一种基于解耦卷积神经网络的含噪水声信号盲源分离方法技术

本发明专利技术公开了一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，属于信号处理技术领域，设计了一种模仿传统算法估计盲源分离的混合矩阵过程的神经网络模型，该模型能够更好的分离源信号。首先利用该网络的一维卷积层自动提取观测信号的特征，基于该特征分别实现生成分离矩阵和调整缩放系数两个功能，然后利用分离矩阵分离观测信号得到初步分离信号，随后利用缩放系数对初步分离信号进行缩放得到最终的分离信号。解耦卷积神经网络功能明确、结构清晰，能够实现在大数据集下信号快速精确分离及分离信号幅度有效确定，该方法不仅能够分离独立信号，还能分离相关信号。本发明专利技术能在低信噪比下准确估计源信号，提高水声信号接收质量。质量。质量。

【技术实现步骤摘要】
一种基于解耦卷积神经网络的含噪水声信号盲源分离方法


[0001]盲源分离本专利技术属于信号处理领域，具体地说，涉及一种基于一维卷积神经网络的无噪盲源分离混合矩阵估计方法。

技术介绍

[0002]盲源分离(Blind Source Separation, BSS)的目的是在混合系统和源信号等先验知识均未知的情况下，从观测信号中估计出源信号。因为盲源分离更加符合人们生活的实际情况，所以盲源分离技术在许多领域具有重要应用，如图像处理领域，语音信号处理领域，医学领域。
[0003]近年来，随着深度神经网络(Deep Neural Network, DNN)的发展，学者们也将DNN应用于语音混合信号的分离来提高信号的分离性能。DNN是深度学习的一个成功实例，而且DNN的学习能力和泛化能力都很强。现有技术中，将DNN应用到信号分离中，利用DNN来进行特征学习，将分离问题转化为二进制分类问题来估计理想二进制掩模。深度学习算法在信号分离问题中已经有了广泛的应用，例如深度聚类，深度吸引子网络等；或固定波束形成器对观测信号进行预处理，提取了观测信号的幅度调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于解耦卷积神经网络的含噪水声信号盲源分离方法，其特征在于，包括以下步骤：S1：接收观测信号，利用卷积神经网络的一维卷积层自动提取观测信号的特征；S2：基于S1提取的特征生成分离矩阵，利用分离矩阵分离观测信号，能够初步分离信号；S3：基于S1提取的特征生成缩放系数，对初步分离信号进行缩放得到最终的分离信号。2.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S1具体如下：S1
‑
1：建立信号接收模型：假设水声通信系统模型采用多发多收模式，发送目标信号为，，接收阵元个数为，其中，则接收端收到的信号为：其中，表示信道参数，也是混合矩阵，表示源信号, 表示接收信号, ，表示转置；S1
‑
2：对接收信号进行预处理；S1
‑
3：利用卷积神经网络的一维卷积层自动提取观测信号的特征。3.如权利要求1所述的含噪水声信号盲源分离方法，其特征在于，所述S2具体如下：S2
‑
1：基于S1提取的特征生成分...

【专利技术属性】
技术研发人员：李爽，王景景，董新利，刘颉，王海红，任翀，马璐，陈文亮，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：