[发明专利]基于深度学习的信号频谱增强方法及系统

说明书

本发明提供一种基于深度学习的信号频谱增强方法及系统，方法包括：获取待处理的信号频谱；将待处理的信号频谱输入频谱增强模型，得到频谱增强模型输出的增强后的信号频谱；其中，频谱增强模型是基于具有泄露的频谱样本数据以及消除泄露的频谱样本数据对深度学习神经网络进行训练得到的。本发明提供的基于深度学习的信号频谱增强方法及系统，通过预先构建的频谱增强模型实现频谱增强，由于频谱增强模型是基于具有泄露的频谱样本数据以及消除泄露的频谱样本数据对深度学习神经网络进行训练得到的，能够在很大程度上减轻甚至消除频谱泄露的影响，从而使信号频谱的频率分辨率更高，相比于传统的加窗操作，频谱泄露的消除效果更加理想。

技术领域

本发明涉及信号处理技术领域，尤其涉及一种基于深度学习的信号频谱增强方法及系统。

背景技术

在信号处理过程中，经常需要对信号做频谱分析，即利用时频域分析算法将时域的信号转化到频域上，方便后续处理。以常用的傅里叶变换算法为例，在对时域信号使用上述算法进行变换时，只能对有限长度的时域数据进行变换，因此需要对原始信号进行截断，而截断操作会导致信号的频谱失真，产生频谱泄露现象，进而影响后续的信号处理流程。

目前，常通过对截断的信号进行加窗来降低频谱的泄露，加窗处理后，虽然得到的频谱中旁瓣大大减少，泄露现象得到缓解，但是却以主瓣的加宽为代价。当信号中有多个频率分量时，主瓣加宽现象会导致相邻的频率分量互相干扰，甚至会使较弱的频率分量被淹没在较强的频率分量中。

由此可见，现有的加窗操作并不能有效的消除频谱泄露现象，且频率分辨率较低。

发明内容

本发明提供一种基于深度学习的信号频谱增强方法及系统，用以解决现有技术中加窗操作无法有效的消除频谱泄露现象且频率分辨率较低的缺陷。

第一方面，本发明提供一种基于深度学习的信号频谱增强方法，该方法包括：

获取待处理的信号频谱；

将所述待处理的信号频谱输入频谱增强模型，得到所述频谱增强模型输出的增强后的信号频谱；

其中，所述频谱增强模型是基于具有泄露的频谱样本数据以及消除泄露的频谱样本数据对深度学习神经网络进行训练得到的。

根据本发明提供的一种基于深度学习的信号频谱增强方法，所述频谱增强模型的训练过程包括：

构建用于频谱增强的深度学习神经网络；

获取消除泄露的频谱样本数据以及具有泄露的频谱样本数据，构建训练样本数据集；

通过所述训练样本数据集对所述深度学习神经网络进行训练，得到频谱增强模型。

根据本发明提供的一种基于深度学习的信号频谱增强方法，所述深度学习神经网络包括多个级联的复数域全连接层，每个所述复数域全连接层包括若干个并行的复数域神经算子，每个所述复数域全连接层的输出为其内各复数域神经算子的输出组合结果。

根据本发明提供的一种基于深度学习的信号频谱增强方法，所述复数域神经算子的输入为：

r_in＝x+j*y

所述复数域神经算子的输出为：

r_out＝x′+j*y′

其中，x,x′分别为输入和输出的实部，y,y′分别为输入和输出的虚部，r_in为一个复数向量，r_out为一个复数；

所述复数域神经算子的输出与输入的关系为：