【技术实现步骤摘要】
基于改进的INMF的声学降噪方法及装置
[0001]本专利技术涉及声学降噪
,尤其涉及基于改进的INMF的声学降噪方法及装置。
技术介绍
[0002]声学信号降噪是声学领域的一个基本问题,其目的是从受到噪声污染的信号中分离出干净的目标信号。声学信号降噪方法根据降噪的原理和发展历程可以分为基于传统的降噪方法和基于机器学习的降噪方法。
[0003]传统的声学降噪方法主要是采用基于数字信号处理技术等方法,如谱减法、维纳滤波法、基于统计模型法和子空间法等。但是此类方法存在一定的假设条件或是较少利用纯净声信号和噪声信号的先验信息,导致其在面对非稳态噪声时出现效果下降的问题。
[0004]音频降噪可以被认为是一个监督性学习问题,越来越多的专家学者通过机器学习的方法来改善音频降噪的效果。而机器学习的方法可以分为基于传统机器学习模型的方法和基于深度学习模型的方法。由于基于深度学习的模型方法需要较大的计算资源和足够的声信号才能训练一个优秀的降噪模型,但是对于气体泄漏这种小概率事件,很难采集到足够的漏气数据和噪声数据进行训练,因此对计算资源和数据量要求相对较小的传统机器学习模型降噪方法更适合此类场景。
技术实现思路
[0005]为了解决上述问题,本专利技术提供了基于改进的INMF的声学降噪方法及装置,其中的方法包括以下步骤:
[0006]S1、获取纯净漏气信号V
L
(t)、干扰噪声信号V
N
(t)作为训练信息,对纯净漏气信号V
L
(t)、 ...
【技术保护点】
【技术特征摘要】
1.基于改进的INMF的声学降噪方法,其特征在于,包括以下步骤:S1、获取纯净漏气信号V
L
(t)、干扰噪声信号V
N
(t)作为训练信息,对纯净漏气信号V
L
(t)、干扰噪声信号V
N
(t)分别进行短时傅里叶变换得到各自的幅度谱;S2、使用改进的INMF算法将纯净漏气信号的幅度谱分解成字典矩阵W
L
,将干扰噪声信号的幅度谱分解成字典矩阵W
N
,将W
L
与W
N
合并构成联合字典矩阵W,作为训练过程的先验信息;S3、实时采集含有噪声的漏气信号,并进行短时傅里叶变换得到所述含有噪声的漏气信号的幅度谱;S4、基于W和含有噪声的漏气信号的幅度谱,使用改进的INMF算法和改进的自适应MMSE
‑
LSA算法实时估计出含有噪声的漏气信号降噪后的幅度谱;S5、基于实时估计的含有噪声的漏气信号降噪后的幅度谱,利用含噪信号的相位不变性,通过逆短时傅里叶变换得到降噪后的时域漏气信号。2.根据权利要求1所述的基于改进的INMF的声学降噪方法,其特征在于,步骤S2具体为:设置迭代次数c,将下列公式迭代c次:设置迭代次数c,将下列公式迭代c次:E
←
soft
λ
(X
‑
WH)
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中,
·
*和
·
/表示分解矩阵中的相乘和相除,X为含噪漏气信号幅度谱,E为引入的噪声项,H为系数矩阵,T表示为转置过程,为含噪漏气信号降噪后的幅度谱,1
K
×
L
∈R
K
×
L
表示为元素值全为1的K
×
L阶矩阵,b为决定系数矩阵的稀疏因子,soft
λ
()为软阈值函数;其中,x为soft
λ
(x)的变量,λ为阈值。3.根据权利要求2所述的基于改进的INMF的声学降噪方法,其特征在于,步骤S4具体为:使用含有噪声的漏气信号的幅度谱和联合字典矩阵W作为式(2)的输入参数,保持W不变,使用式(2)和式(3)不断迭代更新,直至目标函数达到收敛而终止;目标函数为:其中,为KL散度下的目标函数,X为含噪信号幅度谱,为含噪漏...
【专利技术属性】
技术研发人员:余永升,郭焕,
申请(专利权)人:海纳科德湖北科技有限公司,
类型:发明
国别省市:
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。