示第i个信号帧的平均幅值谱；
表示声雷达混合信号的采样频率；
e表示自然常数；
j表示虚数单位，；
表示第i个信号帧的相位谱；
表示离散傅里叶逆变换处理；
S16：按顺序将信号帧的重构结果进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的重构后声雷达混合信号：
其中：
表示重构后的声雷达混合信号，表示声雷达混合信号在第n个采样时刻的信号值。
可选地，所述S2步骤中对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，包括：
对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，其中混合信号多拼特征的提取流程为：
S21：对重构后的声雷达混合信号进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱，其中每个信号帧和对应幅值谱所构成的集合为，表示声雷达混合信号的第i个信号帧，表示信号帧对应的幅值谱；
S22：对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，得到每个信号帧的梅尔倒谱系数特征；
S23：对每个信号帧进行能量熵值比率特征提取，得到每个信号帧的能量熵值比率特征；
S24：生成每个信号帧的多拼特征，并构成重构后声雷达混合信号的混合信号多拼特征F：
；
；
其中：
表示第i个信号帧的多拼特征；
表示第i个信号帧的梅尔倒谱系数特征；
表示第i个信号帧的能量熵值比率特征；
表示前十个信号帧的梅尔倒谱系数特征均值；
表示前十个信号帧的能量熵值比率特征均值。
可选地，所述S22步骤中对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，包括：
S221：计算得到任意第i个信号帧的能量谱：
；
其中：表示第i个信号帧的能量谱；
S222：将每个信号帧的能量谱输入到K个滤波器构成的Gammatone滤波器组中，得到每个信号帧的滤波能量，其中第i个信号帧的滤波能量计算公式为：
；
其中：表示第i个信号帧的滤波能量；表示Gammatone滤波器组中第k个Gammatone滤波器；在本发明实施例中，Gammatone滤波器组中每个Gammatone滤波器的中心频率互不相同；
S223：生成任意第i个信号帧的梅尔倒谱系数特征：
；
其中：表示第i个信号帧的梅尔倒谱系数特征。
可选地，所述S23步骤中对每个信号帧进行能量熵值比率特征提取，包括：
S231：计算得到任意第i个信号帧的能量谱：
；
其中：表示第i个信号帧的能量谱；
S232：计算得到第i个信号帧的能量熵：；
S233：生成第i个信号帧的能量熵值比率特征：
；
其中：表示第i个信号帧的能量熵值比率特征。
可选地，所述S3步骤中构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，包括：
构造声雷达目标信号识别模型，所述声雷达目标信号识别模型以混合信号多拼特征为输入，以声雷达混合信号中纯净的声雷达目标信号为输出，其中声雷达目标信号识别模型中包括输入层、编码层、解码层以及输出层，输入层用于接收混合信号多拼特征，编码层用于对混合信号多拼特征进行再编码处理，解码层用于将再编码结果解码为声雷达目标信号，输出层用于输出声雷达目标信号；
利用声雷达目标信号识别模型识别得到混合信号多拼特征F中的声雷达目标信号，其中基于声雷达目标信号识别模型的声雷达目标信号识别流程为：
S31：输入层接收重构后声雷达混合信号的混合信号多拼特征F；
S32：编码层对混合信号多拼特征F进行再编码处理，其中编码公式为：
；
；
其中：
T表示转置；
表示混合信号多拼特征F的再编码处理结果；
表示编码参数矩阵；
表示激活函数；
表示多拼特征的再编码处理结果；
S33：解码层将再编码结果解码为声雷达目标信号，其中解码公式为：
；
其中：
表示行数为N的解码参数矩阵；
表示声雷达目标信号，t表示时序信息。
可选地，所述S4步骤中采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，包括：
采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，其中声雷达目标信号的信号增强流程为：
S41：计算得到声雷达混合信号中的混合噪声信号：
；
对混合噪声信号、声雷达目标信号分别进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱；
S42：对混合噪声信号中每个信号帧的能量谱进行递归平均：
；
；
其中：
表示0-1之间的随机数；
表示声雷达混合信号中第i个信号帧的能量谱；
表示z次递归得到混合噪声信号中信号帧的能量谱均值，表示混合噪声信号中第i个信号帧的幅值谱在第z次迭代的结果，z的初始值为0，最大值为Z；
表示声雷达目标信号中第i个信号帧的幅值谱；
表示偏置因子，将设置为0.6；
S43：若满足大于预设的噪声阈值MIN，则停止混合噪声信号中第i个信号帧的递归平均，并计算得到第i个信号帧存在噪声的概率：
；
其中：
表示以自然常数为底的指数函数；
表示第i个信号帧存在噪声的概率，即为噪声能量谱最优估计结果；
否则令z=z+1，返回步骤S42，得到每个信号帧存在噪声的概率；
S44：结合噪声能量谱最优估计以及改进对数谱幅值估计生成每个信号帧的增益系数：
；
其中：
表示预设的噪声阈值，R表示初始增益系数；
表示第i个信号帧的增益系数；
表示混合噪声信号中第i个信号帧的幅值谱；
S45：利用增益系数对声雷达目标信号中的每个信号帧进行乘积操作，得到增强后的信号帧，按顺序将增强后的信号帧进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的增强后声雷达目标信号。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的多拼融合的声雷达信号增强方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的多拼融合的声雷达信号增强方法。
相对于现有技术，本发明提出一种多拼融合的声雷达信号增强方法，该技术具有以下优势：
首先，本方案提出一种多拼融合的特征提取方法，对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，其中混合信号多拼特征的提取流程为：对重构后的声雷达混合信号进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱，其中每个信号帧和对应幅值谱所构成的集合为，表示声雷达混合信号的第i个信号帧，表示信号帧对应的幅值谱；对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，得到每个信号帧的梅尔倒谱系数特征；对每个信号帧进行能量熵值比率特征提取，得到每个信号帧的能量熵值比率特征；生成每个信号帧的多拼特征，并构成重构后声雷达混合信号的混合信号多拼特征F：
；
；
其中：表示第i个信号帧的多拼特征；表示第i个信号帧的梅尔倒谱系数特征；表示第i个信号帧的能量熵值比率特征；表示前十个信号帧的梅尔倒谱系数特征均值；表示前十个信号帧的能量熵值比率特征均值。本方案采用结合信号相位谱和幅值谱的方式计算得到声雷达混合信号中混合信号的相位分布以及能量分布，并结合幅值谱和相位谱，对声雷达混合信号进行重构，得到过滤尖锐噪声信号的重构后的声雷达混合信号，进而分别提取梅尔倒谱系数特征以及能量熵值比率特征作为多拼特征，将每个信号帧的多拼特征进行融合处理作为混合信号多拼特征，保留了梅尔倒谱系数特征在一般噪声环境下对音频段的追踪特征较好的优势，补充了强噪环境下能量熵值比率特征能够更为有效突出音频段和噪声段的优势，实现非平稳强噪环境下声雷达混合信号的特征提取。
同时，本方案提出一种声雷达信号增强方法，采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，其中声雷达目标信号的信号增强流程为：计算得到声雷达混合信号中的混合噪声信号：
；
对混合噪声信号、声雷达目标信号分别进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱；对混合噪声信号中每个信号帧的能量谱进行递归平均：
；
；
其中：表示0-1之间的随机数；表示声雷达混合信号中第i个信号帧的能量谱；表示z次递归得到混合噪声信号中信号帧的能量谱均值，表示混合噪声信号中第i个信号帧的幅值谱在第z次迭代的结果，z的初始值为0，最大值为Z；表示声雷达目标信号中第i个信号帧的幅值谱；表示偏置因子，将设置为0.6；若满足大于预设的噪声阈值MIN，则停止混合噪声信号中第i个信号帧的递归平均，并计算得到第i个信号帧存在噪声的概率：
；
其中：表示以自然常数为底的指数函数；表示第i个信号帧存在噪声的概率，即为噪声能量谱最优估计结果；否则令z=z+1，直到得到每个信号帧存在噪声的概率；结合噪声能量谱最优估计以及改进对数谱幅值估计生成每个信号帧的增益系数：
；
其中：表示预设的噪声阈值，R表示初始增益系数；表示第i个信号帧的增益系数；表示混合噪声信号中第i个信号帧的幅值谱；利用增益系数对声雷达目标信号中的每个信号帧进行乘积操作，得到增强后的信号帧，按顺序将增强后的信号帧进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的增强后声雷达目标信号。本方案利用声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，实现纯净声雷达目标信号的初步识别，并采用改进最小控制递归平均方法，在不同噪声环境下对声雷达目标信号进行存在噪声概率的自适应计算，根据计算结果采用改进对数谱幅值估计方法生成每帧声雷达目标信号的增益系数，对每帧声雷达目标信号进行增强处理，从而在各种噪声环境下实现声雷达目标信号的进一步增强处理。
附图说明
图1为本发明一实施例提供的一种多拼融合的声雷达信号增强方法的流程示意图；
图2为本发明一实施例提供的实现多拼融合的声雷达信号增强方法的电子设备的结构示意图；
图中：1电子设备，10处理器，11存储器，12程序，13通信接口；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种多拼融合的声雷达信号增强方法。所述多拼融合的声雷达信号增强方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述多拼融合的声雷达信号增强方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：采集声雷达混合信号并进行重构，得到重构后的声雷达混合信号。
所述S1步骤中采集声雷达混合信号并进行信号重构，得到重构后的声雷达混合信号，包括：
采集声雷达混合信号并按照采样频率进行采样处理，其中声雷达混合信号中包括声雷达目标信号以及混合噪声信号，声雷达目标信号为声雷达向目标物发射定向声脉冲所接收到的回波信号，所采集声雷达混合信号的形式为：
；
其中：
表示声雷达混合信号，t表示时序信息；
表示声雷达混合信号在第n个采样时刻的信号值，表示声雷达混合信号的N个采样时刻；
对所采集声雷达混合信号进行信号重构，其中信号重构流程为：
S11：设置信号帧长为len个采样时刻的信号值，信号帧移为move个采样时刻的信号值，将声雷达混合信号划分为个信号帧，其中每个信号帧的长度为len个采样时刻的信号值，相邻信号帧之间的重叠信号值数目为len-move，得到声雷达混合信号的分帧处理结果：
；
其中：
表示声雷达混合信号、的第i个信号帧，表示信号帧中len个采样时刻的信号值；
S12：利用窗函数对每个信号帧进行加窗处理，其中信号帧中任意信号值的加窗处理公式为：
；
其中：
表示信号帧中第d个采样时刻的信号值，表示信号值的加窗处理结果；
将所有加窗处理后的信号值构成加窗处理后的信号帧，信号帧的加窗处理后结果为；
S13：生成任意第i个信号帧的幅值谱以及相位谱；
；
；
其中：
j表示虚数单位，；
表示声雷达混合信号的采样频率；
e表示自然常数；
表示第i个信号帧的幅值谱；
表示第i个信号帧的相位谱；
S14：计算得到第i个信号帧的加权系数以及平均幅值谱：
；
；
；
；
；
其中：
表示第i个信号帧的加权系数，表示第i个信号帧的平均幅值谱；
表示第i个信号帧的能量谱；表示第i个信号帧的平均能量谱，表示声雷达混合信号中每个信号帧的平均能量谱；m表示常数，将其设置为3；均为预设参数，分别设置为2以及0.001；
S15：生成任意第i个信号帧的重构结果：
；
其中：
表示第i个信号帧的重构结果；
表示第i个信号帧的加权系数，表示第i个信号帧的平均幅值谱；
表示声雷达混合信号的采样频率；
e表示自然常数；
j表示虚数单位，；
表示第i个信号帧的相位谱；
表示离散傅里叶逆变换处理；
S16：按顺序将信号帧的重构结果进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的重构后声雷达混合信号：
；
其中：
表示重构后的声雷达混合信号，表示声雷达混合信号在第n个采样时刻的信号值。
S2：对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将梅尔倒谱系数特征以及能量熵值比率特征构成混合信号多拼特征。
所述S2步骤中对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，包括：
对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，其中混合信号多拼特征的提取流程为：
S21：对重构后的声雷达混合信号进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱，其中每个信号帧和对应幅值谱所构成的集合为，表示声雷达混合信号的第i个信号帧，表示信号帧对应的幅值谱；
S22：对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，得到每个信号帧的梅尔倒谱系数特征；
S23：对每个信号帧进行能量熵值比率特征提取，得到每个信号帧的能量熵值比率特征；
S24：生成每个信号帧的多拼特征，并构成重构后声雷达混合信号的混合信号多拼特征F：
；
；
其中：
表示第i个信号帧的多拼特征；
表示第i个信号帧的梅尔倒谱系数特征；
表示第i个信号帧的能量熵值比率特征；
表示前十个信号帧的梅尔倒谱系数特征均值；
表示前十个信号帧的能量熵值比率特征均值。
所述S22步骤中对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，包括：
S221：计算得到任意第i个信号帧的能量谱：
；
其中：表示第i个信号帧的能量谱；
S222：将每个信号帧的能量谱输入到K个滤波器构成的Gammatone滤波器组中，得到每个信号帧的滤波能量，其中第i个信号帧的滤波能量计算公式为：
；
其中：表示第i个信号帧的滤波能量；表示Gammatone滤波器组中第k个Gammatone滤波器；在本发明实施例中，Gammatone滤波器组中每个Gammatone滤波器的中心频率互不相同；
S223：生成任意第i个信号帧的梅尔倒谱系数特征：
；
其中：表示第i个信号帧的梅尔倒谱系数特征。
所述S23步骤中对每个信号帧进行能量熵值比率特征提取，包括：
S231：计算得到任意第i个信号帧的能量谱：
；
其中：表示第i个信号帧的能量谱；
S232：计算得到第i个信号帧的能量熵：；
S233：生成第i个信号帧的能量熵值比率特征：
；
其中：表示第i个信号帧的能量熵值比率特征。
S3：构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，所述声雷达目标信号识别模型以混合信号多拼特征为输入，以声雷达混合信号中纯净的声雷达目标信号为输出。
所述S3步骤中构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，包括：
构造声雷达目标信号识别模型，所述声雷达目标信号识别模型以混合信号多拼特征为输入，以声雷达混合信号中纯净的声雷达目标信号为输出，其中声雷达目标信号识别模型中包括输入层、编码层、解码层以及输出层，输入层用于接收混合信号多拼特征，编码层用于对混合信号多拼特征进行再编码处理，解码层用于将再编码结果解码为声雷达目标信号，输出层用于输出声雷达目标信号；
利用声雷达目标信号识别模型识别得到混合信号多拼特征F中的声雷达目标信号，其中基于声雷达目标信号识别模型的声雷达目标信号识别流程为：
S31：输入层接收重构后声雷达混合信号的混合信号多拼特征F；
S32：编码层对混合信号多拼特征F进行再编码处理，其中编码公式为：
；
；
其中：
T表示转置；
表示混合信号多拼特征F的再编码处理结果；
表示编码参数矩阵；
表示激活函数；
表示多拼特征的再编码处理结果；
S33：解码层将再编码结果解码为声雷达目标信号，其中解码公式为：
；
其中：
表示行数为N的解码参数矩阵；
表示声雷达目标信号，t表示时序信息。
S4：采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，得到增强后的声雷达目标信号。
所述S4步骤中采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，包括：
采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，其中声雷达目标信号的信号增强流程为：
S41：计算得到声雷达混合信号中的混合噪声信号：
；
对混合噪声信号、声雷达目标信号分别进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱；
S42：对混合噪声信号中每个信号帧的能量谱进行递归平均：
；
；
其中：
表示混合噪声信号中第i个信号帧的迭代步长；
表示0-1之间的随机数；
表示声雷达混合信号中第i个信号帧的能量谱；
表示z次递归得到混合噪声信号中信号帧的能量谱均值，表示混合噪声信号中第i个信号帧的幅值谱在第z次迭代的结果，z的初始值为0，最大值为Z；
表示声雷达目标信号中第i个信号帧的幅值谱；
表示偏置因子，将设置为0.6；
S43：若满足大于预设的噪声阈值MIN，则停止混合噪声信号中第i个信号帧的递归平均，并计算得到第i个信号帧存在噪声的概率：
；
其中：
表示以自然常数为底的指数函数；
表示第i个信号帧存在噪声的概率，即为噪声能量谱最优估计结果；
否则令z=z+1，返回步骤S42，得到每个信号帧存在噪声的概率；
S44：结合噪声能量谱最优估计以及改进对数谱幅值估计生成每个信号帧的增益系数：
；
其中：
表示预设的噪声阈值，R表示初始增益系数；
表示第i个信号帧的增益系数；
表示混合噪声信号中第i个信号帧的幅值谱；
S45：利用增益系数对声雷达目标信号中的每个信号帧进行乘积操作，得到增强后的信号帧，按顺序将增强后的信号帧进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的增强后声雷达目标信号。
实施例2
如图2所示，是本发明一实施例提供的实现多拼融合的声雷达信号增强方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现多拼融合的声雷达信号增强的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集声雷达混合信号并进行重构，得到重构后的声雷达混合信号；
对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将梅尔倒谱系数特征以及能量熵值比率特征构成混合信号多拼特征；
构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号；
采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，得到增强后的声雷达目标信号。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种多拼融合的声雷达信号增强方法，其特征在于，所述方法包括：
S1：采集声雷达混合信号并进行重构，得到重构后的声雷达混合信号；
S2：对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将梅尔倒谱系数特征以及能量熵值比率特征构成混合信号多拼特征；
S3：构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，所述声雷达目标信号识别模型以混合信号多拼特征为输入，以声雷达混合信号中纯净的声雷达目标信号为输出；
S4：采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，得到增强后的声雷达目标信号；
采用改进最小控制递归平均方法对声雷达目标信号进行噪声能量谱最优估计，并结合噪声能量谱最优估计以及改进对数谱幅值估计对声雷达目标信号进行信号增强，其中声雷达目标信号的信号增强流程为：
S41：计算得到声雷达混合信号中的混合噪声信号：
；
对混合噪声信号、声雷达目标信号分别进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱；
S42：对混合噪声信号中每个信号帧的能量谱进行递归平均：
；
；
其中：
表示0-1之间的随机数；
表示声雷达混合信号中第i个信号帧的能量谱；
表示z次递归得到混合噪声信号中信号帧的能量谱均值，表示混合噪声信号中第i个信号帧的幅值谱在第z次迭代的结果，z的初始值为0，最大值为Z；
表示声雷达目标信号中第i个信号帧的幅值谱；
表示混合噪声信号中第i个信号帧的迭代步长；
表示偏置因子，将设置为0.6；
S43：若满足大于预设的噪声阈值MIN，则停止混合噪声信号中第i个信号帧的递归平均，并计算得到第i个信号帧存在噪声的概率：
；
其中：
表示以自然常数为底的指数函数；
表示第i个信号帧存在噪声的概率，即为噪声能量谱最优估计结果；
否则令z=z+1，返回步骤S42，得到每个信号帧存在噪声的概率；
S44：结合噪声能量谱最优估计以及改进对数谱幅值估计生成每个信号帧的增益系数：
其中：
表示预设的噪声阈值，R表示初始增益系数；
表示第i个信号帧的增益系数；
表示混合噪声信号中第i个信号帧的幅值谱；
S45：利用增益系数对声雷达目标信号中的每个信号帧进行乘积操作，得到增强后的信号帧，按顺序将增强后的信号帧进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的增强后声雷达目标信号。
2.如权利要求1所述的一种多拼融合的声雷达信号增强方法，其特征在于，所述S1步骤中采集声雷达混合信号并进行信号重构，得到重构后的声雷达混合信号，包括：
采集声雷达混合信号并按照采样频率进行采样处理，其中声雷达混合信号中包括声雷达目标信号以及混合噪声信号，声雷达目标信号为声雷达向目标物发射定向声脉冲所接收到的回波信号，所采集声雷达混合信号的形式为：
；
其中：
表示声雷达混合信号，t表示时序信息；
表示声雷达混合信号在第n个采样时刻的信号值，表示声雷达混合信号的N个采样时刻；
对所采集声雷达混合信号进行信号重构，其中信号重构流程为：
S11：设置信号帧长为len个采样时刻的信号值，信号帧移为move个采样时刻的信号值，将声雷达混合信号划分为个信号帧，其中每个信号帧的长度为len个采样时刻的信号值，相邻信号帧之间的重叠信号值数目为len-move，得到声雷达混合信号的分帧处理结果：
；
其中：
表示声雷达混合信号的第i个信号帧，表示信号帧中len个采样时刻的信号值；
S12：利用窗函数对每个信号帧进行加窗处理，其中信号帧中任意信号值的加窗处理公式为：
；
其中：
表示信号帧中第d个采样时刻的信号值，表示信号值的加窗处理结果；
将所有加窗处理后的信号值构成加窗处理后的信号帧，信号帧的加窗处理后结果为；
S13：生成任意第i个信号帧的幅值谱以及相位谱；
S14：计算得到第i个信号帧的加权系数以及平均幅值谱；
S15：生成任意第i个信号帧的重构结果：
；
其中：
表示第i个信号帧的重构结果；
表示第i个信号帧的加权系数，表示第i个信号帧的平均幅值谱；
表示声雷达混合信号的采样频率；
e表示自然常数；
j表示虚数单位，；
表示第i个信号帧的相位谱；
表示离散傅里叶逆变换处理；
S16：按顺序将信号帧的重构结果进行排序，信号帧重叠部分的信号值取相邻信号帧的信号值均值，构成N个采样时刻的重构后声雷达混合信号：
其中：
表示重构后的声雷达混合信号，表示声雷达混合信号在第n个采样时刻的信号值。
3.如权利要求2所述的一种多拼融合的声雷达信号增强方法，其特征在于，所述S2步骤中对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，包括：
对重构后的声雷达混合信号进行非稳定加噪条件下的梅尔倒谱系数特征以及能量熵值比率特征提取，将所提取特征构成混合信号多拼特征，其中混合信号多拼特征的提取流程为：
S21：对重构后的声雷达混合信号进行分帧以及加窗处理，并计算得到每个信号帧的幅值谱，其中每个信号帧和对应幅值谱所构成的集合为，表示声雷达混合信号的第i个信号帧，表示信号帧对应的幅值谱；
S22：对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，得到每个信号帧的梅尔倒谱系数特征；
S23：对每个信号帧进行能量熵值比率特征提取，得到每个信号帧的能量熵值比率特征；
S24：生成每个信号帧的多拼特征，并构成重构后声雷达混合信号的混合信号多拼特征F：
；
；
其中：
表示第i个信号帧的多拼特征；
表示第i个信号帧的梅尔倒谱系数特征；
表示第i个信号帧的能量熵值比率特征；
表示前十个信号帧的梅尔倒谱系数特征均值；
表示前十个信号帧的能量熵值比率特征均值。
4.如权利要求3所述的一种多拼融合的声雷达信号增强方法，其特征在于，所述S22步骤中对每个信号帧进行融合Gammatone滤波器组的梅尔倒谱系数特征提取，包括：
S221：计算得到任意第i个信号帧的能量谱：
其中：
表示第i个信号帧的能量谱；
S222：将每个信号帧的能量谱输入到K个滤波器构成的Gammatone滤波器组中，得到每个信号帧的滤波能量，其中第i个信号帧的滤波能量计算公式为：
其中：
表示第i个信号帧的滤波能量；
表示Gammatone滤波器组中第k个Gammatone滤波器；
S223：生成任意第i个信号帧的梅尔倒谱系数特征：
其中：
表示第i个信号帧的梅尔倒谱系数特征。
5.如权利要求3所述的一种多拼融合的声雷达信号增强方法，其特征在于，所述S23步骤中对每个信号帧进行能量熵值比率特征提取，包括：
S231：计算得到任意第i个信号帧的能量谱：
；
其中：
表示第i个信号帧的能量谱；
S232：计算得到第i个信号帧的能量熵：；
S233：生成第i个信号帧的能量熵值比率特征：
；
其中：
表示第i个信号帧的能量熵值比率特征。
6.如权利要求1所述的一种多拼融合的声雷达信号增强方法，其特征在于，所述S3步骤中构造声雷达目标信号识别模型识别得到混合信号多拼特征中的声雷达目标信号，包括：
构造声雷达目标信号识别模型，所述声雷达目标信号识别模型以混合信号多拼特征为输入，以声雷达混合信号中纯净的声雷达目标信号为输出，其中声雷达目标信号识别模型中包括输入层、编码层、解码层以及输出层，输入层用于接收混合信号多拼特征，编码层用于对混合信号多拼特征进行再编码处理，解码层用于将再编码结果解码为声雷达目标信号，输出层用于输出声雷达目标信号；
利用声雷达目标信号识别模型识别得到混合信号多拼特征F中的声雷达目标信号，其中基于声雷达目标信号识别模型的声雷达目标信号识别流程为：
S31：输入层接收重构后声雷达混合信号的混合信号多拼特征F；
S32：编码层对混合信号多拼特征F进行再编码处理，其中编码公式为：
；
；
其中：
T表示转置；
表示混合信号多拼特征F的再编码处理结果；
表示编码参数矩阵；
表示激活函数；
表示多拼特征的再编码处理结果；
S33：解码层将再编码结果解码为声雷达目标信号，其中解码公式为：
其中：
表示行数为N的解码参数矩阵；
表示声雷达目标信号，t表示时序信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311710828.1A CN117388835B (zh) | 2023-12-13 | 2023-12-13 | 一种多拼融合的声雷达信号增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311710828.1A CN117388835B (zh) | 2023-12-13 | 2023-12-13 | 一种多拼融合的声雷达信号增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117388835A CN117388835A (zh) | 2024-01-12 |
| CN117388835B true CN117388835B (zh) | 2024-03-08 |
Family
ID=89470699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311710828.1A Active CN117388835B (zh) | 2023-12-13 | 2023-12-13 | 一种多拼融合的声雷达信号增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388835B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117826113B (zh) * | 2024-03-05 | 2024-05-10 | 湖南赛能环测科技有限公司 | 一种深度感知的雷达微信号检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007041789A1 (en) * | 2005-10-11 | 2007-04-19 | National Ict Australia Limited | Front-end processing of speech signals |
| CN108922554A (zh) * | 2018-06-04 | 2018-11-30 | 南京信息工程大学 | 基于对数谱估计的lcmv频率不变波束形成语音增强算法 |
| CN110927660A (zh) * | 2019-11-21 | 2020-03-27 | 华南理工大学 | 一种基于互质阵列的混合信号波达方向估计方法 |
| CN114252906A (zh) * | 2020-09-23 | 2022-03-29 | 美的集团股份有限公司 | 声音事件的检测方法和装置、计算机设备和存储介质 |
| CN115762551A (zh) * | 2022-11-21 | 2023-03-07 | 浙江柔灵科技有限公司 | 鼾声检测方法、装置、计算机设备及存储介质 |
| CN115932808A (zh) * | 2022-11-04 | 2023-04-07 | 四川九洲电器集团有限责任公司 | 一种基于多特征融合的被动声纳智能探测方法 |
| US11726174B1 (en) * | 2019-12-30 | 2023-08-15 | Waymo Llc | Methods and systems for removing transmit phase noise |
| CN116773952A (zh) * | 2023-07-17 | 2023-09-19 | 广东电网有限责任公司 | 一种变压器声纹信号故障诊断方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040148160A1 (en) * | 2003-01-23 | 2004-07-29 | Tenkasi Ramabadran | Method and apparatus for noise suppression within a distributed speech recognition system |
-
2023
- 2023-12-13 CN CN202311710828.1A patent/CN117388835B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007041789A1 (en) * | 2005-10-11 | 2007-04-19 | National Ict Australia Limited | Front-end processing of speech signals |
| CN108922554A (zh) * | 2018-06-04 | 2018-11-30 | 南京信息工程大学 | 基于对数谱估计的lcmv频率不变波束形成语音增强算法 |
| CN110927660A (zh) * | 2019-11-21 | 2020-03-27 | 华南理工大学 | 一种基于互质阵列的混合信号波达方向估计方法 |
| US11726174B1 (en) * | 2019-12-30 | 2023-08-15 | Waymo Llc | Methods and systems for removing transmit phase noise |
| CN114252906A (zh) * | 2020-09-23 | 2022-03-29 | 美的集团股份有限公司 | 声音事件的检测方法和装置、计算机设备和存储介质 |
| CN115932808A (zh) * | 2022-11-04 | 2023-04-07 | 四川九洲电器集团有限责任公司 | 一种基于多特征融合的被动声纳智能探测方法 |
| CN115762551A (zh) * | 2022-11-21 | 2023-03-07 | 浙江柔灵科技有限公司 | 鼾声检测方法、装置、计算机设备及存储介质 |
| CN116773952A (zh) * | 2023-07-17 | 2023-09-19 | 广东电网有限责任公司 | 一种变压器声纹信号故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于噪声分类的语音增强方法;袁文浩 等;华东理工大学学报(自然科学版);20140430;第40卷(第2期);第196-201页 * |
| 基于小波变换的声雷达模拟信号去噪研究;郭凤霞 等;现代雷达;20160315;第38卷(第03期);第86-90页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117388835A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
| CN117388835B (zh) | 一种多拼融合的声雷达信号增强方法 | |
| CN110503971A (zh) | 用于语音处理的基于神经网络的时频掩模估计和波束形成 | |
| Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
| CN110348288B (zh) | 一种基于77GHz毫米波雷达信号的手势识别方法 | |
| CN112735473B (zh) | 基于声音识别无人机的方法及系统 | |
| Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
| Yao et al. | An adaptive seismic signal denoising method based on variational mode decomposition | |
| CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
| CN112786072A (zh) | 基于螺旋桨辐射噪声的船舶分类识别方法 | |
| CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
| CN113723200B (zh) | 一种非平稳信号的时频谱结构特征提取方法 | |
| CN116913258B (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
| CN116359876B (zh) | 一种雷达信号处理方法 | |
| CN116992263A (zh) | 一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法 | |
| CN113064118A (zh) | 声源定位方法和装置 | |
| CN105375992A (zh) | 基于梯度算子和数学形态学的频谱空洞检测方法 | |
| CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
| Zhang et al. | Frequency line extraction on low SNR lofargram using principal component analysis | |
| CN117826113B (zh) | 一种深度感知的雷达微信号检测方法 | |
| CN114783462A (zh) | 一种基于cs-music矿井提升机故障源定位分析方法 | |
| CN113963017A (zh) | 一种实时红外弱小目标检测方法、装置和计算机设备 | |
| CN117648601A (zh) | 一种基于fpga的无人水声目标识别系统 | |
| CN118050716B (zh) | 一种多尺度形态处理的声雷达信号处理方法 |
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 |