本發(fā)明涉及音頻信號(hào)提取，特別地，涉及一種基于音頻盲源分離的目標(biāo)信號(hào)提取方法及系統(tǒng)。

背景技術(shù)：

1、在處理音頻信號(hào)時(shí)，技術(shù)人員必須面對(duì)噪聲污染和多徑信號(hào)分量干擾兩大挑戰(zhàn)。其中，噪聲污染指的是因?yàn)榄h(huán)境背景、電子設(shè)備干擾、通信干擾等因素而產(chǎn)生的噪聲，多徑信號(hào)分量干擾指的是在音頻信號(hào)傳輸過程中，由于不同路徑接收到的音頻信號(hào)在相位和幅度上存在變化，進(jìn)而影響到音頻信號(hào)的清晰度，導(dǎo)致音頻信號(hào)模糊不清的問題。因此，如何提取到清晰的目標(biāo)信號(hào)一直都是音頻信號(hào)處理領(lǐng)域的研究重點(diǎn)。

2、目前已有的目標(biāo)信號(hào)提取方法主要分為兩大類：即基于信號(hào)主成分的信號(hào)分離方法以及基于信號(hào)特征的深度學(xué)習(xí)判別方法。但上述方法在實(shí)際應(yīng)用中仍面臨如下問題：當(dāng)源信號(hào)不完全獨(dú)立時(shí)或存在多徑信號(hào)時(shí)，目標(biāo)信號(hào)的提取過程極易受到影響，具體表現(xiàn)為提取到的目標(biāo)信號(hào)不完整、目標(biāo)信號(hào)判別錯(cuò)誤等。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明將盲源分離方法與深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合，首先利用特征分解方法提取回波信號(hào)的主分量，然后由深度學(xué)習(xí)網(wǎng)絡(luò)判別后構(gòu)建目標(biāo)信號(hào)庫，最后經(jīng)過去除重復(fù)信號(hào)和信號(hào)重組操作，得到干凈完整的目標(biāo)信號(hào)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提出一種基于音頻盲源分離的目標(biāo)信號(hào)提取方法，包括以下步驟：

3、s1、建立多源音頻的回波信號(hào)模型；包括：

4、s11、建立多目標(biāo)的信號(hào)源模型：

5、；

6、其中，表示信號(hào)源，表示來源于第一個(gè)目標(biāo)的信號(hào)，表示來源于第二個(gè)目標(biāo)的信號(hào)，表示來源于第個(gè)目標(biāo)的信號(hào)，表示矩陣的轉(zhuǎn)置矩陣；

7、s12、建立多源音頻的系數(shù)矩陣：

8、；

9、其中，表示多源音頻的系數(shù)矩陣，表示權(quán)重因子，表示延遲因子，，表示虛數(shù)符號(hào)，表示信號(hào)載頻，表示單位時(shí)延，表示接收源的個(gè)數(shù)，個(gè)接收源等間距排列；

10、s13、建立多源音頻的回波信號(hào)模型：

11、；

12、其中，表示多源音頻的回波信號(hào)，表示噪聲：

13、；

14、s2、對(duì)回波信號(hào)進(jìn)行預(yù)處理并構(gòu)建協(xié)方差矩陣，對(duì)協(xié)方差矩陣進(jìn)行特征分解，基于特征分解結(jié)果提取回波信號(hào)的主分量；

15、s3、對(duì)回波信號(hào)進(jìn)行時(shí)間補(bǔ)償并重復(fù)步驟s2，提取時(shí)間補(bǔ)償后回波信號(hào)的主分量；

16、s4、利用訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)步驟s2、s3提取到的主分量進(jìn)行識(shí)別標(biāo)記，基于標(biāo)記結(jié)果構(gòu)建目標(biāo)信號(hào)庫；

17、s5、剔除目標(biāo)信號(hào)庫中的重復(fù)信號(hào)；

18、s6、對(duì)目標(biāo)信號(hào)庫中的信號(hào)進(jìn)行重組，獲得音頻信號(hào)的目標(biāo)信號(hào)。

19、優(yōu)選地，所述步驟s2包括：

20、s21、對(duì)多源音頻的回波信號(hào)進(jìn)行預(yù)處理：

21、；

22、其中，表示預(yù)處理后的回波信號(hào)，表示回波信號(hào)的均值；

23、s22、構(gòu)建協(xié)方差矩陣，并對(duì)協(xié)方差矩陣進(jìn)行特征分解：

24、；

25、其中，表示矩陣的轉(zhuǎn)置，是協(xié)方差矩陣的特征向量矩陣，的每列為一個(gè)特征向量，是協(xié)方差矩陣的特征值對(duì)角矩陣；

26、保留特征向量矩陣中前個(gè)特征向量組成的子矩陣，構(gòu)成主特征向量矩陣；

27、s23、提取回波信號(hào)的主分量：

28、構(gòu)建降維矩陣：

29、；

30、對(duì)降維矩陣取行向量作為回波信號(hào)的主分量 ，其中，表示來源于第個(gè)降維矩陣，表示來源于降維矩陣的第個(gè)行向量。

31、優(yōu)選地，所述步驟s3包括：

32、s31、對(duì)回波信號(hào)進(jìn)行時(shí)間補(bǔ)償：

33、構(gòu)建補(bǔ)償因子 buchang：

34、；

35、基于補(bǔ)償因子對(duì)多源音頻的回波信號(hào)進(jìn)行時(shí)間補(bǔ)償：

36、；

37、其中，表示時(shí)間補(bǔ)償后的回波信號(hào)；

38、s32、重復(fù)步驟s21、s22和s23，獲得時(shí)間補(bǔ)償后回波信號(hào)的主分量。

39、優(yōu)選地，所述步驟s4包括：

40、將步驟s2、s3提取到的主分量輸入訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)中，對(duì)輸入的主分量進(jìn)行識(shí)別并分別標(biāo)記為有用信號(hào)或噪聲信號(hào)；

41、由標(biāo)記為有用信號(hào)的主分量構(gòu)建目標(biāo)信號(hào)庫：

42、；

43、其中，表示目標(biāo)信號(hào)庫，表示目標(biāo)信號(hào)庫中的信號(hào)。

44、優(yōu)選地，所述步驟s4中深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程包括：

45、求解每個(gè)目標(biāo)的多徑回波信號(hào)：

46、；

47、；

48、其中，表示目標(biāo)的多徑回波信號(hào)，表示實(shí)驗(yàn)室條件下收集到的目標(biāo)的回波信號(hào)，表示多徑因子；

49、收集每個(gè)目標(biāo)的多徑回波信號(hào)并標(biāo)記為有用信號(hào)，構(gòu)建訓(xùn)練庫，對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

50、優(yōu)選地，所述步驟s5包括：

51、s51、對(duì)目標(biāo)信號(hào)庫中的任意兩個(gè)信號(hào)和進(jìn)行相干性判別，若二者具有相干性，則從目標(biāo)信號(hào)庫中剔除信號(hào)或，若二者不具有相干性，則不做處理；

52、s52、重復(fù)步驟s51，遍歷目標(biāo)信號(hào)庫中所有信號(hào)對(duì)。

53、優(yōu)選地，所述步驟s51中對(duì)信號(hào)和進(jìn)行相干性判別的過程包括：

54、計(jì)算點(diǎn)積：

55、；

56、其中，表示信號(hào)的長度，表示在信號(hào)的第個(gè)采樣點(diǎn)的信號(hào)值，表示在信號(hào)的第個(gè)采樣點(diǎn)的信號(hào)值；

57、如果等于0，則判斷信號(hào)和具有相干性，否則，則判斷信號(hào)和不具有相干性。

58、優(yōu)選地，所述步驟s6包括：

59、利用目標(biāo)信號(hào)庫中的信號(hào)，重組獲得音頻信號(hào)的目標(biāo)信號(hào)：

60、；

61、其中，表示獲得的音頻信號(hào)的目標(biāo)信號(hào)，表示相干性判別后目標(biāo)信號(hào)庫中的信號(hào)。

62、本發(fā)明還提出了一種基于音頻盲源分離的目標(biāo)信號(hào)提取系統(tǒng)，包括：

63、回波信號(hào)模型模塊：用于建立多源音頻的回波信號(hào)模型；

64、時(shí)間補(bǔ)償模塊：用于對(duì)回波信號(hào)進(jìn)行時(shí)間補(bǔ)償；

65、回波信號(hào)主分量提取模塊：用于分別對(duì)回波信號(hào)以及時(shí)間補(bǔ)償后的回波信號(hào)進(jìn)行預(yù)處理并構(gòu)建協(xié)方差矩陣，對(duì)協(xié)方差矩陣進(jìn)行特征分解，基于特征分解結(jié)果提取回波信號(hào)的主分量；

66、目標(biāo)信號(hào)庫模塊：用于訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)并對(duì)輸入深度學(xué)習(xí)網(wǎng)絡(luò)的主分量進(jìn)行識(shí)別標(biāo)記，基于標(biāo)記結(jié)果構(gòu)建目標(biāo)信號(hào)庫構(gòu)建，剔除目標(biāo)信號(hào)庫中的重復(fù)信號(hào)；

67、重組信號(hào)模塊：用于對(duì)目標(biāo)信號(hào)庫中的信號(hào)進(jìn)行重組，獲得音頻信號(hào)的目標(biāo)信號(hào)；

68、以實(shí)現(xiàn)上述的基于音頻盲源分離的目標(biāo)信號(hào)提取方法。

69、本發(fā)明技術(shù)方案至少具備如下有益效果：

70、1、本發(fā)明充分考慮了目標(biāo)信號(hào)延遲時(shí)間，利用信號(hào)到達(dá)時(shí)差構(gòu)建多源音頻的系數(shù)矩陣，使得建立的多源音頻的回波信號(hào)模型更貼合實(shí)際情況；本發(fā)明對(duì)多源音頻的回波信號(hào)進(jìn)行預(yù)處理，確保信號(hào)標(biāo)準(zhǔn)化，以便于后續(xù)進(jìn)行特征分解；本發(fā)明基于盲源分離方法，首先對(duì)多源音頻的回波信號(hào)進(jìn)行時(shí)間補(bǔ)償，有利于獲得具有不同延遲的回波信號(hào)主分量，確保目標(biāo)信號(hào)完整不遺漏，然后通過特征分解方法分別提取回波信號(hào)以及時(shí)間補(bǔ)償后回波信號(hào)的主分量，有效剔除了音頻信號(hào)中的噪聲污染，實(shí)現(xiàn)獲得高質(zhì)量的回波信號(hào)主分量。

71、2、本發(fā)明采用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)回波信號(hào)主分量進(jìn)行識(shí)別，并基于識(shí)別出的有用信號(hào)構(gòu)建目標(biāo)信號(hào)庫，還基于目標(biāo)信號(hào)庫中信號(hào)之間的空間相關(guān)性，對(duì)部分重復(fù)的信號(hào)進(jìn)行剔除，確保重組得到的目標(biāo)信號(hào)不存在來自于同一目標(biāo)的多徑信號(hào)，實(shí)現(xiàn)獲得干凈的目標(biāo)信號(hào)，保證了信號(hào)提取質(zhì)量。