本發(fā)明屬于水聲信號處理的一種水聲信號噪聲抑制方法，具體涉及了一種聯(lián)合雙模態(tài)神經(jīng)網(wǎng)絡(luò)與譜減法的水聲信號噪聲抑制方法。

背景技術(shù)：

1、聲波是目前海洋中唯一可實現(xiàn)遠距離傳播的能量輻射形式，作為信息載體，被廣泛應(yīng)用于潛艇探測、水下目標識別、戰(zhàn)術(shù)通信和水下導(dǎo)航等任務(wù)。然而，聲信號接收平臺在運行過程中會伴隨產(chǎn)生多種形式的自噪聲，包括機械振動、電磁干擾和流體噪聲等。這些自噪聲嚴重影響了聲信號的接收質(zhì)量，不僅限制了設(shè)備的探測范圍，還削弱了聲信號的清晰度和可靠性，進而對敵方目標的精確定位和辨識造成困擾，嚴重時甚至對戰(zhàn)術(shù)決策的準確性構(gòu)成威脅。因此，自噪聲抑制已成為聲信號接收平臺中的重要研究課題。

2、接收平臺自噪聲主要來源于螺旋槳轉(zhuǎn)動產(chǎn)生的空化噪聲、推進系統(tǒng)的機械振動噪聲以及流體與船體摩擦引起的水動力噪聲。受平臺運動狀態(tài)、推進系統(tǒng)功率變化及機械結(jié)構(gòu)振動等因素影響，該噪聲在時間和頻率上呈現(xiàn)高度非平穩(wěn)特性。

3、傳統(tǒng)自噪聲抑制方法如譜減法、自適應(yīng)濾波、小波變換和經(jīng)驗?zāi)B(tài)分解等，在非平穩(wěn)噪聲環(huán)境下存在一些缺陷。首先，這類方法依賴于先驗噪聲的統(tǒng)計特性，而接收平臺自噪聲具有時變和非平穩(wěn)特性，使得傳統(tǒng)方法難以動態(tài)建模并適應(yīng)復(fù)雜的噪聲變化。而且傳統(tǒng)方法在抑制寬帶噪聲的同時，往往會損害信號的線譜特征，導(dǎo)致目標信息的丟失。此外，在復(fù)雜的海洋水聲環(huán)境中，混響效應(yīng)與噪聲相互耦合，進一步降低了傳統(tǒng)算法的噪聲分離能力。

4、深度學(xué)習方法在水聲信號處理中展現(xiàn)出較強的特征提取能力，能夠在一定程度上分離信號中的不同成分。根據(jù)輸入特征的不同，現(xiàn)有深度學(xué)習降噪模型大致可分為兩類：基于頻譜圖和基于波形。前者通常通過短時傅里葉變換(stft)將音頻波形轉(zhuǎn)化為時頻譜圖，以提取頻率結(jié)構(gòu)信息，并進一步細化為頻譜掩蔽和頻譜映射策略。但時頻域轉(zhuǎn)換在窗函數(shù)作用下會損失時間分辨率，且早期使用該類方法的研究中普遍忽略了對相位信息的建模，導(dǎo)致重建信號時存在失真，限制了降噪性能。后者則直接處理時域波形，保留了完整的相位信息并能更好地捕捉信號的瞬時變化特性，但在頻域建模方面存在不足，難以有效區(qū)分頻率上的噪聲與目標成分。

5、鑒于平臺自噪聲在時間與頻率維度上具有復(fù)雜的結(jié)構(gòu)特征，單一模態(tài)處理方式在面對多樣性噪聲時往往適應(yīng)性不足。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供了一種聯(lián)合雙模態(tài)神經(jīng)網(wǎng)絡(luò)與譜減法的水聲信號噪聲抑制方法。針對水聲信號未知但平臺自噪聲可確定的特性，該方法利用雙模態(tài)神經(jīng)網(wǎng)絡(luò)提取并融合時域的高時間分辨率與譜域?qū)︻l率及相位特征的精準建模能力，能夠在保留信號細節(jié)的同時顯著提升降噪性能，從而實現(xiàn)平臺自噪聲的估計，并結(jié)合譜減法實現(xiàn)自噪聲抑制。該方法具有自主學(xué)習及高效降噪的能力，適用于非平穩(wěn)、復(fù)雜海洋環(huán)境下的水聲信號降噪，顯著提升低頻噪聲抑制能力與目標信號保真度，提高接收的水聲信號質(zhì)量，減少了接收平臺自噪聲對信號的干擾，適用于水下聲學(xué)目標探測、水聲通信等場景。

2、本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：

3、一、一種聯(lián)合雙模態(tài)神經(jīng)網(wǎng)絡(luò)與譜減法的水聲信號噪聲抑制方法

4、步驟1：構(gòu)建含自噪聲的仿真水聲數(shù)據(jù)集；

5、步驟2：構(gòu)建雙模態(tài)神經(jīng)網(wǎng)絡(luò)，接著利用含自噪聲的仿真水聲數(shù)據(jù)集對雙模態(tài)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直至訓(xùn)練完成，獲得平臺自噪聲估計模型；將待處理的含噪水聲信號輸入平臺自噪聲估計模型，模型輸出估計平臺自噪聲；

6、步驟3：基于估計平臺自噪聲，利用改進的譜減法對待處理的含噪水聲信號進行降噪處理后，獲得已降噪的水聲信號。

7、所述步驟1具體為：

8、首先，獲取接收平臺的自噪聲信號；然后生成具有時變和非平穩(wěn)特性的仿真水聲信號；最后，將接收平臺的自噪聲信號與各仿真水聲信號融合后生成含自噪聲的仿真水聲信號，從而獲得含噪的仿真水聲數(shù)據(jù)集。

9、所述步驟2中，雙模態(tài)神經(jīng)網(wǎng)絡(luò)包括4個時域編碼器、4個時域解碼器、4個譜域編碼器、4個譜域解碼器和一個跨域transformer編碼器，4個時域編碼器依次相連，4個時域解碼器依次相連，4個譜域編碼器依次相連，4個譜域解碼器依次相連，第四時域編碼器和第一時域解碼器之間通過跨域transformer編碼器相連，第四時域編碼器和第一時域解碼器之間通過跨域transformer編碼器相連，第一時域編碼器還與第四時域解碼器相連，第二時域編碼器還與第三時域解碼器相連，第三時域編碼器還與第二時域解碼器相連，第四時域編碼器還與第一時域解碼器相連；第一譜域編碼器還與第四譜域解碼器相連，第二譜域編碼器還與第三譜域解碼器相連，第三譜域編碼器還與第二譜域解碼器相連，第四譜域編碼器還與第一譜域解碼器相連；雙模態(tài)神經(jīng)網(wǎng)絡(luò)的輸入作為第一時域編碼器的輸入，對雙模態(tài)神經(jīng)網(wǎng)絡(luò)的輸入進行短時傅里葉變換后再輸入到第一譜域編碼器中，對第四譜域解碼器的輸出進行逆短時傅里葉變換后再與第四時域解碼器的輸出疊加，最終獲得雙模態(tài)神經(jīng)網(wǎng)絡(luò)的輸出。

10、所述跨域transformer編碼器包括自注意力層和跨域注意力層，第一自注意力層依次經(jīng)第一跨域注意力層、第二自注意力層和第二跨域注意力層后再與第三自注意力層相連；第四自注意力層依次經(jīng)第三跨域注意力層、第五自注意力層和第四跨域注意力層后再與第六自注意力層相連；第一自注意力層的輸出還作為第三跨域注意力層的輸入，第二自注意力層的輸出還作為第四跨域注意力層的輸入；第四自注意力層的輸出還作為第一跨域注意力層的輸入，第五自注意力層的輸出還作為第二跨域注意力層的輸入，第三自注意力層和第六自注意力層的輸出分別作為跨域transformer編碼器的兩個輸出。

11、所述時域編碼器包括依次相連的第一一維卷積層、第一歸一化層、第一gelu激活層和第一殘差塊，時域編碼器的輸入作為第一一維卷積層的輸入，第一殘差塊的輸出作為時域編碼器的輸出；所述時域解碼器包括依次相連的第二一維卷積層、第二歸一化層、第二gelu激活層和第二殘差塊，時域解碼器的兩個輸入融合后再作為第二一維卷積層的輸入，第二殘差塊的輸出作為時域解碼器的輸出。

12、所述譜域編碼器依次相連的第一二維卷積層、第三歸一化層、第三gelu激活層和第三殘差塊，譜域編碼器的輸入作為第一二維卷積層的輸入，第三殘差塊的輸出作為譜域編碼器的輸出；所述譜域解碼器包括依次相連的第二二維卷積層、第四歸一化層、第四gelu激活層和第四殘差塊，譜域解碼器的兩個輸入融合后再作為第二二維卷積層的輸入，第四殘差塊的輸出作為譜域解碼器的輸出。

13、所述步驟3具體為：

14、步驟3.1：分別對估計平臺自噪聲和待處理的含噪水聲信號進行短時傅里葉變換，分別獲得估計平臺噪聲和含噪水聲信號對應(yīng)的復(fù)數(shù)時頻譜值；

15、步驟3.2：根據(jù)估計平臺噪聲和含噪水聲信號對應(yīng)的復(fù)數(shù)時頻譜值生成兩者在頻率軸上的實時信噪比，根據(jù)兩者在頻率軸上的實時信噪比生成動態(tài)的相減因子矩陣α；

16、步驟3.3：結(jié)合相減因子矩陣α，利用以下公式計算獲得已降噪水聲信號對應(yīng)的復(fù)數(shù)時頻譜值：

17、

18、其中，表示已降噪水聲信號的復(fù)數(shù)時頻譜幅度值，max(,)表示取最大值操作，x(f,t)表示含噪水聲信號的復(fù)數(shù)時頻譜值，表示估計平臺噪聲的復(fù)數(shù)時頻譜值，β表示噪聲閾值；||表示取幅值操作；

19、步驟3.4：對已降噪水聲信號對應(yīng)的復(fù)數(shù)時頻譜值進行逆短時傅里葉變換后，獲得已降噪的水聲信號。

20、二、一種聯(lián)合雙模態(tài)神經(jīng)網(wǎng)絡(luò)與譜減法的水聲信號噪聲抑制裝置

21、數(shù)據(jù)集構(gòu)建單元，用于根據(jù)接收平臺的自噪聲信號構(gòu)建含自噪聲的仿真水聲數(shù)據(jù)集；

22、神經(jīng)網(wǎng)絡(luò)存儲單元，用于存儲雙模態(tài)神經(jīng)網(wǎng)絡(luò)；

23、訓(xùn)練單元，用于利用含自噪聲的仿真水聲數(shù)據(jù)集對雙模態(tài)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直至訓(xùn)練完成，獲得平臺自噪聲估計模型；

24、信號降噪單元，用于將待處理的含噪水聲信號輸入平臺自噪聲估計模型，獲得估計平臺自噪聲；再基于估計平臺自噪聲，利用改進的譜減法對待處理的含噪水聲信號進行降噪處理后，獲得已降噪的水聲信號。

25、三、一種計算機設(shè)備

26、所述計算機設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述一種聯(lián)合雙模態(tài)神經(jīng)網(wǎng)絡(luò)與譜減法的水聲信號噪聲抑制方法的步驟。

27、四、一種計算機可讀存儲介質(zhì)

28、所述可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述一種聯(lián)合雙模態(tài)神經(jīng)網(wǎng)絡(luò)與譜減法的水聲信號噪聲抑制方法的步驟。

29、本發(fā)明的有益效果是：

30、1)本發(fā)明通過多物理場聯(lián)合仿真生成仿真水聲信號數(shù)據(jù)集，適用于實際環(huán)境下的水聲信號。

31、2)本發(fā)明考慮到平臺自噪聲類型明確且可事先采集，而目標信號則在實際應(yīng)用中是動態(tài)變化且未知的，因此通過使用雙模態(tài)神經(jīng)網(wǎng)絡(luò)，提取信號時域波形特征，增強對瞬態(tài)噪聲的捕獲能力，時頻分支基于stft得到復(fù)數(shù)時頻譜特征，捕捉頻率和相位特征，并使用跨模態(tài)注意力機制融合雙模態(tài)信息，實現(xiàn)自噪聲特征的建模，這樣更能增強模型在多場景下的適應(yīng)性與泛化能力。

32、3)本發(fā)明通過譜減法根據(jù)實時信噪比動態(tài)譜減系數(shù)，引入基于實時信噪比估計的動態(tài)譜減因子，結(jié)合功率譜密度曲線分析，實測信噪比提升可達30db以上。

33、4)本發(fā)明通過相位增益分析結(jié)果表明，本方法在相位信息重建上具有顯著優(yōu)勢，其中95.77％的樣本呈現(xiàn)正向相位增益，最大相位增益達83.80％，體現(xiàn)了模型在相位恢復(fù)方面的有效性。