Page 139 - 《应用声学》2021年第1期

第 40 卷 第 1 期 李悦等： 非高斯环境下的深度学习脉冲信号去噪与重构 135

2.2 网络模型与参数设置 3.1 仿真数据集
本文中脉冲信号去噪网络采用全卷积的网络 本文的目标是在复杂噪声背景下对脉冲信号
结构，模型结构如图 4 所示，参数设置如表 1 所示。 进行去噪。实际接收信号中有可能存在多个甚至不
去噪网络共 15层，第1层到第14层中各层包含一个 同类型的脉冲信号，并且脉冲信号可能出现在任意
卷积层和一个 ReLU 非线性激活层，最后一层仅包 时刻，处于任意频段。因而在生成仿真数据集时，一
含一个卷积层。除最后一层，各卷积层均采用 64 个 条样本中需要仿真一到多个脉冲信号，并且脉冲信
卷积核来提取特征，最后一层的卷积核数目为2，与 号的类型随机产生。为简化问题，将一条样本中含
输出通道数相同。网络输入特征共两个通道，分别 有的脉冲数上限置为 2，即一条样本中至多含有两
为接收信号 STFT 谱 X 的实部分量 X r 和虚部分量 个脉冲信号。脉冲信号的起止时间、起止频率均随
ˆ ˆ 机产生。仿真信号各项参数如表2所示。
X i ，网络输出特征包括残差信号 V 的实部分量 V r
ˆ
和虚部分量V i 。
表 2 仿真信号数据集参数设置
ᣥК ᣥѣ
Table 2 Parameter setting of simulation
128 128 128 128 128 signal data set
......
参数 设置
128 128 128 128 128
每条样本信号时长 1 s
2 64 64 64 2
采样率 33200 Hz
图 4 脉冲信号去噪网络
脉冲信号类型 {CW, LFM, HFM}
Fig. 4 Pulse signal denoising neural network
脉冲信号脉宽 0.06 ∼ 1 s
表 1 脉冲信号去噪网络参数设置 脉冲信号带宽 500 ∼ 4000 Hz

Table 1 Parameter setting of pulse signal 脉冲信号中心频率 100 ∼ 8000 Hz
denoising neural network {高斯噪声, α 稳定分布噪声,
背景噪声类型
非平稳行船噪声}
卷积核
卷积层 卷积核大小 步长 输出向量 激活层 信噪比 (广义信噪比) −10 ∼ 10 dB
数目
Conv 1 ∼ 14 64 3×3 1×1 128×128×64 ReLU
对仿真得到的时域样本信号进行 STFT，设定
Conv15 2 3×3 1×1 128×128×2 无
窗长为 512，窗与窗之间有 50% 的重叠，去除冗余保
存128个频点，因此1 s的数据可以得到128×128×1
ˆ
模型输出接收信号与纯净信号的残差 V ，通过
的三维 STFT 复数特征。提取 STFT 谱的实部分量
式(8)和式(9)即可重构去噪信号的时域序列。
与虚部分量，并归一化，作为网络的输入。在产生仿
去噪网络的损失函数如式(10)所示：
真数据时，保留纯净信号的时频域特征，将接收信号
B M K
1 ∑ ∑ ∑ 与纯净信号幅值谱残差作为去噪网络的输出。
ˆ

loss = V (m, k) − V (m, k), (10)

B
b=1 m=1 k=1 仿真数据集包含5000条样本，划分数据集为训
其中，M、K 分别表示 STFT 时间帧和频点的总数， 练数据集和测试数据集，比例为9 : 1。
B 为批大小。
3.2 去噪性能分析
图 5(a) 和图 5(b) 分别为测试样本的纯净信号
3 仿真实验与分析
时域序列和时频图，其中包括两条脉冲信号分别为
此小节利用仿真数据对脉冲信号去噪模型进 CW 信号和 LFM 信号。图 5(c) ∼ 图 5(h) 为纯净信
行训练，并与传统的基于最小均方误差(Least mean 号经过高斯噪声、非平稳船噪声以及 α 稳定分布噪
square, LMS)的自适应滤波方法进行性能对比。 声污染后的信号时域序列和时频图。