Page 141 - 《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 137

图6 展示了经过本文模型去噪与重构后信号的 号特征保留完整。
时域序列与时频图，可以看到，在 3 种噪声条件下， 图 8 为 LMS 滤波方法在高斯噪声和非平稳行
本文模型均能取得较好的去噪结果。尤其是在α 稳 船噪声背景下，通过时域滤波获得去噪信号的时域
定分布噪声样本中，对比图 5(g)、图 5(h) 与图 6(e)、 图及其对应的时频图。可以看到，在高斯噪声下，
图 6(f)，本文模型去除了 α 稳定分布噪声中的能量 LMS 滤波获得的结果尚可接受，图 8(c)、图 8(d) 中，
很强的宽带脉冲噪声，增强了目标脉冲信号，极大地 由于背景噪声非平稳，第 2 个脉冲之后的背景噪声
提高了信噪比。对时域图进行放大如图 7 所示，本 仍然有较多残余。去噪信号时域图中，去噪信号与
文模型重构的脉冲信号与原始信号近乎重合，对信 原始信号差异较大。

1.0
8
0.5
6
ᮠဋ/kHz 4
ࣨϙ 0

-0.5 2

-1.0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8
௑ᫎ/s ௑ᫎ/s
(a) ԝᬔᰴள٪ܦ௑۫ڏ (b) ԝᬔᰴள٪ܦ௑ᮠڏ

1.0
8
0.5
6
ᮠဋ/kHz 4
ࣨϙ 0

-0.5 2

-1.0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8
௑ᫎ/s ௑ᫎ/s
(c) ԝᬔ᭤ࣱሷᛡᓕ٪ܦ௑۫ڏ (d) ԝᬔ᭤ࣱሷᛡᓕ٪ܦ௑ᮠڏ
1.0
8

0.5
6
ᮠဋ/kHz 4
ࣨϙ 0

-0.5 2

-1.0 0
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8
௑ᫎ/s ௑ᫎ/s
(e) ԝᬔαሷࠀѬ࣋٪ܦ௑۫ڏ (f) ԝᬔαሷࠀѬ࣋٪ܦ௑ᮠڏ

图 6 本文模型去噪结果
Fig. 6 The denoising results of the neural network model