基于改进的INMF的声学降噪方法及装置制造方法及图纸

本发明专利技术公开了基于改进的INMF的声学降噪方法，包括：对纯净漏气信号、干扰噪声信号分别进行短时傅里叶变换得到各自的幅度谱；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，将干扰噪声信号的幅度谱分解成字典矩阵，将与合并构成联合字典矩阵，作为训练过程的先验信息；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；使用改进的INMF算法和改进的自适应MMSE

【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)、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；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]本专利技术还提出基于改进的INMF的声学降噪装置，包括：
[0012]处理器；
[0013]存储器，其上存储有可在所述处理器上运行的计算机程序；
[0014]其中，所述计算机程序被所述处理器执行时实现基于改进的INMF的声学降噪方
法。
[0015]本专利技术提供的技术方案带来的有益效果是：
[0016]本专利技术提供了基于改进的INMF的声学降噪方法，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，将干扰噪声信号的幅度谱分解成字典矩阵，将两个字典矩阵合并构成联合字典矩阵，使用联合字典作为训练过程的先验信息；基于联合字典矩阵和含有噪声的漏气信号的幅度谱，使用改进的INMF算法估计纯净漏气信号和干扰噪声信号的幅度谱；利用估计的纯净漏气信号和干扰噪声信号的幅度谱，采用改进的自适应MMSE
‑
LSA算法，实时估计出纯净漏气信号幅度谱；基于实时估计的纯净漏气信号幅度谱，通过逆短时傅里叶变换得到降噪后的时域漏气信号。克服了传统方法不能有效估计实时变化信号的缺陷。
附图说明
[0017]图1是本专利技术实施基于改进的INMF降噪算法的流程框图；
[0018]图2是本专利技术实施漏气信号的字典矩阵与字典原子。
具体实施方式
[0019]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0020]本实施例的基于改进的INMF的声学降噪方法的流程框图如图1，具体包括以下步骤：
[0021]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。
[0022]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
，纯净漏气信号的字典矩阵如图2(a)所示，其中，字典矩阵的列为字典原子，纯净漏气信号的字典原子如图2(b)所示，字典原子是频率的非负函数，能够实时和相应系数进行线性组合。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。
[0023]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。
[0024]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。
[0025]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。
[0026]改进的INMF算法主要如下：
[0027](1)引入噪声项E，X＝WH+E，引入的噪声项可以有效降低系数矩阵H和基矩阵W的干扰。
[0028]KL散度下的目标函数表示为式：
[0029][0030]其中，为KL散度下的目标函数，X为含噪信号幅度谱，为含噪漏气信号降噪后幅度谱，E为引入的噪声项，K为含噪漏气信号的频点，L为含噪漏气信号的时间帧，x∈X，e∈E，(x
‑
e)
k,l
为添加噪声项后KL散度的目标函数，lg表示以10为底的对数运算，为KL散度下估计的含噪漏气信号降噪后幅度谱。
[0031](2)为了使上式的稀疏性更强，考虑在噪声项中添加范数约束项。由于L0范数的求解困难，所以选择在噪声项中添加L1范数。
[0032][0033]其中，a为控制E稀疏度和重构误差的权衡系数。
[0034](3)由于声学信号中的时域和频域存在稀疏的性质，所以考虑使用稀疏因子来决定系数矩阵H的稀疏度，从而使得基矩阵W变成一个完备基。把系数矩阵为H的稀疏约束项加入(2)中公式中，从而使H的稀疏度和音频信号的失真度能够被较好地控制，故目标函数变为：
[0035][0036]其中，H为系数矩阵，||H||1为H的L1范数矩阵，b为决定系数矩阵的稀疏因子。
[0037](4)当引入阈值算子时，通过固定W和H来不断更新优化所加的噪声项可以解决更新时的凸优化难题，让其不受噪声异常点形式所束缚，可以提高算法的鲁棒性。软阈值函数本文档来自技高网...

【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：