基于深度学习的信号频谱增强方法及系统技术方案

本发明专利技术提供一种基于深度学习的信号频谱增强方法及系统，方法包括：获取待处理的信号频谱；将待处理的信号频谱输入频谱增强模型，得到频谱增强模型输出的增强后的信号频谱；其中，频谱增强模型是基于具有泄露的频谱样本数据以及消除泄露的频谱样本数据对深度学习神经网络进行训练得到的。本发明专利技术提供的基于深度学习的信号频谱增强方法及系统，通过预先构建的频谱增强模型实现频谱增强，由于频谱增强模型是基于具有泄露的频谱样本数据以及消除泄露的频谱样本数据对深度学习神经网络进行训练得到的，能够在很大程度上减轻甚至消除频谱泄露的影响，从而使信号频谱的频率分辨率更高，相比于传统的加窗操作，频谱泄露的消除效果更加理想。果更加理想。果更加理想。

【技术实现步骤摘要】
基于深度学习的信号频谱增强方法及系统


[0001]本专利技术涉及信号处理
，尤其涉及一种基于深度学习的信号频谱增强方法及系统。

技术介绍

[0002]在信号处理过程中，经常需要对信号做频谱分析，即利用时频域分析算法将时域的信号转化到频域上，方便后续处理。以常用的傅里叶变换算法为例，在对时域信号使用上述算法进行变换时，只能对有限长度的时域数据进行变换，因此需要对原始信号进行截断，而截断操作会导致信号的频谱失真，产生频谱泄露现象，进而影响后续的信号处理流程。
[0003]目前，常通过对截断的信号进行加窗来降低频谱的泄露，加窗处理后，虽然得到的频谱中旁瓣大大减少，泄露现象得到缓解，但是却以主瓣的加宽为代价。当信号中有多个频率分量时，主瓣加宽现象会导致相邻的频率分量互相干扰，甚至会使较弱的频率分量被淹没在较强的频率分量中。
[0004]由此可见，现有的加窗操作并不能有效的消除频谱泄露现象，且频率分辨率较低。

技术实现思路

[0005]本专利技术提供一种基于深度学习的信号频谱增强方法及系统，用以解决现有技术中加窗操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的信号频谱增强方法，其特征在于，包括：获取待处理的信号频谱；将所述待处理的信号频谱输入频谱增强模型，得到所述频谱增强模型输出的增强后的信号频谱；其中，所述频谱增强模型是基于具有泄露的频谱样本数据以及消除泄露的频谱样本数据对深度学习神经网络进行训练得到的。2.根据权利要求1所述的一种基于深度学习的信号频谱增强方法，其特征在于，所述频谱增强模型的训练过程包括：构建用于频谱增强的深度学习神经网络；获取消除泄露的频谱样本数据以及具有泄露的频谱样本数据，构建训练样本数据集；通过所述训练样本数据集对所述深度学习神经网络进行训练，得到频谱增强模型。3.根据权利要求2所述的一种基于深度学习的信号频谱增强方法，其特征在于，所述深度学习神经网络包括多个级联的复数域全连接层，每个所述复数域全连接层包括若干个并行的复数域神经算子，每个所述复数域全连接层的输出为其内各复数域神经算子的输出组合结果。4.根据权利要求3所述的一种基于深度学习的信号频谱增强方法，其特征在于，所述复数域神经算子的输入为：r
in
＝x+j*y所述复数域神经算子的输出为：r
out
＝x
′
+j*y
′
其中，x,x
′
分别为输入和输出的实部，y,y
′
分别为输入和输出的虚部，r
in
为一个复数向量，r
out
为一个复数；所述复数域神经算子的输出与输入的关系为：其中，w1,w2均为复数域神经算子的参数，b1,b2均为复数域神经算子的偏置，Σ表示将向量中所有元素进行求和，σ(<...

【专利技术属性】
技术研发人员：杨铮，张驿，
申请(专利权)人：清华大学，
类型：发明
国别省市：