[发明专利]基于稀疏字典学习的水声信号去噪方法及装置

说明书

本发明是关于基于稀疏字典学习的水声信号去噪方法及装置，该方法包括：输入含噪信号；构造DCT字典；使用OMP算法确定DCT字典中每个原子的稀疏系数，得到稀疏系数矩阵；利用字典学习算法更新所述DCT字典；判断误差是否达到指定的错误阈值，若是则得到最后的新字典，否则返回；使用OMP算法求新字典的稀疏系数矩阵；基于所述新字典及新字典的稀疏系数矩阵得到重构信号。本发明提供的技术方案，选择使用字典学习的方法去训练更新字典，减少迭代次数，收敛速度增加，同时又提高了灵活性和适应性。可以在低信噪比的条件下，不失真的重构出初始信号。成功解决了传统稀疏分解算法存在的长信号给词典建设带来困难的问题，使其更加适用于对长脉冲信号的处理。

技术领域

本方案采用稀疏字典学习的技术用于水声信号降噪，属于水声学信号处理领域。

背景技术

浅海海洋环境复杂多变，且低频的水声信号容易受到复杂的海洋环境噪声的干扰。因此水声信号的降噪是水声学信号处理领域的一个热门话题。

目前常用的技术有：匹配追踪(Matching Pursuit，MP)自适应算法，该算法引入冗余函数字典，从中选择一定数量的原子进行线性组合，从而将有用信号分解。因此，该方法可以根据给定字典重构相关的信号结构，从噪声背景中提取有用信号；动态门限正交匹配追踪(DTOMP)方法是在MP 算法基础上提出来的。该方法的核心思想是利用DCT字典对水声信号进行稀疏分解，然后根据水声信号的分布特征设计动态阈值进行降噪；正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法每一步都保持残差(误差)之间完全正交，从而提高了收敛性；一种改进的OMP算法优化正交匹配追踪(Optimized Orthogonal MatchingPursuit,OOMP)算法，其不断地循环迭代过程中，对信号自适应稀疏表示的同时会提供所选原子的线性扩展系数，以便对信号进行最优表示；另一种OMP改进算法广义正交匹配追踪(generalized Orthogonal Matching Pursuit,gOMP)算法，以追求重构稀疏信号的效率。

以上稀疏分解算法在构造过完备字典的过程中发现字典中原子数量过多，迭代次数高，整体算法的复杂度高、计算量大。且完备字典不再具有冗余特征，鲁棒性降低，使得稀疏信号很难在强噪声中提取信号特征。同时固定字典并不是对所有信号都能完美表示，其灵活性与适应性受到限制。此外目前对线性调频(LFM)信号的降噪处理研究较少，且降噪效果不理想。未能解决对长脉冲信号难以处理处理的局限。

发明内容

为克服以上相关技术中存在的至少一方面的问题，本发明提供基于稀疏字典学习的水声信号去噪方法及装置。

根据本发明实施例的第一方面，提供基于稀疏字典学习的水声信号去噪方法，包括：

步骤1、输入含噪信号；

步骤2、构造DCT字典；

步骤3、使用OMP算法确定所述DCT字典中每个原子的稀疏系数，得到稀疏系数矩阵；

步骤4、利用字典学习算法更新所述DCT字典；

步骤5、判断误差是否达到指定的错误阈值，若是则得到最后的新字典，否则返回步骤3；

步骤6、使用OMP算法求所述新字典的稀疏系数矩阵；

步骤7、基于所述新字典及所述新字典的稀疏系数矩阵得到重构信号。

根据本发明实施例的第二方面，提供基于稀疏字典学习的水声信号去噪装置，包括：

输入模块，用于输入含噪信号；

构造模块，用于构造DCT字典；

第一计算模块，用于使用OMP算法确定所述DCT字典中每个原子的稀疏系数，得到稀疏系数矩阵；