[发明专利]一种结合小波变换的并行降噪方法及系统

说明书

本发明提出了一种结合小波变换的并行降噪方法，包括获取待降噪信号，根据噪声类型将信号分为微弱噪声信号、一般噪声信号和强噪声信号；构建深度残差网络、Res‑NN网络、BP‑CNN网络并进行训练；利用中值滤波器对微弱噪声信号进行降噪，输出降噪后的信号，再通过Res‑NN网络进行译码；结合深度残差网络与Res‑NN网络对一般噪声信号进行降噪，并进行译码；利用小波变换算法结合BP‑CNN网络对强噪声信号进行降噪和译码；最终得到译码完成的信号。本发明还提出一种并行降噪系统，通过将实际生产实践中容易遇到的噪声分成三种类型，结合传统降噪的方法对噪声进行额外处理的同时，与神经网络技术相配合，实现对三种不同类型噪声的降噪处理，令本方案可以更好地适应实际使用需求。

技术领域

本发明涉及通信技术应用技术领域，特别是涉及一种结合小波变换的并行降噪方法及系统。

背景技术

现存的传统降噪方法大部分都存在降噪效果不够理想的问题，不能很好地去除噪声、易造成原信号的失真。神经网络虽然作为新兴技术手段开始被运用在信号降噪中，但大部分神经网络结构缺乏对噪声的针对性，所以无法达到最优的降噪效果。

公开号为CN112988548A的中国发明专利申请于2021年06月18日公开了一种基于降噪算法的改进Elman神经网络的预测方法，该预测方法包括：将原始数据按比例划分为训练集、测试集以及验证集；对原始数据采用降噪算法CPW进行降噪，降噪算法CPW通过将原始数据中的不同维度的数据使用CEEMDAN进行分解后结合排列熵使用小波变换对分解出来的IMF进行降噪，然后将经过了降噪处理的序列重构为降噪后的时间序列；构建结合了注意力机制的EAMC神经网络；将降噪后训练集的数据放入神经网络中进行训练，待损失值小于给定的阈值以后，保存训练好的神经网络，结束训练；其得到的神经网络虽然可以提高预测的精度，比传统的降噪算法的效果更好，平滑效果更佳，但其神经网络结构缺乏对噪声的针对性，只能提高某种特定噪声的预测结果，无法很好地满足实际的使用需求。

发明内容

本发明为了解决以上至少一种技术缺陷，提供一种结合小波变换的并行降噪方法及系统，适用于对多种噪声进行降噪，能够更好地适应实际使用需求。

为解决上述技术问题，本发明的技术方案如下：

一种结合小波变换的并行降噪方法，包括以下步骤：

S1：获取待降噪信号，根据噪声类型对信号进行分类，得到微弱噪声信号、一般噪声信号和强噪声信号；

S2：构建深度残差网络和Res-NN网络并进行训练；

构建BP-CNN网络并进行训练；

S3：利用中值滤波器对微弱噪声信号进行降噪，输出降噪后的信号，再通过Res-NN网络进行译码；

结合深度残差网络与Res-NN网络对一般噪声信号进行降噪，并进行译码，输出译码后的信号；

利用小波变换算法结合BP-CNN网络对强噪声信号进行降噪，输出降噪译码后的信号；

S4：最终得到译码完成的信号。

上述方案中，通过将实际生产实践中容易遇到的噪声分成三种类型，结合传统降噪的方法对噪声进行额外处理的同时，与神经网络技术相配合，实现对三种不同类型噪声的降噪处理，令本方案可以更好地适应实际使用需求。

上述方案中，通过大量包含无噪声数据的数据对分类器进行训练，以保证其可以得到理想的分类效果，同时也用大量数据对深度残差网络和BP-CNN网络进行训练，以保证其可以得到较为理想的降噪效果。

其中，在所述步骤S1中，分类器由三个相同卷积块和若干全连接层级联构成，在全连接层内部存在残差反馈模块。