Page 143 - 《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 139

图 9 为 LMS 滤波在 α 稳定分布噪声下的去噪 验中，无法获得接收信号的纯净样本，然而由于本
结果。可以看到 LMS 滤波受到强噪声影响较大，与 次实验的条件较为理想，可以将接收信号近似作为
图 5(g)、图 5(h) 进行比较，时域图和时频图上出现 纯净脉冲信号。截取美国国家公园采集的冰川湾水
的能量较强的信号均为强噪声信号，脉冲信号完全 下声响中的 “中度风 (Moderate Winds)” 样本作为
被滤除。主要原因是，LMS 滤波是基于二阶统计量 环境噪声样本 [14] ，如图 11所示，可以看到此例中的
的方法，对于α 稳定分布噪声下的信号处理失效。 风噪声体现出一定的 α 稳定分布特性。在实测脉冲
中添加噪声，使信噪比为 −1 dB，如图12所示，可以
1.0
看到在时域图中脉冲信号被噪声淹没，待检测的脉
冲在时频谱图中能量也相对较弱。经过去噪模型增
0.5
强，可得到处理后脉冲信号，如图 13 所示，可以看

ࣨϙ 0 到非高斯噪声被有效抑制，各个脉冲信号相较处理
前被显著增强。对比图13(b)与图10(b)可以看到本
文方法增强的信号比截取实测脉冲信号更加纯净，
-0.5
脉冲信号之外时段与频段的噪声分量都得到了有

-1.0 效的抑制。放大重构信号中0.008 s数据，如图14所
0 0.2 0.4 0.6 0.8 1.0
௑ᫎ/s 示，重构后的信号近似贴合截取脉冲。实验结果体
(a) ԝᬔαሷࠀѬ࣋٪ܦ௑۫ڏ 现了模型在实测数据上良好的泛化性，预示着良好
的应用前景。
8
1.0
6
ᮠဋ/kHz 4 0.5

ࣨϙ 0
2
-0.5
0
0 0.2 0.4 0.6 0.8
௑ᫎ/s -1.0
0 0.2 0.4 0.6 0.8 1.0
(b) ԝᬔαሷࠀѬ࣋٪ܦ௑ᮠڏ
௑ᫎ/s
图 9 LMS 滤波去噪结果 (a) ࠄ฾ᑢфηՂ
Fig. 9 The denoising results of LMS

对比本文提出的深度学习去噪方法与传统的 1.0
LMS 滤波方法，本文在 3 种噪声分布中的去噪性能
均优于 LMS 滤波，能够有效抑制噪声，提升信噪比， ᮠဋ/kHz
并且能够较为完整地重构信号，恢复信号幅度和相 0.5
位特征，在多种噪声场景中的多种脉冲信号去噪任
务中表现出良好的性能和泛化能力。
0
0 0.2 0.4 0.6 0.8
4 实测数据验证 ௑ᫎ/s
(b) ࠄ฾ᑢфηՂ௑ᮠڏ
截取某实验中接收的两段脉冲样本，一条为 图 10 实测脉冲信号
CW 信号，一条为 LFM 信号，如图 10 所示。实际实 Fig. 10 Actual measured pulses