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无法有效的消除频谱泄露现象且频率分辨率较低的缺陷。
[0006]第一方面，本专利技术提供一种基于深度学习的信号频谱增强方法，该方法包括：
[0007]获取待处理的信号频谱；
[0008]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；
[0009]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。
[0010]根据本专利技术提供的一种基于深度学习的信号频谱增强方法，所述频谱增强模型的训练过程包括：
[0011]构建用于频谱增强的深度学习神经网络；
[0012]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；
[0013]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。
[0014]根据本专利技术提供的一种基于深度学习的信号频谱增强方法，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。
[0015]根据本专利技术提供的一种基于深度学习的信号频谱增强方法，所述复数域神经算子的输入为：
[0016]r
in
＝x+j*y
[0017]所述复数域神经算子的输出为：
[0018]r
out
＝x
′
+j*y
′
[0019]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；
[0020]所述复数域神经算子的输出与输入的关系为：
[0021][0022]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(
·
)表示激活函数。
[0023]根据本专利技术提供的一种基于深度学习的信号频谱增强方法，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，包括：
[0024]通过随机数生成器生成理想频谱，得到消除泄露的频谱样本数据；
[0025]对所述消除泄露的频谱样本数据进行泄露操作，得到具有泄露的频谱样本数据；
[0026]根据所述消除泄露的频谱样本数据与相应的具有泄露的频谱样本数据，构建得到训练样本数据集。
[0027]根据本专利技术提供的一种基于深度学习的信号频谱增强方法，对所述消除泄露的频谱样本数据进行泄露操作，得到具有泄露的频谱样本数据之后，还包括：
[0028]在所述具有泄露的频谱样本数据中添加高斯白噪声，得到观测频谱。
[0029]第二方面，本专利技术还提供一种基于深度学习的信号频谱增强系统，该系统包括：
[0030]获取模块，用于获取待处理的信号频谱；
[0031]处理模块，用于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；
[0032]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。
[0033]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的信号频谱增强方法的步骤。
[0034]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的信号频谱增强方法的步骤。
[0035]第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习的信号频谱增强方法的步骤。
[0036]本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。
附图说明
[0037]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1是截断的单频信号的时域波形图；
[0039]图2是截断的单频信号的频域波形图；
[0040]图3是使用Gaussian窗之后的截断信号的时域波形图；
[0041]图4是使用Gaussian窗之后的截断信号的频域波形图；
[0042]图5是具有两个频率分量的信号的理想频谱；
[0043]图6是具有两个频率分量的信号的真实频谱；
[0044]图7是本专利技术提供的基于深度学习的信号频谱增强方法的实现流程示意图；
[0045]图8是频谱增强网络的结构示意图；
[0046]图9是复数神经算子的数据计算原理示意图；
[0047]图10是频谱增强网络的训练原理示意图；
[0048]图11是使用频谱增强模型增强后的频谱波形示意图；
[0049]图12是本专利技术提供的基于深度学习的信号频谱增强系统的结构示意图；
[0050]图13是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0051]为使本专利技术的目的、技术方案和优点更本文档来自技高网...

【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：