【技術實現步驟摘要】
本專利技術涉及聲信號處理，尤其涉及一種基于對數處理機制的聲信號分離方法、系統、設備及介質。
技術介紹
1、在聲探測設備的應用場景中，環境噪聲和背景干擾是不可避免的問題，因此導致聲探測設備接收到的聲源信號中混雜有大量的噪聲信號，影響探測設備的正常工作及其探測效果。為了提升聲探測設備對目標聲信號的探測能力，需采取信號增強技術對含噪信號進行預處理，其核心目的在于有效抑制背景噪聲的同時，盡可能減少目標信號的失真。
2、相關技術中，較有效的信號增強方法主要是基于時頻(t-f，time-frequency)掩模原理的方法，即通過作用于帶噪信號的每個頻帶，選擇性地保留由目標信號主導的t-f分量，并屏蔽掉由噪聲主導的分量，從而實現對目標信號的有效提取。
3、對于t-f掩模，包括根據目標和噪聲的統計特征來估計t-f掩模的方法，將目標和噪聲的統計分布在頻域中假設為特定的統計模型，并結合不同的優化準則獲得從含噪聲的信號中恢復目標信號的t-f掩碼。除了這種基于頻域模型的聲信號分離方法，還有對數譜域模型的方法，如：基于隱馬爾可夫模型(hmm)的方法，使用hmm對目標信號和噪聲的樣本數據進行訓練完成對它們的對數譜的分布進行建模，并借助于交叉積推導出t-f掩碼來估計目標信號信息。基于高斯混合模型的方法，通過使用不同數量的混合高斯分量對目標信號和噪聲進行預訓練，并構建對數概率密度分布來恢復目標聲音信號。
4、由于對聲音信號不同頻率的感知并不是線性的，呈現出對數分布的特點，使得相對于頻域模型，對數譜域模型更適合對聲音信號進行處
5、相關技術為了克服對數非線性導致的難以準確推導目標聲信號表達式的問題，通過自回歸模型和隱馬爾可夫等模型對聲數據進行訓練，直接獲取目標信號和噪聲的對數分布。但噪聲信號千差萬別，且種類居多，對其的訓練樣本有限，使得基于噪聲訓練的手段具有噪聲泛化性不足的問題。
技術實現思路
1、本專利技術提供一種基于對數處理機制的聲信號分離方法、系統、設備及介質，解決了基于對數譜域的信號分離方法中，依賴噪聲訓練而導致的泛化性不足的問題。
2、為達到上述目的，本申請采用如下技術方案：
3、第一方面，提供一種基于對數處理機制的聲信號分離方法，包括：
4、接收混合帶噪信號，進行預處理并提取參數；所述參數包括目標信號、噪聲和帶噪信號的幅度譜以及短促信號功率估計；
5、基于提取的所述參數，構建對數概率密度分布模型，并通過模型獲得所述目標信號、噪聲和帶噪信號的對數概率密度分布；
6、基于所述目標信號、噪聲和帶噪信號的對數概率密度分布，利用mmse估計理論生成t-f掩模；
7、根據所述t-f掩模，對所述帶噪信號進行處理，獲得所述目標信號的頻譜幅度估計。
8、在第一方面的第一種可能的實現方式中，所述接收混合帶噪信號，進行預處理并提取參數，包括：
9、對所述混合帶噪信號進行短時傅里葉變換，獲得所述目標信號、噪聲和帶噪信號的幅度譜；
10、根據所述帶噪信號的幅度譜獲得所述帶噪信號的功率譜，基于所述帶噪信號功率譜，計算所述短促信號功率估計。
11、在第一方面的第二種可能的實現方式中，所述基于提取的所述參數，構建對數概率密度分布模型，并通過模型獲得所述目標信號、噪聲和帶噪信號的對數概率密度分布，包括：
12、對所述混合帶噪信號進行傅里葉變換和對數處理，獲得所述目標信號、噪聲和帶噪信號的對數幅度譜的表示；
13、分別用拉普拉斯分布和瑞利分布來近似所述目標信號和噪聲的幅度譜的概率密度分布；
14、將所述目標信號和噪聲的幅度譜的概率密度分布轉換為對應的對數概率密度分布；
15、基于所述目標信號、噪聲和帶噪信號在對數域存在的混合最大模型關系，獲得所述帶噪信號的對數概率密度分布。
16、基于第一方面的第二種可能的實現方式，在第一方面的第三種可能的實現方式中，所述將所述目標信號和噪聲的幅度譜的概率密度分布轉換為對應的對數概率密度分布，包括：
17、分別計算目標信號和噪聲幅度譜系數的對數累積分布函數；
18、分別求導對應的所述對數累積分布函數得到所述目標信號和噪聲的對數概率密度分布。
19、基于第一方面的第三種可能的實現方式，在第一方面的第四種可能的實現方式中，目標信號、噪聲和帶噪信號的對數幅度譜的表示為：
20、slog＝[slog,1,...,slog,k,...,slog,k]t
21、nlog＝[nlog,1,...,nlog,k,...,nlog,k]t
22、ylog＝[ylog,1,...,ylog,k,...,ylog,k]t，
23、其中，slog表示目標信號的幅度對數譜向量，nlog表示噪聲信號的幅度對數譜向量，ylog表示帶噪信號的幅度對數譜向量，k表示向量元素的總個數，k表示向量中的第k個元素；
24、分別用拉普拉斯分布和瑞利分布來近似所述目標信號和噪聲的幅度譜的概率密度分布，包括：
25、
26、
27、其中，向量ss和nn為目標信號和噪聲的幅度譜向量，并可表示為ss＝[ss1...,ssk...,ssk]t和nn＝[nn1...,nnk...,nnk]t，λs和λn表示目標信號和噪聲的短促信號功率估計；
28、目標信號和噪聲的對數概率密度分布為：
29、
30、
31、帶噪信號的對數概率密度分布為：
32、
33、基于第一方面的第四種可能的實現方式，在第一方面的第五種可能的實現方式中，t-f掩模為：
34、
35、目標信號的頻譜幅度估計為：
36、
37、第二方面，提供一種基于對數處理機制的聲信號分離系統，包括：
38、預處理模塊，用于接收混合帶噪信號，進行預處理并提取參數；所述參數包括目標信號、噪聲和帶噪信號的幅度譜以及短促信號功率估計；
39、對數概率密度分布模型模塊，用于基于提取的所述參數，構建對數概率密度分布模型，并通過模型獲得所述目標信號、噪聲和帶噪信號的對數概率密度分布；
40、t-f掩模模塊，用于基于所述目標信號、噪聲和帶噪信號的對數概率密度分布，利用mmse估計理論生成t-f掩模；
41、信號分離模塊，用于根據所述t-f掩模，對所述帶噪信號進行處理，獲得所述目標信號的頻譜幅度估計。
42、在第二方面的第一種可能的實現方式中，所述對數概率密度分布模型模塊，具體用于：
43、對所述混合帶噪信號進行傅里葉變換和對數處本文檔來自技高網...
【技術保護點】
1.基于對數處理機制的聲信號分離方法，其特征在于，包括：
2.根據權利要求1所述的基于對數處理機制的聲信號分離方法，其特征在于，
3.根據權利要求1所述的基于對數處理機制的聲信號分離方法，其特征在于，
4.根據權利要求3所述的基于對數處理機制的聲信號分離方法，其特征在于，
5.根據權利要求4所述的基于對數處理機制的聲信號分離方法，其特征在于，
6.根據權利要求5所述的基于對數處理機制的聲信號分離方法，其特征在于，
7.基于對數處理機制的聲信號分離系統，其特征在于，包括：
8.根據權利要求7所述的基于對數處理機制的聲信號分離系統，其特征在于，
9.一種電子設備，其特征在于，所述電子設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執行時實現如權利要求1至6中任一項所述基于對數處理機制的聲信號分離方法的步驟。
10.一種可讀存儲介質，其特征在于，所述可讀存儲介質上存儲有程序或指令，所述程序或指令被處理器執行時實現如權利要求
...【技術特征摘要】
1.基于對數處理機制的聲信號分離方法，其特征在于，包括：
2.根據權利要求1所述的基于對數處理機制的聲信號分離方法，其特征在于，
3.根據權利要求1所述的基于對數處理機制的聲信號分離方法，其特征在于，
4.根據權利要求3所述的基于對數處理機制的聲信號分離方法，其特征在于，
5.根據權利要求4所述的基于對數處理機制的聲信號分離方法，其特征在于，
6.根據權利要求5所述的基于對數處理機制的聲信號分離方法，其特征在于，
7.基于對數處理機制的聲信號分離系統...
【專利技術屬性】
技術研發人員：王顯云，周瑜，楊立學，白春雨，張家瑋，竇姍姍，左丹霞，
申請(專利權)人：電視電聲研究所中國電子科技集團公司第三研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。