CN117692074B - 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 - Google Patents
一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 Download PDFInfo
- Publication number
- CN117692074B CN117692074B CN202410137661.2A CN202410137661A CN117692074B CN 117692074 B CN117692074 B CN 117692074B CN 202410137661 A CN202410137661 A CN 202410137661A CN 117692074 B CN117692074 B CN 117692074B
- Authority
- CN
- China
- Prior art keywords
- signal
- mode
- processed
- matrix
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000001629 suppression Effects 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 104
- 230000008447 perception Effects 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 121
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 230000009977 dual effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
- H04B15/005—Reducing noise, e.g. humm, from the supply
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请的实施例涉及信号去噪技术领域，公开了一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，包括：利用ICEEMDAN算法对待处理信号进行分解，得到待处理信号的若干个模态；其中，所述待处理信号为有低频混叠噪声的水声目标信号；基于待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K‑Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态；利用ARS‑OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各有效信号主导的模态进行求和重构，得到最终的去噪信号，避免了过多的人工设置参数，并且能够在抑制低频混叠噪声时尽可能地保留特征信息。
Description
技术领域
本申请实施例涉及信号去噪技术领域，特别涉及一种适用于非稳态水声目标信号的低频混叠噪声抑制方法。
背景技术
水声信号是海洋环境中远距离信息传播的唯一有效载体，其携带着水声目标的重要特征信息，对水声目标检测识别具有重要意义。然而，由于海洋环境的复杂性，水声目标信号容易受到环境噪声的干扰，这降低了对水声目标检测识别的性能。因此，有必要对水声目标信号的去噪方法进行研究。
特征提取是水声目标检测识别前的关键步骤，海洋环境噪声的能量大多集中在较低的频率范围内，会对低频特征的提取造成干扰，进而影响水声目标检测识别的性能。因此，水声目标信号中低频混叠噪声的抑制，以及在去噪过程中尽可能保证特征的完整性极为重要。
传统的去噪方法主要有小波变换、傅立叶变换、奇异谱分解、自适应滤波等。小波分析在信号处理领域中应用广泛，但小波阈值的设置一直是一个较难的问题。傅里叶分析是将信号从时域转换到频域，然后通过滤波去除噪声，或者计算功率谱来抑制随机噪声的方法。然而，船舶辐射噪声是非高斯的、非线性的、非平稳的信号，因此傅里叶分析不适用。奇异谱分解利用相空间重构后的信号与噪声动态特性的差异将噪声从原始信号中分离出来，但其性能会受到主成分选择的影响。自适应滤波主要利用窄带线谱与宽带噪声的相关半径的差异进行降噪，但在信噪比较低时，自适应滤波的性能会下降。
由于水声目标信号具有非平稳和非线性的特性，信号模态分解方法被应用于水声目标信号去噪。模态分解能够自适应地将信号分解成一系列的本征模态函数，这些本征模态函数往往代表不同频率范围的信号成分。在信号分解的基础上，结合有效模态的筛选方法，丢弃噪声主导的模态，筛选出有效信号主导的模态并重构，可以实现噪声的抑制。
然而，本申请的发明人发现，虽然上述方法都能一定程度地抑制宽带海洋环境噪声，但是它们对高频噪声的抑制效果较好，对水声目标信号中的低频混叠噪声的抑制效果较差，这会造成较多特征信息的丢失。同时，上述方法在使用时往往需要人工设置参数，这无法适应水声目标信号时变的特性。
发明内容
本申请实施例的目的在于提供一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，避免了过多的人工设置参数，并且能够在抑制低频混叠噪声时尽可能地保留特征信息。
为解决上述技术问题，本申请的实施例提供了一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，包括以下步骤：利用ICEEMDAN算法（Improved Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise，改进的自适应噪声完备集成经验模态分解算法）对待处理信号进行分解，得到所述待处理信号的若干个模态；其中，所述待处理信号为有低频混叠噪声的水声目标信号；基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态；利用ARS-OptShrink算法（Adaptive Rank Selection based OptShrink，改进的自适应秩选择的OptShrink算法）对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号。
本申请的实施例还提供了一种适用于非稳态水声目标信号的低频混叠噪声抑制系统，包括：模态分解模块，用于利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态，所述待处理信号为有低频混叠噪声的水声目标信号；有效信号模态双重筛选模块，用于基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态；低频混叠噪声抑制模块，用于利用ARS-OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号。
本申请的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器中存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法。
本申请的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法。
本申请的实施例提供的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，将ICEEMDAN算法和ARS-OptShrink算法结合起来抑制非稳态水声目标信号的低频混叠噪声。利用ICEEMDAN算法对待处理信号进行模态分解，能够有效避免模态混叠以及伪模态的产生。在模态分解后，对各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法进行聚类及双重筛选，不仅能够快速、准确地筛选出有效信号主导的模态，完成对水声目标信号的初步的去噪，还能避免人工参数的设置，适应水声目标信号的时变特性。最后利用ARS-OptShrink算法对每一个有效信号主导的模态进行低频混叠噪声抑制，能够在抑制低频混叠噪声时尽可能地保留特征信息。
在一些可选的实施例中，所述利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态，包括：利用EMD算法（Empirical Mode Decomposition，经验模态分解算法）计算所述待处理信号的不同噪声副本的局部均值，并基于所述待处理信号的不同噪声副本的局部均值计算得到第一个残差；根据所述待处理信号和所述第一个残差计算得到所述待处理信号的第一个模态；利用所述EMD算法，基于第q-1个残差计算得到第q个残差，直至残差不能再被所述EMD算法分解；其中，所述q为大于1的整数；根据所述第k-1个残差和所述第q个残差计算得到所述待处理信号的第q个模态。
在一些可选的实施例中，所述利用EMD算法计算所述待处理信号的不同噪声副本的局部均值，并基于所述待处理信号的不同噪声副本的局部均值计算得到第一个残差，通过以下公式实现：
其中，s表示所述待处理信号，表示所述待处理信号的第/>个噪声副本，/>表示所述待处理信号的噪声副本的总数，/>表示信噪比，/>表示均值为0方差为1的白噪声，表示利用所述EMD算法获得所述待处理信号的第一个模态的运算符，/>表示计算局部均值的运算符，/>表示所述第一个残差；
所述根据所述待处理信号和所述第一个残差计算得到所述待处理信号的第一个模态，通过以下公式实现：
其中，表示所述待处理信号的第一个模态。
在一些可选的实施例中，所述利用所述EMD算法，基于第q-1个残差计算得到第q个残差，通过以下公式实现：
其中，表示所述第q-1个残差，/>表示信噪比，/>表示利用所述EMD算法获得所述待处理信号的第q个模态的运算符，/>表示所述第q个残差；
所述根据所述第q-1个残差和所述第q个残差计算得到所述待处理信号的第q个模态，通过以下公式实现：
其中，表示所述待处理信号的第q个模态。
在一些可选的实施例中，所述基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态，包括：分别计算所述待处理信号的各模态的幅度感知排列熵；设置聚类数为2，利用K-Means++聚类算法对所述各模态的幅度感知排列熵聚类，并计算每个簇的幅度感知排列熵的均值，保留所述幅度感知排列熵的均值最小的簇内的模态作为第一次筛选出的模态；分别计算各所述第一次筛选出的模态的余弦相似度；设置聚类数为3，利用所述K-Means++聚类算法对所述各所述第一次筛选出的模态的余弦相似度聚类，并计算每个簇的余弦相似度的均值，保留所述余弦相似度的均值最大的两个簇内的模态作为有效信号主导的模态。利用K-Means++聚类算法对各模态的幅度感知排列熵聚类时、以及利用K-Means++聚类算法对各第一次筛选出的模态的余弦相似度聚类时，聚类数设置的较小，可以进行较为松弛的聚类，进一步地保留水声目标信号中的有效特征信息。
在一些可选的实施例中，所述利用ARS-OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号，包括：将每个所述有效信号主导的模态的时间序列分别嵌入到L维的Hankel矩阵中，得到各所述有效信号主导的模态对应的模态矩阵；遍历各所述模态矩阵，对当前模态矩阵进行奇异值分解；设置聚类数为3，利用所述K-Means++聚类算法对所述当前模态矩阵的各奇异值进行聚类，并计算每个簇的奇异值的均值，将所述奇异值的均值最大的两个簇内的奇异值的总数作为所述当前模态矩阵的秩；基于所述当前模态矩阵的秩，计算所述当前模态矩阵的各奇异值的最佳收缩奇异值；基于所述当前模态矩阵的各奇异值的最佳收缩奇异值计算得到所述当前模态矩阵对应的去噪信号矩阵，并对所述去噪信号矩阵进行对角平均还原，得到所述当前模态矩阵对应的去噪信号模态；在完成对各所述模态矩阵的遍历后，得到各所述有效信号主导的模态对应的去噪信号模态，对各所述去噪信号模态进行求和重构，得到最终的去噪信号。ARS-OptShrink算法能够通过对奇异值进行聚类来自适应地确定模态矩阵的秩，且对奇异值进行收缩，减小噪声对奇异值造成的扰动，之后通过对角平均还原一维信号序列后，模态中的混叠噪声得到了抑制。
在一些可选的实施例中，所述对当前模态矩阵进行奇异值分解，通过以下公式实现：
其中，表示第/>个奇异值，/>为分解出的奇异值的总数，/>表示第/>个左奇异向量，表示第/>个右奇异向量，/>表示共轭转置；
所述基于所述当前模态矩阵的秩，计算所述当前模态矩阵的各奇异值的最佳收缩奇异值，通过以下公式实现：
其中，为所述当前模态矩阵的秩，/>表示取对角矩阵，/>表示单位矩阵，/>表示取迹，/>表示所述/>的行数，/>表示所述/>的列数，/>表示所述当前模态矩阵的第/>个奇异值的最佳收缩奇异值；
所述基于所述当前模态矩阵的各奇异值的最佳收缩奇异值计算得到所述当前模态矩阵对应的去噪信号矩阵，通过以下公式实现：
其中，表示所述当前模态矩阵对应的去噪信号矩阵；
所述对所述去噪信号矩阵进行对角平均还原，得到所述当前模态矩阵对应的去噪信号模态，通过以下公式实现：
其中，表示所述待处理信号的信号长度，/>表示所述当前模态矩阵对应的去噪信号模态的时间序列的第/>项。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
图1是本申请的一个实施例中提供的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法的流程图；
图2是本申请的一个实施例中提供的，利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态的流程图；
图3是本申请的一个实施例中提供的，基于待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对各模态进行双重筛选，确定有效信号主导的模态的流程图；
图4是本申请的一个实施例中提供的，利用ARS-OptShrink算法对各有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各有效信号主导的模态进行求和重构，得到最终的去噪信号的流程图；
图5是本申请的一个实施例中提供的，适用于非稳态水声目标信号的低频混叠噪声抑制方法的工作原理示意图；
图6是本申请的另一个实施例提供的一种适用于非稳态水声目标信号的低频混叠噪声抑制系统的结构示意图；
图7是本申请的另一个实施例提供的一种水声目标信号的时频图；
图8是本申请的另一个实施例提供的一种待处理信号的若干个模态的示意图；
图9是本申请的另一个实施例提供的一种模态筛选结果的示意图；
图10是本申请的另一个实施例提供的一种去噪后的水声目标信号的时频图；
图11是本申请的另一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本申请的一个实施例涉及一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，应用于电子设备，其中，电子设备可以为终端或服务器，本实施例以及以下各个实施例中电子设备以服务器为例进行说明。下面对本实施例提出的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本实施例提出的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法的具体流程可以如图1所示，包括：
步骤101，利用ICEEMDAN算法对待处理信号进行分解，得到待处理信号的若干个模态，所述待处理信号为有低频混叠噪声的水声目标信号。
在具体实现中，本实施例提出的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法可分为三个阶段，第一阶段可称为“模态分解阶段”。服务器获取到待处理信号后，利用ICEEMDAN算法对待处理信号进行分解，得到待处理信号的若干个模态。其中，待处理信号为有低频混叠噪声的水声目标信号，分解得到的待处理信号的模态的数量与待处理信号本身的性质、信号长度等相关。
在一个例子中，服务器利用ICEEMDAN算法对待处理信号进行分解，得到待处理信号的若干个模态，可以通过如图2所示的各步骤实现，具体包括：
步骤1011，利用EMD算法计算待处理信号的不同噪声副本的局部均值，并基于待处理信号的不同噪声副本的局部均值计算得到第一个残差。
在具体实现中，服务器在得到待处理信号后，可以先利用EMD算法计算待处理信号的不同噪声副本的局部均值，并基于待处理信号的不同噪声副本的局部均值计算得到第一个残差。服务器利用EMD算法计算待处理信号的不同噪声副本的局部均值，并基于待处理信号的不同噪声副本的局部均值计算得到第一个残差，可以通过以下公式实现：
式中，表示待处理信号，/>表示待处理信号的第/>个噪声副本，/>表示待处理信号的噪声副本的总数，/>表示信噪比，/>表示均值为0方差为1的白噪声，/>表示利用EMD算法获得待处理信号的第一个模态的运算符，/>表示计算局部均值的运算符，/>则表示第一个残差。/>可以通过以下公式表示：
式中，表示计算标准差的运算符，/>为首次添加噪声与待处理信号间信噪比的倒数。
步骤1012，根据待处理信号和第一个残差计算得到待处理信号的第一个模态。
在具体实现中，服务器在计算出第一个残差后，可以通过以下公式，根据待处理信号和第一个残差计算得到待处理信号的第一个模态：
式中，表示待处理信号的第一个模态。
步骤1013，利用EMD算法，基于第q-1个残差计算得到第q个残差，直至残差不能再被EMD算法分解。
在具体实现中，服务器在计算出第一个残差、计算得到待处理信号的第一个模态后，可以基于第一个残差计算得到第二个残差，并以此类推，基于第q-1个残差计算得到第q个残差，直至残差不能再被EMD算法分解。其中，q为大于1的整数。残差不能分解的条件沿用EMD算法中残差不能分解的条件，此处不再赘述。
在一个例子中，服务器利用EMD算法，基于第q-1个残差计算得到第q个残差，可以通过以下公式实现：
式中，表示第q-1个残差，/>表示信噪比，/>表示利用EMD算法获得待处理信号的第q个模态的运算符，/>表示第q个残差。
步骤1014，根据第q-1个残差和第q个残差计算得到待处理信号的第q个模态。
在具体实现中，服务器在计算得到第q个残差后，可以通过以下公式，根据第q-1个残差和第q个残差计算得到待处理信号的第q个模态：
式中，表示待处理信号的第q个模态。
步骤102，基于待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对各模态进行双重筛选，确定有效信号主导的模态。
在具体实现中，服务器完成对待处理信号的模态分解之后，即可进入“有效信号模态双重筛选”阶段。服务器基于各模态的AAPE（Amplitude Aware Permutation Entropy，幅度感知排列熵）和CS（Cosine Similarity，余弦相似度），利用K-Means++聚类算法对各模态进行双重筛选，确定有效信号主导的模态。
在一个例子中，服务器基于待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对各模态进行双重筛选，确定有效信号主导的模态，可以通过如图3所示的各步骤实现，具体包括：
步骤1021，分别计算待处理信号的各模态的幅度感知排列熵。
在具体实现中，服务器在确定出待处理信号的各模态后，可以分别计算待处理信号的各模态的幅度感知排列熵。
步骤1022，设置聚类数为2，利用K-Means++聚类算法对各模态的幅度感知排列熵聚类，并计算每个簇的幅度感知排列熵的均值，保留幅度感知排列熵的均值最小的簇内的模态作为第一次筛选出的模态。
在具体实现中，服务器计算出每一个模态的AAPE后，可以设置聚类数为2，利用K-Means++聚类算法对各模态的AAPE进行聚类，共得到两个簇，服务器计算每个簇的AAPE的均值，并对这两个簇的AAPE的均值进行比较，保留AAPE的均值最小的簇内的模态作为第一次筛选出的模态。
步骤1023，分别计算各第一次筛选出的模态的余弦相似度。
在具体实现中，服务器在得到第一次筛选出的模态后，可以通过以下公式计算各第一次筛选出的模态的余弦相似度：
式中，表示原始的待处理信号，/>表示第一次筛选出的模态，表示计算出的第一次筛选出的模态的余弦相似度。
步骤1024，设置聚类数为3，利用K-Means++聚类算法对各第一次筛选出的模态的余弦相似度聚类，并计算每个簇的余弦相似度的均值，保留余弦相似度的均值最大的两个簇内的模态作为有效信号主导的模态。
在具体实现中，服务器计算出每一个第一次筛选出的模态的CS后，可以设置聚类数为3，利用K-Means++聚类算法对各第一次筛选出的模态的CS进行聚类，总共得到三个簇，服务器计算每个簇CS的均值，并对这三个簇的CS的均值进行比较，保留CS的均值最大的两个簇内的模态作为有效信号主导的模态。
值得注意的是，利用K-Means++聚类算法对各模态的幅度感知排列熵聚类时、以及利用K-Means++聚类算法对各第一次筛选出的模态的余弦相似度聚类时，聚类数设置的较小，可以进行较为松弛的聚类，进一步地保留水声目标信号中的有效特征信息。
步骤103，利用ARS-OptShrink算法对各有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各有效信号主导的模态进行求和重构，得到最终的去噪信号。
在具体实现中，服务器确定出有效信号主导的模态之后，即可进入“低频混叠噪声抑制阶段”。服务器利用ARS-OptShrink算法对各有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各有效信号主导的模态进行求和重构，也就是将抑制后的各有效信号主导的模态进行叠加，叠加后得到的信号即最终的去噪信号。
在一个例子中，服务器利用ARS-OptShrink算法对各有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各有效信号主导的模态进行求和重构，得到最终的去噪信号，可以通过如图4所示的各步骤实现，具体包括：
步骤1031，将每个有效信号主导的模态的时间序列分别嵌入到L维的Hankel矩阵中，得到各有效信号主导的模态对应的模态矩阵。
在具体实现中，服务器得到有效信号主导的模态后，可以将每个有效信号主导的模态的时间序列分别嵌入到L维的Hankel矩阵中，得到各有效信号主导的模态对应的模态矩阵。
对于一个有效信号主导的模态的时间序列，其对应的模态矩阵可以表示为：
式中，待处理信号的信号长度，每一个有效信号主导的模态对应的信号长度与待处理信号的信号长度是相同的，/>表示信号长度的中值，/>表示模态矩阵。
值得注意的是，模态矩阵可以视为由去噪信号矩阵/>和随机噪声矩阵/>叠加组成，即/>。
步骤1032，遍历各模态矩阵，对当前模态矩阵进行奇异值分解。
在具体实现中，服务器得到各有效信号主导的模态对应的模态矩阵之后，可以遍历各模态矩阵，对当前模态矩阵进行奇异值分解。服务器对当前模态矩阵进行奇异值分解，可以通过以下公式实现：
式中，表示第/>个奇异值，/>为分解出的奇异值的总数，/>表示第/>个左奇异向量，表示第/>个右奇异向量，/>表示共轭转置。
步骤1033，设置聚类数为3，利用K-Means++聚类算法对当前模态矩阵的各奇异值进行聚类，并计算每个簇的奇异值的均值，将奇异值的均值最大的两个簇内的奇异值的总数作为当前模态矩阵的秩。
在具体实现中，服务器完成对当前模态矩阵的奇异值分解后，可以设置聚类数为3，利用K-Means++聚类算法对当前模态矩阵的各奇异值进行聚类，共得到三个簇。服务器计算每个簇的奇异值的均值，对这三个簇的奇异值的均值进行比较，将奇异值的均值最大的两个簇内的奇异值的总数作为当前模态矩阵的秩，从而保留更多的特征。
步骤1034，基于当前模态矩阵的秩，计算当前模态矩阵的各奇异值的最佳收缩奇异值。
在具体实现中，服务器确定当前模态矩阵的秩后，可以通过以下公式，计算当前模态矩阵的各奇异值的最佳收缩奇异值：
式中，为当前模态矩阵的秩，/>表示取对角矩阵，/>表示单位矩阵，/>表示取迹，/>表示/>的行数，/>表示/>的列数，/>表示当前模态矩阵的第/>个奇异值的最佳收缩奇异值。
步骤1035，基于当前模态矩阵的各奇异值的最佳收缩奇异值计算得到当前模态矩阵对应的去噪信号矩阵，并对去噪信号矩阵进行对角平均还原，得到当前模态矩阵对应的去噪信号模态。
在具体实现中，服务器在得到当前模态矩阵的各奇异值的最佳收缩奇异值后，可以通过以下公式，基于当前模态矩阵的各奇异值的最佳收缩奇异值计算得到当前模态矩阵对应的去噪信号矩阵：
式中，表示当前模态矩阵对应的去噪信号矩阵。服务器在得到当前模态矩阵对应的去噪信号矩阵后，可以通过以下公式，对所述去噪信号矩阵进行对角平均还原，得到当前模态矩阵对应的去噪信号模态：
式中，表示待处理信号的信号长度，/>表示当前模态矩阵对应的去噪信号模态的时间序列的第/>项。
步骤1036，在完成对各模态矩阵的遍历后，得到各有效信号主导的模态对应的去噪信号模态，对各去噪信号模态进行求和重构，得到最终的去噪信号。
在一个例子中，本实施例提出的适用于非稳态水声目标信号的低频混叠噪声抑制方法的工作原理可以如图5所示。
本实施例，将ICEEMDAN算法和ARS-OptShrink算法结合起来抑制非稳态水声目标信号的低频混叠噪声。利用ICEEMDAN算法对待处理信号进行模态分解，能够有效避免模态混叠以及伪模态的产生。在模态分解后，基于各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法进行聚类及双重筛选，不仅能够快速、准确地筛选出有效信号主导的模态，完成对水声目标信号的初步的去噪，还能避免人工参数的设置，适应水声目标信号的时变特性。最后利用ARS-OptShrink算法对每一个有效信号主导的模态进行低频混叠噪声抑制处理，能够在抑制低频混叠噪声时尽可能地保留特征信息。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请的另一个实施例涉及一种适用于非稳态水声目标信号的低频混叠噪声抑制系统，下面对本实施例提出的一种适用于非稳态水声目标信号的低频混叠噪声抑制系统的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本实施例提出的一种适用于非稳态水声目标信号的低频混叠噪声抑制系统的结构示意图可以如图6所示，包括：
模态分解模块201，用于利用ICEEMDAN算法对待处理信号进行分解，得到待处理信号的若干个模态，所述待处理信号为有低频混叠噪声的水声目标信号。
有效信号模态双重筛选模块202，用于基于待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对各模态进行双重筛选，确定有效信号主导的模态。
低频混叠噪声抑制模块203，用于利用ARS-OptShrink算法对各有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各有效信号主导的模态进行求和重构，得到最终的去噪信号。
值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
本申请的另一个实施例，使用水声目标的真实声学数据库来验证本申请提出的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法的性能。该数据库源于ShipsEar，记录了正常操作时的船只辐射噪声。
在模态分解阶段，选取ShipsEar的一条水声目标信号，将其降采样至16000Hz，并将该信号分为8000个采样点一帧，该水声目标信号的时频图如图7所示，该信号被分解出的若干个模态可以如图8所示。
在有效信号模态双重筛选阶段，计算每个模态计算AAPE值，设置聚类数为2，利用K-Means++算法对每个模态的AAPE值进行聚类，保留AAPE的均值较小的簇中的模态，对保留的模态计算CS值，设置聚类数为3，利用K-Means++算法对每个模态的CS值进行聚类，保留CS的均值较大的两个簇中的模态，最终得到的模态就是有效信号主导的模态，其模态筛选结果如图9所示。
在低频混叠噪声抑制阶段，将每个有效信号主导的模态分别嵌入到Hankel矩阵，嵌入维数为模态时间序列长度的中值。对模态矩阵进行奇异值分解，设置聚类数为3，对奇异值用K-Means++算法聚类，去噪信号模态矩阵的秩被估计为两个奇异值的均值较大簇中的奇异值个数。随后计算最佳收缩奇异值，计算去噪信号矩阵，并通过对角平均还原一维的去噪信号模态，对所有去噪信号模态求和重构得到最终的去噪信号，最终的去噪信号的时频图如图10所示。
本申请另一个实施例涉及一种电子设备，如图11所示，包括：至少一个处理器301；以及，与所述至少一个处理器301通信连接的存储器302；其中，所述存储器302存储有可被所述至少一个处理器301执行的指令，所述指令被所述至少一个处理器301执行，以使所述至少一个处理器301能够执行上述各实施例中的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本申请另一个实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory ，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。
Claims (7)
1.一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，其特征在于，包括：
利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态；其中，所述待处理信号为有低频混叠噪声的水声目标信号；
基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态；
利用ARS-OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号；
所述利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态，包括：
利用EMD算法计算所述待处理信号的不同噪声副本的局部均值，并基于所述待处理信号的不同噪声副本的局部均值计算得到第一个残差；
根据所述待处理信号和所述第一个残差计算得到所述待处理信号的第一个模态；
利用所述EMD算法，基于第q-1个残差计算得到第q个残差，直至残差不能再被所述EMD算法分解；其中，所述q为大于1的整数；
根据所述第q-1个残差和所述第q个残差计算得到所述待处理信号的第q个模态；
所述基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态，包括：
分别计算所述待处理信号的各模态的幅度感知排列熵；
设置聚类数为2，利用K-Means++聚类算法对所述各模态的幅度感知排列熵聚类，并计算每个簇的幅度感知排列熵的均值，保留所述幅度感知排列熵的均值最小的簇内的模态作为第一次筛选出的模态；
分别计算各所述第一次筛选出的模态的余弦相似度；
设置聚类数为3，利用所述K-Means++聚类算法对所述各所述第一次筛选出的模态的余弦相似度聚类，并计算每个簇的余弦相似度的均值，保留所述余弦相似度的均值最大的两个簇内的模态作为有效信号主导的模态；
所述利用ARS-OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号，包括：
将每个所述有效信号主导的模态的时间序列分别嵌入到L维的Hankel矩阵中，得到各所述有效信号主导的模态对应的模态矩阵；
遍历各所述模态矩阵，对当前模态矩阵进行奇异值分解；
设置聚类数为3，利用所述K-Means++聚类算法对所述当前模态矩阵的各奇异值进行聚类，并计算每个簇的奇异值的均值，将所述奇异值的均值最大的两个簇内的奇异值的总数作为所述当前模态矩阵的秩；
基于所述当前模态矩阵的秩，计算所述当前模态矩阵的各奇异值的最佳收缩奇异值；
基于所述当前模态矩阵的各奇异值的最佳收缩奇异值计算得到所述当前模态矩阵对应的去噪信号矩阵，并对所述去噪信号矩阵进行对角平均还原，得到所述当前模态矩阵对应的去噪信号模态；
在完成对各所述模态矩阵的遍历后，得到各所述有效信号主导的模态对应的去噪信号模态，对各所述去噪信号模态进行求和重构，得到最终的去噪信号。
2.根据权利要求1所述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，其特征在于，所述利用EMD算法计算所述待处理信号的不同噪声副本的局部均值，并基于所述待处理信号的不同噪声副本的局部均值计算得到第一个残差，通过以下公式实现：
其中，s表示所述待处理信号，表示所述待处理信号的第/>个噪声副本，/>表示所述待处理信号的噪声副本的总数，/>表示信噪比，/>表示均值为0方差为1的白噪声，/>表示利用所述EMD算法获得所述待处理信号的第一个模态的运算符，/>表示计算局部均值的运算符，/>表示所述第一个残差；
所述根据所述待处理信号和所述第一个残差计算得到所述待处理信号的第一个模态，通过以下公式实现：
其中，表示所述待处理信号的第一个模态。
3.根据权利要求2所述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，其特征在于，所述利用所述EMD算法，基于第q-1个残差计算得到第q个残差，通过以下公式实现：
其中，表示所述第q-1个残差，/>表示信噪比，/>表示利用所述EMD算法获得所述待处理信号的第q个模态的运算符，/>表示所述第q个残差；
所述根据所述第q-1个残差和所述第q个残差计算得到所述待处理信号的第q个模态，通过以下公式实现：
其中，表示所述待处理信号的第q个模态。
4.根据权利要求1所述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法，其特征在于，所述对当前模态矩阵进行奇异值分解，通过以下公式实现：
其中，表示第/>个奇异值，/>为分解出的奇异值的总数，/>表示第/>个左奇异向量，/>表示第/>个右奇异向量，/>表示共轭转置；
所述基于所述当前模态矩阵的秩，计算所述当前模态矩阵的各奇异值的最佳收缩奇异值，通过以下公式实现：
其中，为所述当前模态矩阵的秩，/>表示取对角矩阵，/>表示单位矩阵，/>表示取迹，/>表示所述/>的行数，/>表示所述/>的列数，/>表示所述当前模态矩阵的第/>个奇异值的最佳收缩奇异值；
所述基于所述当前模态矩阵的各奇异值的最佳收缩奇异值计算得到所述当前模态矩阵对应的去噪信号矩阵，通过以下公式实现：
其中，表示所述当前模态矩阵对应的去噪信号矩阵；
所述对所述去噪信号矩阵进行对角平均还原，得到所述当前模态矩阵对应的去噪信号模态，通过以下公式实现：
其中，表示所述待处理信号的信号长度，/>表示所述当前模态矩阵对应的去噪信号模态的时间序列的第/>项。
5.一种适用于非稳态水声目标信号的低频混叠噪声抑制系统，其特征在于，包括：
模态分解模块，用于利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态，所述待处理信号为有低频混叠噪声的水声目标信号；
有效信号模态双重筛选模块，用于基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态；
低频混叠噪声抑制模块，用于利用ARS-OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号；
所述利用ICEEMDAN算法对待处理信号进行分解，得到所述待处理信号的若干个模态，包括：
利用EMD算法计算所述待处理信号的不同噪声副本的局部均值，并基于所述待处理信号的不同噪声副本的局部均值计算得到第一个残差；
根据所述待处理信号和所述第一个残差计算得到所述待处理信号的第一个模态；
利用所述EMD算法，基于第q-1个残差计算得到第q个残差，直至残差不能再被所述EMD算法分解；其中，所述q为大于1的整数；
根据所述第q-1个残差和所述第q个残差计算得到所述待处理信号的第q个模态；
所述基于所述待处理信号的各模态的幅度感知排列熵和余弦相似度，利用K-Means++聚类算法对所述各模态进行双重筛选，确定有效信号主导的模态，包括：
分别计算所述待处理信号的各模态的幅度感知排列熵；
设置聚类数为2，利用K-Means++聚类算法对所述各模态的幅度感知排列熵聚类，并计算每个簇的幅度感知排列熵的均值，保留所述幅度感知排列熵的均值最小的簇内的模态作为第一次筛选出的模态；
分别计算各所述第一次筛选出的模态的余弦相似度；
设置聚类数为3，利用所述K-Means++聚类算法对所述各所述第一次筛选出的模态的余弦相似度聚类，并计算每个簇的余弦相似度的均值，保留所述余弦相似度的均值最大的两个簇内的模态作为有效信号主导的模态；
所述利用ARS-OptShrink算法对各所述有效信号主导的模态进行低频混叠噪声抑制，并对抑制后的各所述有效信号主导的模态进行求和重构，得到最终的去噪信号，包括：
将每个所述有效信号主导的模态的时间序列分别嵌入到L维的Hankel矩阵中，得到各所述有效信号主导的模态对应的模态矩阵；
遍历各所述模态矩阵，对当前模态矩阵进行奇异值分解；
设置聚类数为3，利用所述K-Means++聚类算法对所述当前模态矩阵的各奇异值进行聚类，并计算每个簇的奇异值的均值，将所述奇异值的均值最大的两个簇内的奇异值的总数作为所述当前模态矩阵的秩；
基于所述当前模态矩阵的秩，计算所述当前模态矩阵的各奇异值的最佳收缩奇异值；
基于所述当前模态矩阵的各奇异值的最佳收缩奇异值计算得到所述当前模态矩阵对应的去噪信号矩阵，并对所述去噪信号矩阵进行对角平均还原，得到所述当前模态矩阵对应的去噪信号模态；
在完成对各所述模态矩阵的遍历后，得到各所述有效信号主导的模态对应的去噪信号模态，对各所述去噪信号模态进行求和重构，得到最终的去噪信号。
6.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至权利要求4中任一所述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至权利要求4中任一项所述的一种适用于非稳态水声目标信号的低频混叠噪声抑制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137661.2A CN117692074B (zh) | 2024-02-01 | 2024-02-01 | 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137661.2A CN117692074B (zh) | 2024-02-01 | 2024-02-01 | 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117692074A CN117692074A (zh) | 2024-03-12 |
| CN117692074B true CN117692074B (zh) | 2024-05-10 |
Family
ID=90133748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137661.2A Active CN117692074B (zh) | 2024-02-01 | 2024-02-01 | 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117692074B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992836A (zh) * | 2024-04-07 | 2024-05-07 | 华能澜沧江水电股份有限公司 | 电能质量信号降噪方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2758799A1 (de) * | 2011-09-23 | 2014-07-30 | ATLAS Elektronik GmbH | Verfahren und vorrichtung zur extraktion von konturen aus sonarbildern |
| CN114098656A (zh) * | 2022-01-26 | 2022-03-01 | 广东工业大学 | 基于经验模态分解及位平面转化的信号降噪方法与系统 |
| CN114384560A (zh) * | 2022-01-20 | 2022-04-22 | 东南大学 | 一种基于tvf-emd-svd的gnss多径信号抑制方法 |
| CN114886378A (zh) * | 2022-04-11 | 2022-08-12 | 广州芯相随科技有限公司 | 一种基于改进的互补集合模态分解联合去噪方法及系统 |
| CN116340731A (zh) * | 2023-05-29 | 2023-06-27 | 北京科技大学 | 一种岩石声发射信号的降噪办法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10013477B2 (en) * | 2012-11-19 | 2018-07-03 | The Penn State Research Foundation | Accelerated discrete distribution clustering under wasserstein distance |
-
2024
- 2024-02-01 CN CN202410137661.2A patent/CN117692074B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2758799A1 (de) * | 2011-09-23 | 2014-07-30 | ATLAS Elektronik GmbH | Verfahren und vorrichtung zur extraktion von konturen aus sonarbildern |
| CN114384560A (zh) * | 2022-01-20 | 2022-04-22 | 东南大学 | 一种基于tvf-emd-svd的gnss多径信号抑制方法 |
| CN114098656A (zh) * | 2022-01-26 | 2022-03-01 | 广东工业大学 | 基于经验模态分解及位平面转化的信号降噪方法与系统 |
| CN114886378A (zh) * | 2022-04-11 | 2022-08-12 | 广州芯相随科技有限公司 | 一种基于改进的互补集合模态分解联合去噪方法及系统 |
| CN116340731A (zh) * | 2023-05-29 | 2023-06-27 | 北京科技大学 | 一种岩石声发射信号的降噪办法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Research on Underwater Acoustic Target Recognition Method Based on DenseNet;WANG HAITAO;2022 3rd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE);20221123;全文 * |
| 无线传感网络水环境监测的感知数据融合方法研究;朱铭雅;CNKI中国硕士学位论文全文库;20140515;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117692074A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali | MRI medical image denoising by fundamental filters | |
| CN117692074B (zh) | 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 | |
| Verma et al. | Performance analysis of wavelet thresholding methods in denoising of audio signals of some Indian Musical Instruments | |
| Shin et al. | Iterative SVD method for noise reduction of low-dimensional chaotic time series | |
| US7260272B2 (en) | Method and apparatus for noise reduction using discrete wavelet transform | |
| CN110688964A (zh) | 一种基于稀疏分解的小波阈值与emd联合降噪方法 | |
| CN113314147B (zh) | 音频处理模型的训练方法及装置、音频处理方法及装置 | |
| CN114886378A (zh) | 一种基于改进的互补集合模态分解联合去噪方法及系统 | |
| CN116502042A (zh) | 基于变分模态分解与改进小波阈值的电能质量扰动去噪方法 | |
| CN117059118A (zh) | 一种聊天室音频数据优化处理方法及系统 | |
| CN111192204A (zh) | 一种图像增强方法、系统和计算机可读存储介质 | |
| CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
| El Bouny et al. | ECG signal denoising based on ensemble emd thresholding and higher order statistics | |
| CN114155161A (zh) | 图像去噪方法、装置、电子设备与存储介质 | |
| CN107481732B (zh) | 一种口语测评中的降噪方法、装置及终端设备 | |
| Bahendwar et al. | Efficient algorithm for denoising of medical images using discrete wavelet transforms | |
| CN110112757B (zh) | 基于sure小波消噪和改进hht的低频振荡分析方法 | |
| Yang et al. | SAR image denoising algorithm based on Bayes wavelet shrinkage and fast guided filter | |
| CN113065387B (zh) | 一种机泵系统的小波降噪方法及系统 | |
| Huang et al. | Image denoising based on the dyadic wavelet transform and improved threshold | |
| Vishwakarma et al. | De-noising of Audio Signal using Heavy Tailed Distribution and comparison of wavelets and thresholding techniques | |
| WO2024099006A1 (zh) | 一种基于小波包分析的北斗海上多径干扰消除方法及装置 | |
| Kumar et al. | Quality improvement on MRI corrupted with rician noise using wave atom transform | |
| CN118259115B (zh) | 一种铁磁谐振故障查找方法及系统 | |
| Ma et al. | Wavelet denoising of remote sensing image based on adaptive threshold function |
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 |