[go: up one dir, main page]

CN111276154B - 风噪声抑制方法与系统以及炮声检测方法与系统 - Google Patents

风噪声抑制方法与系统以及炮声检测方法与系统 Download PDF

Info

Publication number
CN111276154B
CN111276154B CN202010119512.5A CN202010119512A CN111276154B CN 111276154 B CN111276154 B CN 111276154B CN 202010119512 A CN202010119512 A CN 202010119512A CN 111276154 B CN111276154 B CN 111276154B
Authority
CN
China
Prior art keywords
signal
wind noise
noise
decomposition
mixed
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
Application number
CN202010119512.5A
Other languages
English (en)
Other versions
CN111276154A (zh
Inventor
孟东
杨立学
王志峰
江丽
万众
何强
王会康
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.)
Third Research Institute Of China Electronics Technology Group Corp
Original Assignee
Third Research Institute Of China Electronics Technology Group Corp
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 Third Research Institute Of China Electronics Technology Group Corp filed Critical Third Research Institute Of China Electronics Technology Group Corp
Priority to CN202010119512.5A priority Critical patent/CN111276154B/zh
Publication of CN111276154A publication Critical patent/CN111276154A/zh
Application granted granted Critical
Publication of CN111276154B publication Critical patent/CN111276154B/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
    • 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
    • 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
    • G10L21/0272—Voice signal separating

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种风噪声抑制方法与系统以及炮声检测方法与系统，其中，风噪声抑制方法包括：对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

Description

风噪声抑制方法与系统以及炮声检测方法与系统
技术领域
本发明涉及一种风噪声抑制方法与系统以及炮声检测方法与系统，具体地说，尤其涉及一种基于经验模态分解和卷积非负矩阵联合特征分解下的风噪声抑制方法与系统以及炮声检测方法与系统。
背景技术
火炮侦察属于被动声探测研究的课题，传统火炮侦察声测系统利用火炮发射时产生的膛口波，对火炮炮位进行定位。火炮弹丸从发射到爆炸一般会产生膛口波、弹道波和爆炸波；膛口波的时间、空间信息，直接体现了炮位的信息，因此，膛口波的检测对火炮侦察至关重要。在声学测量的膛口波检测中，卷积非负矩阵分解算法无法抑制风噪声，是传统技术难题。在单通道测量和软件滤波的情况下，现有的风噪声抑制技术大多基于傅立叶变换框架下，采用卷积非负矩阵分解的信噪分离方法，其可以实现对弹道波、爆炸波、语音等的信号和噪声的分离。但是，由于膛口波信号与风噪声在傅立叶变换框架下的时频域分析中，两者频域高度重合，卷积非负矩阵分解方法无法有效分离出膛口波，致使无法在检测膛口波时，使用卷积非负矩阵分解方法实现信噪分离。膛口波检测方向亟需使用卷积非负矩阵分解方法，实现信噪分离，以抑制风噪声，提高信噪比水平。
请参照图1-图3，图1为现有风噪抑制流程图；图2为原始信号示意图；图3为滤波后信号示意图。如图1-图3所示，具体介绍现有的、传统卷积非负矩阵分解方法(CSNMF)，主要包含信号建模、分离及重建等部分。文中CSNMF算法是在数据的STFT域运算，因此，图1中的带噪目标信号和风噪声训练数据都是经过STFT的短时幅度谱重构而成。首先，对风噪声进行信号采集，并实现对风噪声的特征学习，以获得能够表征风噪声特性的基矩阵；然后根据目标信号、风噪声的混合模型，结合带噪信号特征提取，对带噪目标信号进行分解运算，得到基矩阵和编码矩阵，实现信噪分离；最后进行信号重构，得到降噪后的目标信号。
结合图2与图3，使用CSNMF算法的膛口波滤波，从图2与图3中对比可以看到，CSNMF算法在信噪分离的过程中，其在剔除风噪声的同时，一同将膛口波滤除了，无法完成信噪分离的任务。这是现有的风噪抑制技术所存在的技术难题。
发明内容
本发明所要解决的技术问题在于提供一种风噪声抑制方法，其中，包括：
对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；
对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；
根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。
上述的风噪声抑制方法，其中，于获得重构风噪声信号的步骤中包括：
采集获取所述风噪声信号；
对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；
剔除多个所述分量信号中的高频分量信号；
将剩余的所述分量信号重构为所述重构风噪声信号。
上述的风噪声抑制方法，其中，于进行卷积非负矩阵分解的步骤中包括：
对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；
采集获取所述混合信号；
对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。
上述的风噪声抑制方法，其中，于提取基矩阵的步骤中还包括，通过目标函数来保证矩阵分解中的逼近效果。
上述的风噪声抑制方法，其中，于获得纯净的目标信号步骤中包括：
根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；
通过所述信噪混合分离模型根据CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。
本发明还提供一种风噪声抑制系统，其中，包括：
重构风噪声信号单元，对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；
分解单元，对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；
信噪分离单元，根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。
上述的风噪声抑制系统，其中，所述重构风噪声信号单元包括：
第一采集模块，采集获取所述风噪声信号；
经验模态分解模块，对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；
剔除模块，剔除多个所述分量信号中的高频分量信号；
重构模块，将剩余的所述分量信号重构为所述重构风噪声信号。
上述的风噪声抑制系统，其中，所述分解单元包括：
第一提取模块，对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵；
第二采集模块，采集获取所述混合信号；
第二提取模块，对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵。
上述的风噪声抑制系统，其中，所述第一提取模块及所述第二提取模块还通过目标函数来保证矩阵分解中的逼近效果。
上述的风噪声抑制系统，其中，所述信噪分离单元包括：
模型构建模块，根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；
目标信号获得模块，通过所述信噪混合分离模型根据CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。
本发明还提供一种炮声检测方法，其中，包括上述中任一项所述的风噪声抑制方法，对膛口波信号进行识别和检测。
本发明还提供一种炮声检测系统，其中，包括上述中任一项所述的风噪声抑制系统，用于对膛口波信号进行识别和检测。
本发明针对于现有技术其功效在于：本发明结合经验模态分解方法，利用改进的卷积非负矩阵联合特征分解技术，抑制风噪声，实现对膛口波的信噪分离。本发明将经验模态分解方法和卷积非负矩阵分解方法相结合，提出一种联合特征分解下的风噪声抑制技术，实现其在炮声检测中，对风噪声抑制的应用；实现了在卷积非负矩阵分解方法的框架下，对膛口波信号的检测和识别。
附图说明
图1为现有风噪抑制流程图；
图2为原始信号示意图；
图3为滤波后信号示意图；
图4为本发明风噪声抑制方法的流程图；
图5为图4中步骤S1的分步骤流程图；
图6为图4中步骤S2的分步骤流程图；
图7为图4中步骤S3的分步骤流程图；
图8为本发明滤波后信号示意图；
图9为本发明风噪声抑制系统的结构示意图。
其中，附图标记：
重构风噪声信号单元 11
第一采集模块 111
经验模态分解模块 112
剔除模块 113
重构模块 114
分解单元 12
第一提取模块 121
第二采集模块 122
第二提取模块 123
信噪分离单元 13
模型构建模块 131
目标信号获得模块 132
具体实施方式
兹有关本发明的详细内容及技术说明，现以一较佳实施例来作进一步说明，但不应被解释为对本发明实施的限制。
本发明针对CSNMF算法无法抑制膛口波中风噪的难题，结合经验模态分解技术和卷积非负矩阵分解技术，提出EMD-CSNMF技术，实现对风噪声信号和膛口信号的联合特征分解，实现信噪分离。
本发明首先，在卷积非负矩阵分解技术的框架下，采集风噪声信号，对其进行经验模态分解，分解出各类本征模态函数，解析出风噪声信号包络的高频成分、低频成分等各分量信号；剔除第一高频分量后，其中第一高频分量为分量信号中频率最高的分量信号，将剩下的分量信号重构为风噪声信号；其次，将重构信号运用卷积非负矩阵分解技术，提取重构风噪声信号的基矩阵，实现对重构风噪声的特征提取；再次，运用卷积非负矩阵分解技术，对带有炮声的混合信号进行卷积非负矩阵分解，提取混合信号的基矩阵，实现对混合信号的特征提取；最后，建立信噪混合分离模型，根据传统卷积非负矩阵分解技术，实现对目标信号的重构。
请参照图4-图7，图4为本发明风噪声抑制方法的流程图；图5为图4中步骤S1的分步骤流程图；图6为图4中步骤S2的分步骤流程图；图7为图4中步骤S3的分步骤流程图。如图4-图7所示，本发明的风噪声抑制方法包括：
步骤S1：对采集的风噪声信号进行经验模态分解后再进行重构以获得重构风噪声信号。
其中，于步骤S1中包括：
步骤S11：采集获取所述风噪声信号。
步骤S12：对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号。
具体地说，经验模态分解法是NE.Huang等研究非线性问题和希尔伯特变换时提出的，它既能使信号分解具有唯一性又能在时域和频域同时具有良好的局部化性质。信号一旦分解完毕，又可根据工程问题的要求灵活实现重构。
假设任何信号都由不同的本征模态函数(IMF)组成，每个IMF可以是线性的，也可以是非线性的，IMF分量必须满足下面两个条件：一是其极值点个数和过零点数相同或最多相差一个，二是其上下包络关于时间轴局部对称。这样任何一个信号就可以分解为有限个IMF之和。
分解过程基于以下假设：(a)信号最少有一个极大值和一个极小值；(b)时域特性由极值间隔决定；(c)如果数据序列完全缺乏极值但是仅包含拐点，那么它也可通过求导一次或多次来揭示极值点，而最终结果可以由这些成分求积分来获得。具体方法是由一个“筛选”过程完成的，其分解过程如下：
(1)首先找出风噪信号w(t)中所有的极大值点并将其用三次样条函数拟合成原数据序列的上包络线，以及所有的极小值点并将其用三次样条函数拟合成原数据序列的下包络线。
(2)计算上下包络线的均值，记为m1(t)；将原数据序列w(t)减去该均值即：
w(t)-m1(t)＝h1(t) (1)
(3)因为h1(t)一般仍不是一个IMF分量序列，为此需要对它重复进行上述处理过程。重复进行上述处理过程k次，直到h1(t)符合IMF的定义要求，所得到的均值趋于零为止，这样就得到了第1个IMF分量c1(t)，它代表信号x(t)中最高频率的分量：
h1(k-1)(t)-m1(k-1)(t)＝h1k(t) (2)
c1(t)＝h1k(t) (3)
(4)将c1(t)从w(t)中提取出来，即得到一个去掉高频分量的差值信号r1(t)，即有：
r1(t)＝w(t)-c1(t) (4)
(5)将r1(t)作为原始数据，重复流程(1)、(2)、(3)，得到第二个IMF分量c2(t)，重复n次，得到n个IMF分量。即：
Figure BDA0002392530490000061
当cn(t)或rn(t)满足给定的终止条件(rn(t)单调时)时，循环结束。由式(1)～(5)可得：
Figure BDA0002392530490000071
其中，rn(t)为残余函数；cj(t)为IMF分量，包含了不同时间特征的尺度大小的成分，尺度依次由小到大。至此，经验模态分解法各特征分量分解完毕。
步骤S13：剔除所述多个分量信号中的高频分量信号；
此步骤剔除第一高频特征分量c1(t)。风噪声中的第一高频分量代表了风噪声与膛口波希尔伯特(Hilber)谱变换后的重叠部分。通过剔除第一高频特征分量的措施，减少膛口波信号和处理后的风噪声之间的Hilber谱重叠区域，降低两者的相关性，以提高信噪分离的效果。
希尔伯特(Hilber)谱是指与经验模态分解(EMD)所对应的谱分析方法，其是与傅立叶变化下的谱分析方法是不同的方法，具有较好的时频聚集性。傅立叶变化下的谱分析方法对应傅立叶(Fourier)谱，其时域局部信号的频率需要完整的振荡波周期才能实现统计，但是，不具有完整振荡波的短时时域脉冲信号，无法在傅立叶(Fourier)谱下得到有效统计。时域脉冲信号在傅立叶(Fourier)谱下的频谱图展现为频率谱线宽频带、大离散、缺乏聚集性的特性，这也是CSNMF算法无法处理低信噪比下的脉冲信号的根本原因。
希尔伯特(Hilber)谱中定义的瞬时频率，不同于傅立叶(Fourier)谱，其不需要完整的振荡波周期也能通过瞬时频率的定义，研究信号局部的频率特征，因此，希尔伯特(Hilber)谱能更好反应信号的局部特征，这方面优于傅立叶(Fourier)谱。希尔伯特(Hilber)谱能更好的分析非平稳信号，即使信号频率随时间变化，也能反映信号的振动特点。
第一高频特征分量c1(t)代表了风噪声信号时域中的最外层包络的高频信号，这部分信号包络与膛口波的最外层包络高度重合。剔除第一高频特征分量c1(t)后，在此后再使用CSNMF算法时，膛口波信号和风噪声之间的时频重叠区域减少，从而实现了信噪分离。
步骤S14：将剩余的分量信号重构以得到所述重构风噪声信号。
步骤S2：对采集的混合信号及所述重构风噪声信号分别进行卷积非负矩阵分解。
其中，于步骤S2中包括：
步骤S21：对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；
步骤S22：采集获取所述混合信号；
步骤S23：对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。其中，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵和提取所述混合信号的信号基矩阵和信号编码矩阵的方法相同。
需要说明的是，此处的风噪声是剔除第一高频分量c1(t)后的剩余噪声；带噪信号是实时采集的噪声和炮声的混合信号。
具体地说，已知非负矩阵X(通常为含噪信号的时频表达)，寻找一种分解方法，使其等于两个非负矩阵D和C的乘积，采用卷积模型，即
Figure BDA0002392530490000081
式中X,Λ∈R≥0,M×N,D∈R≥0,M×R和C∈R≥0,R×N。矩阵D为基矩阵(Dictionarymatrix)，其包含的列向量为基向量，矩阵X中的列向量即是由矩阵D里面的基向量线性组合构成；矩阵C称之为编码矩阵(code matrix)，包含了由基向量构建矩阵X的组合方式。通常情况下R小于M及N，用少量的基向量表征大量的数据向量。
其中，在矩阵分解中，完全精确的分解过程是难以实现的，因此一般通过定义目标函数来保证矩阵分解中的逼近效果。目标函数一般可通过两矩阵的差值来构建，常用的构建方法有最小平方准则(LS)或散度准则：
Figure BDA0002392530490000082
其迭代公示为：
Figure BDA0002392530490000083
Figure BDA0002392530490000084
对目标函数收敛性的判断一般可以通过计算目标函数的相对变换率来完成，如果目标函数相对变化率小于阈值ε，则可认为目标函数收敛。
步骤S3：根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离，以获得纯净的目标信号。
其中，于步骤S3中包括：
步骤S31：根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型。
具体地说，建立信噪混合分离模型，信号由炮声信号和噪声信号组成：
x(t)＝s(t)+w(t) (11)
对带噪信号进行短时傅立叶变换(STFT)获得信噪混合分离模型，将其分成纯净目标信号和风噪声两部分：
Figure BDA0002392530490000091
步骤S32：基于所述信噪混合分离模型，采用CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。
对风噪声进行信号分解后，获得能够表征风噪声特性的基矩阵Dwτ。然后根据式(12)中的目标信号、风噪声的混合模型，再用CSNMF算法对带噪目标信号进行分解运算，得到基矩阵Dsτ和编码矩阵
Figure BDA0002392530490000092
的乘积，最后根据式(13)进行信号重建，得到降噪后的目标信号S，即纯净的目标信号。
Figure BDA0002392530490000093
以下结合图2、图3及图8，图8为本发明滤波后信号示意图，说明本发明的滤波效果。
从EMD-CSNMF算法的图8对比图2，可以看到，在28秒时间附近，图8成功分离出了膛口波信号。因此，EMD-CSNMF算法在信噪分离的过程中，在剔除风噪声的同时，成功保留了膛口波信号，实现了在CSNMF算法框架下的信噪分离任务，抑制了风噪声，提高了膛口波信噪比水平。
本发明还提供一种炮声检测方法，使用中所述的风噪声抑制方法，对膛口波信号进行识别和检测，具体地说，针对CSNMF算法无法抑制膛口波中风噪的难题，本专利技术结合经验模态分解技术和卷积非负矩阵分解技术，提出EMD-CSNMF技术，实现对风噪声信号和膛口信号的联合特征分解，实现信噪分离。
请参照图9，图9为本发明风噪声抑制系统的结构示意图。如图9所示，本发明风噪声抑制系统包括：
重构风噪声信号单元11，对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；
分解单元12，对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；
信噪分离单元13，根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。
其中，所述重构风噪声信号单元11包括：
第一采集模块111，采集获取所述风噪声信号；
经验模态分解模块112，对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；
剔除模块113，剔除多个所述分量信号中的高频分量信号；
重构模块114，将剩余的所述分量信号重构为所述重构风噪声信号。
其中，所述分解单元12包括：
第一提取模块121，对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵；
第二采集模块122，采集获取所述混合信号；
第二提取模块123，对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵。
其中，所述第一提取模块及所述第二提取模块还通过目标函数来保证矩阵分解中的逼近效果。
其中，所述信噪分离单元13包括：
模型构建模块131，根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；
目标信号获得模块132，通过所述信噪混合分离模型根据CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。
本发明还提供一种炮声检测方法，其中，包括前述中所述的风噪声抑制方法，对膛口波信号进行识别和检测。
本发明还提供一种炮声检测系统，其中，包括前述中所述的风噪声抑制系统，用于对膛口波信号进行识别和检测。
综上所述，本发明的联合特征分解的风噪声抑制技术，实现在卷积非负矩阵分解框架下的膛口波检测和风噪声抑制。
上述仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种风噪声抑制方法，其特征在于，包括：
对采集的风噪声信号进行经验模态分解后再进行重构以获得重构风噪声信号；
对采集的混合信号及所述重构风噪声信号分别进行卷积非负矩阵分解；
根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离，以获得纯净的目标信号；
其中，所述进行卷积非负矩阵分解的步骤中包括：
对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；
采集获取所述混合信号；
对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。
2.如权利要求1所述的风噪声抑制方法，其特征在于，所述获得重构风噪声信号的步骤中包括：
采集获取所述风噪声信号；
对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；
剔除所述多个分量信号中的高频分量信号；
将剩余的分量信号重构以得到所述重构风噪声信号。
3.如权利要求1所述的风噪声抑制方法，其特征在于，提取所述噪声基矩阵及提取所述混合信号的信号基矩阵的步骤中均包括，通过目标函数来保证矩阵分解中的逼近效果。
4.如权利要求1所述的风噪声抑制方法，其特征在于，所述获得纯净的目标信号步骤中包括：
根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；
基于所述信噪混合分离模型，采用CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。
5.一种风噪声抑制系统，其特征在于，包括：
对采集的风噪声信号进行经验模态分解后再进行重构以获得重构风噪声信号；
分解单元，对采集的混合信号及所述重构风噪声信号分别进行卷积非负矩阵分解；
信噪分离单元，根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离，以获得纯净的目标信号；
其中，所述分解单元包括：
第一提取模块，对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵；
第二采集模块，采集获取所述混合信号；
第二提取模块，对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵。
6.如权利要求5所述的风噪声抑制系统，其特征在于，所述重构风噪声信号单元包括：
第一采集模块，采集获取所述风噪声信号；
经验模态分解模块，对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；
剔除模块，剔除所述多个分量信号中的高频分量信号；
重构模块，将剩余的分量信号重构以得到所述重构风噪声信号。
7.如权利要求5所述的风噪声抑制系统，其特征在于，所述第一提取模块及所述第二提取模块还通过目标函数来保证矩阵分解中的逼近效果。
8.如权利要求5所述的风噪声抑制系统，其特征在于，所述信噪分离单元包括：
模型构建模块，根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；
目标信号获得模块，基于所述信噪混合分离模型，采用CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。
9.一种炮声检测方法，其特征在于，使用所述权利要求1-4中任一项所述的风噪声抑制方法，对膛口波信号进行识别和检测。
10.一种炮声检测系统，其特征在于，包括所述权利要求5-8中任一项所述的风噪声抑制系统，用于对膛口波信号进行识别和检测。
CN202010119512.5A 2020-02-26 2020-02-26 风噪声抑制方法与系统以及炮声检测方法与系统 Active CN111276154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119512.5A CN111276154B (zh) 2020-02-26 2020-02-26 风噪声抑制方法与系统以及炮声检测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119512.5A CN111276154B (zh) 2020-02-26 2020-02-26 风噪声抑制方法与系统以及炮声检测方法与系统

Publications (2)

Publication Number Publication Date
CN111276154A CN111276154A (zh) 2020-06-12
CN111276154B true CN111276154B (zh) 2022-12-09

Family

ID=71003914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119512.5A Active CN111276154B (zh) 2020-02-26 2020-02-26 风噪声抑制方法与系统以及炮声检测方法与系统

Country Status (1)

Country Link
CN (1) CN111276154B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148059B (zh) * 2020-10-12 2022-07-05 四川科陆新能电气有限公司 一种用于光伏发电站的mppt最大功率跟踪方法
CN114299993B (zh) * 2021-12-24 2024-12-03 中北大学 一种基于数据蒸馏的多枪声混合智能分类识别系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011227417A (ja) * 2010-04-23 2011-11-10 Yamaha Corp 音響処理装置
CN103926599A (zh) * 2014-04-17 2014-07-16 东南大学 基于emd迭代阈值滤波的gnss多径效应抑制方法
CN104685562A (zh) * 2012-11-21 2015-06-03 华为技术有限公司 用于从嘈杂输入信号中重构目标信号的方法和设备
CN105957537A (zh) * 2016-06-20 2016-09-21 安徽大学 一种基于l1/2稀疏约束卷积非负矩阵分解的语音去噪方法和系统
CN106601265A (zh) * 2016-12-15 2017-04-26 中国人民解放军第四军医大学 一种消除毫米波生物雷达语音中噪声的方法
WO2017144007A1 (zh) * 2016-02-25 2017-08-31 深圳创维数字技术有限公司 一种基于经验模态分解的音频识别方法及系统
CN107516065A (zh) * 2017-07-13 2017-12-26 天津大学 经验模态分解结合字典学习的复杂信号去噪方法
CN110688964A (zh) * 2019-09-30 2020-01-14 哈尔滨工程大学 一种基于稀疏分解的小波阈值与emd联合降噪方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6862558B2 (en) * 2001-02-14 2005-03-01 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Empirical mode decomposition for analyzing acoustical signals
WO2018090467A1 (zh) * 2016-11-17 2018-05-24 丹阳华神电器有限公司 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011227417A (ja) * 2010-04-23 2011-11-10 Yamaha Corp 音響処理装置
CN104685562A (zh) * 2012-11-21 2015-06-03 华为技术有限公司 用于从嘈杂输入信号中重构目标信号的方法和设备
CN103926599A (zh) * 2014-04-17 2014-07-16 东南大学 基于emd迭代阈值滤波的gnss多径效应抑制方法
WO2017144007A1 (zh) * 2016-02-25 2017-08-31 深圳创维数字技术有限公司 一种基于经验模态分解的音频识别方法及系统
CN105957537A (zh) * 2016-06-20 2016-09-21 安徽大学 一种基于l1/2稀疏约束卷积非负矩阵分解的语音去噪方法和系统
CN106601265A (zh) * 2016-12-15 2017-04-26 中国人民解放军第四军医大学 一种消除毫米波生物雷达语音中噪声的方法
CN107516065A (zh) * 2017-07-13 2017-12-26 天津大学 经验模态分解结合字典学习的复杂信号去噪方法
CN110688964A (zh) * 2019-09-30 2020-01-14 哈尔滨工程大学 一种基于稀疏分解的小波阈值与emd联合降噪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于EEMD的异常声音特征提取;陈志全等;《计算机与数字工程》;20161020(第10期);全文 *

Also Published As

Publication number Publication date
CN111276154A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN107272066B (zh) 一种含噪地震信号初至走时拾取方法及装置
EP1103951A2 (en) Adaptive wavelet extraction for speech recognition
CN110598166A (zh) 一种自适应确定小波分层级数的小波去噪方法
WO2001033547B1 (en) Methods and apparatuses for signal analysis
CN111276154B (zh) 风噪声抑制方法与系统以及炮声检测方法与系统
CN110806602A (zh) 基于深度学习的智能化地震数据随机噪声压制方法
CN108670291A (zh) 基于emd结合改进的mfcc的心音类型识别方法
CN110503967B (zh) 一种语音增强方法、装置、介质和设备
CN108682433A (zh) 基于mfcc的一阶差分系数的心音类型识别方法
CN108198558B (zh) 一种基于csi数据的语音识别方法
CN112764108B (zh) 一种基于改进经验小波变换的新型地震资料噪声压制算法
US7492814B1 (en) Method of removing noise and interference from signal using peak picking
CN117765966A (zh) 一种水声信号降噪识别联合训练方法、系统、设备及介质
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
CN115206334A (zh) 一种极地声信号增强和识别方法
RU2580796C1 (ru) Способ (варианты) фильтрации зашумленного речевого сигнала в условиях сложной помеховой обстановки
US7676046B1 (en) Method of removing noise and interference from signal
CN108903914A (zh) 一种基于emd分解的mfcc的心音类型识别方法
CN117037824A (zh) 一种声学场景分类的数据增强方法及系统
TWI749547B (zh) 應用深度學習的語音增強系統
CN118332257A (zh) 一种基于ceemdan-iwt-ssa的水声信号联合降噪方法
CN118191805A (zh) 宽带连续干扰中的脉冲信号重构方法
CN117854540A (zh) 基于神经网络和多维特征融合的水声目标识别方法及系统
CN115480302B (zh) 地震资料低频段信号保护方法
Барковська et al. Research of the impact of noise reduction methods on the quality of audio signal recovery

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