Page 136 - 《应用声学》2021年第1期

132
0 引言
近年来，为顺应现代海战的演进趋势，水下对
抗正朝着体系化、无人化、智能化方向发展。在有关
海区及时侦测未知声呐发射的脉冲信号，并分析其
性能是水声对抗的重要任务之一。由于声源位置的
远近未知，加上海洋环境变化多端，致使接收信噪比
较低，因此需要利用适当的去噪方法对脉冲信号进
行增强，以便进行后续的信号处理与分析。
脉冲信号持续时间较短，传统的自适应滤波去
噪方法难以在脉冲持续时间内有效收敛，并且传统
方法中大多基于环境噪声为高斯分布的假设，经过
研究，实际应用中的海洋环境噪声还常常表现为非
高斯分布。α 稳定分布的脉冲噪声以及非平稳的行
船噪声是海洋环境中两种常见的非高斯噪声。当假
设背景噪声为高斯噪声时，可利用水声信号的二阶
或高阶统计量进行信号处理，由于分数低阶的 α 稳
定分布不存在有限的二阶及以上各阶统计量
类算法在这种情况下会发生性能下降，另外非平稳
行船噪声也会为传统的基于自适应滤波的去噪方
法收敛带来困难。
短时傅里叶变换 (Short time Fourier transfor-
mation, STFT) 是一种线性时频分析方法，其算法
实现简单高效，并且不会产生交叉项，在工程实践
中得到了广泛的应用。随着深度学习领域的蓬勃发
展，近年来出现了大量利用深度学习方法进行语音
增强的研究，这些研究利用语音信号 STFT 幅值特
征进行语音信号去噪与重构。文献 [2–3] 利用卷积
神经网络 (Convolutional neural network, CNN) 学
习带噪信号STFT幅值与纯净信号STFT幅值之间
的映射关系实现去噪，文献 [4–5]利用循环神经网络
(Recurrent neural network, RNN)建立各帧数据上
下文之间的关系，利用前后序列的相关性进行去
噪，也取得了较好的结果。相较于 RNN，CNN 网
络参数更少，并且不存在 RNN 网络的长期依赖问
题，更易于训练。CNN 语音增强模型利用增强语
音幅值特征与原带噪语音谱的相位分量来重构信
号。语音信号的去噪仅对幅值谱进行处理，是因为
相位对于语音信号的可懂度影响不大
于水声脉冲信号其相位与幅值特征均是重要的信
息。文献 [6] 提出一种 DnCNN 的图像去噪网络，可
在未知背景噪声级的情况下实现盲去噪，利用残
差学习 (Residual learning, RL) 和批标准化 (Batch
2021 年 1 月
normalization, BN)提升模型性能。经研究，深度神
经网络模型相较于恒等映射更易于学习残差映射，
因此本文借鉴 DnCNN，利用残差学习的思想，学习
带噪信号 STFT 特征和带噪信号与纯净信号STFT
特征值残差之间的映射关系，与之前提到的 CNN
语音增强网络不同的是，本文脉冲信号去噪网络的
输入包含 STFT 特征的实部和虚部两个通道，并不
仅是幅值特征，学习的目标是残差的实虚部两通道
分量。文献 [7] 指出批标准化仅在高斯分布噪声条
件下具备良好的性能，本文训练集噪声包括高斯及
另外两种非高斯噪声，为提升模型在复杂噪声场景
中的泛化性，模型去掉批标准化层。本文模型相较
于传统去噪方法主要有以下优点：首先，深度学习可
以通过训练使模型适用于多种类型脉冲信号及环
境噪声，再者，传统方法如自适应滤波方法对参数设
置如权值初值、更新步长等较为敏感，而训练完毕
的神经网络仅根据输入带噪数据进行计算，无需人
[1] ，此 为设定参数。
本文针对两种常见的非高斯环境中脉冲信号
的去噪问题，提出一种基于深度学习的处理手段。首
先对接收带噪信号进行 STFT，提取其实部与虚部
分量，之后建立全卷积的水声脉冲信号去噪网络，实
现多种环境噪声中的多种脉冲信号的增强，最后通
过逆变换重构脉冲信号的时域序列。本文仿真 3 种
常见脉冲信号：连续波 (Continuous wave, CW) 信
号、线性调频 (Linear frequency modulation, LFM)
信号、双曲调频(Hyperbolic frequency modulation,
HFM) 信号，添加高斯噪声、α 稳定分布噪声以及非
平稳行船噪声，生成不同信噪比或广义信噪比下的
样本，用以训练模型。通过在仿真测试集以及实测
样本上的测试，并对比传统去噪方法，验证本文方法
在脉冲信号去噪与重构任务中的有效性。
1 非高斯噪声
常见的声呐发射脉冲信号有CW信号、LFM信
号、HFM信号等。实际水声环境中的噪声常呈现非
[2] ，然而对 高斯分布。由于工业活动、地震风暴及海洋生物等
因素的影响，会存在大量的脉冲干扰，这种噪声可用
α 稳定分布来描述 [8] 。另外行驶船舶也会产生一种
非平稳噪声，本文主要研究高斯噪声和这两种非高
斯环境噪声中的脉冲信号增强。