【技术实现步骤摘要】
基于自编码神经网络的水声信号去噪方法
本专利技术涉及水声去噪
，在复杂的水下环境中提取出有用的水声信号。
技术介绍
水下声信号去噪技术是信号处理领域的重点研究对象，主要用于对水声信号的特征提取，在水中，电磁波信号传播受限，主要的信息载体就变为声信号，然而声信号相比于电磁波信号更容易受到外在环境的干扰而呈现出类似于噪声信号的特征，在这些信号特征中携带着有用的信息，所以，研究水下声信号去噪成为信号处理领域与水下信号研究领域的重点研究内容。在现有的水声信号去噪方法中，主要是传统的水声去噪方法，小波去噪方法和自适应滤波去噪方法，基于机器学习的方法目前在水声去噪中应用比较少。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于自编码神经网络的水下声信号去噪方法，传统的水下声信号去噪方法，如小波去噪算法和集成经验模态分解算法，均在去噪之前有些对样本的假设条件，然而有些假设条件在实际的水下环境中是无法完全满足的，基于深度学习的自编码去噪网络，是一种监督训练模型，提前需要给定具体的标签信息，除此之...
【技术保护点】
1.一种基于自编码神经网络的水声信号去噪方法，其特征在于包括下述步骤：/n步骤1：自编码的训练阶段，假设自编码网络输入层有三个元素，隐藏层有两个元素，输出层有三个元素，定义变量
【技术特征摘要】
1.一种基于自编码神经网络的水声信号去噪方法，其特征在于包括下述步骤：
步骤1：自编码的训练阶段，假设自编码网络输入层有三个元素，隐藏层有两个元素，输出层有三个元素，定义变量为权重，其中，a代表连接该权重的上层网络中的第a个元素，b代表连接该权重的下层网络中的第b个元素，c取1或2，取1代表从输入层到隐藏层的权重，取2代表从隐藏层到输出层的权重，变量为偏置项，q取1或2，取q＝1代表隐藏层的偏置，取q＝2代表输出层的偏置，p表示该层中第p项的偏置项，输入层用xi表示，i表示输入层的第i个元素，如表示自编码网络的输入层中的第一个元素到隐藏层的第一个元素之间的权重，表示自编码网络的输入层中的第一个元素到隐藏层的第二个元素之间的权重，表示自编码网络的隐藏层中的第一个元素到输出层的第一个元素之间的权重，表示自编码网络的隐藏层的第一个元素的偏移量，表示自编码网络的隐藏层的第二个元素的偏移量，表示自编码的输出层的第一个元素的偏移量，h表示自编码网络隐藏层的输出，表示自编码网络的隐藏层的第一个元素的输出，表示自编码网络的隐藏层的第二个元素的输出，y为输出层的输出，y1表示输出层的第一个输出元素，所以前向传播的自编码网络表示为以下关系式：
其中式(1)为自编码网络的编码过程，式(2)为自编码网络的解码过程，f为激活函数，自编码网络每一层设置一个激活函数，激活函数选取sigmoid函数，sigmoid函数的数学表达式为：
步骤2：反向传播算法是训练神经网络的核心算法，根据定义好的损失函数优化神经网络中参数的取值，从而使神经网络模型在训练数据集上的损失函数达到一个最小值，损失函数表示为c＝[f(x,w,b)-x]2，其中，x为自编码网络模型中的输入矩阵，w为权重矩阵，b为偏置矩阵，为自编码的输出层的输出值，其中，...
【专利技术属性】
技术研发人员：曾向阳，薛灵芝，王海涛，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。