Page 103 - 《应用声学》2019年第6期
P. 103

第 38 卷 第 6 期             王全东等： 基于深度神经网络的水声信号恢复方法研究                                         1005


                                                               而导出了对角加载MVDR，提高了对基阵误差的稳
             0 引言
                                                               健性。对角加载MVDR因操作简单而广泛应用，Du
                                                               等 [13]  针对加载量不易确定的问题提出了全自动对
                 海洋环境下，水声目标信号常常被强干扰或背
                                                               角加载算法，进一步提高了鲁棒性。Griffths 等                  [14]
             景噪声所掩盖，造成水声目标识别十分困难。因此，
                                                               引入了 GSC 作为 MVDR 的一种等价形式，GSC 将
             为提高识别的有效性和可靠性，抑制干扰因素，还原
                                                               固定波束形成器与自适应滤波器结合，显著降低了
             目标信号波形显得尤为重要。水声被动信号恢复技
                                                               MVDR 计算量。针对 GSC 的方位敏感问题，研究
             术旨在研究处理被动接收信号，适应海洋环境的复
                                                               人员提出利用特征分析技术提取干扰噪声子空间，
             杂性，抑制干扰和背景噪声的同时保证目标信号不
                                                               降低了阻塞矩阵的信号泄漏               [15] 。总的来说，自适
             失真，从而恢复目标信号波形，对国家安全、海洋监
                                                               应波束形成取得了显著进展，但其依然对目标信号
             测及开发等领域有重要意义。
                                                               方位和阵元位置有着较高的要求。在浅海垂直阵
                 在单阵元观测情况下，目前学者已提出了很多
                                                               条件下，在多途作用下阵元之间的相关性较低，尽
             算法来解决信号降噪问题。谱减法最早被Boll                   [1]  提
                                                               管距离较近时可采用聚焦波束形成来进行降噪和
             出，是将噪声谱从接收信号谱中减去，但会引入不
                                                               定位   [16−17] ，但远距离情况下依然较难准确获得目
             自然的人工噪声；基于最小均方误差的降噪算法包
                                                               标信号在各阵元的到达时间差 (Time difference of
             括Ephraim 等   [2]  提出的最小均方误差估计器，以及
                                                               arrival, TDOA)，因而很难通过波束形成达到降噪
             Cohen 等 [3]  提出的最优对数幅度谱估计法，这些方
                                                               的目的。
             法能降低人工噪声，但是需要对噪声谱进行估计，在
                                                                   最近几年，深度学习理论在图像处理、语音识
             信噪比较低时难以取得满意效果；其他经典算法包
                                                               别、人工智能等重要领域取得了成功。深度神经网
             括经验模态分解        [4] 、小波变换   [5−6] 、奇异谱分解     [7]
                                                               络(Deep neural network, DNN)作为一种卓越的信
             和单阵元盲源分离         [8−9] ，这些算法通常需要对噪声
                                                               号处理模型，具有强大的建模能力，是由数据驱动
             的能量大小、概率密度分布和统计特性做出较多
                                                               的，因而能将已有的数据应用起来完成分类、回归
             的先验假设，然而在实际海洋条件下这些假设很难
                                                               等任务    [18] 。目前已有研究人员将浅层神经网络和
             满足。
                                                               深层神经网络用于水声定位研究中                  [19−21] ，取得了
                 在多阵元观测情况下，算法可以同时利用空域
                                                               显著进展。这种监督学习的方法也可以用于估计带
             和频域信息，因而可以取得较单阵元更显著的降噪                            噪信号和目标信号之间的复杂的非线性映射，具备
             效果  [10] 。过去几十年来，水声阵列信号降噪的研究                      更强的能力去从噪声中分辨目标信号，对比传统无
             工作主要集中在波束形成理论上。波束形成技术通                            监督方法已显示出了卓越的性能提升                   [22] 。目前已
             过噪声干扰抵消达到阵列降噪的目的，是改善信噪                            有采用 DNN 进行主动声呐信号降噪的方法                   [23] ，但
             比的有效手段。一般地，波束形成类方法分常规波                            是这种方法只适用于单阵元接收信号，也仅在仿真
             束形成 (Conventional beamforming, CBF) 和自适           中对加性白噪声进行了抑制，对于其他真实情况下
             应波束形成。常规波束形成可在保持信号幅度不变                            干扰或噪声的抑制还没有进行研究。
             的同时，衰减干扰噪声信号。该类方法鲁棒性强，实                               本文提出一种适用于水声被动目标信号波形
             现简单，但在干扰方位与目标方位临近的情况下难                            恢复的方法，此方法能够自适应地学习目标信号自
             以抑制强干扰。自适应波束形成包括最小方差无失                            身的时频特征，有效去除不符合目标信号特征分布
             真响应波束形成 (Minimum variance distortionless          的噪声，在保真目标信号的同时，提高输出信噪比
             response, MVDR)、广义旁瓣消除器 (Generalized              (Signal to noise ratio, SNR)。本方法不限定噪声的
             sidelobe canceller, GSC)、最大信噪比波束形成器               统计分布 (各向同性噪声，临近方向干扰)，也对阵
             等。MVDR由Capon      [11]  最先提出，对期望信号进行              列排布没有限制，对训练数据集中不存在的信号具
             无失真约束，同时使得总的输出功率最小。该类方                            有一定的泛化能力，因而可以应用在各种阵列条件
             法具有较好的方位分辨率和较强的干扰抑制能力，                            下。首先，在单阵元被动接收情况下，本方法采用
             但其需要已知精确的期望信号方位，对参数失配非                            DNN 作为回归模型，估计带噪信号到纯净信号之
             常敏感。Cox等      [12]  提出对白噪声增益进行约束，从                间的映射函数，将时间上扩帧的带噪对数功率谱特
   98   99   100   101   102   103   104   105   106   107   108