[发明专利]调制信号的降噪方法、装置、存储介质及设备

权利要求书

1.一种调制信号的降噪方法，其特征在于，所述方法包括：

获取样本集，所述样本集中的样本为训练样本或验证样本，每个样本中包括无噪声调制信号和带噪声调制信号；

将所述样本集输入创建的降噪模型中，所述降噪模型中包括编码模组和解码模组，所述编码模组中包括依次相连的第一卷积层和编码块，所述解码模组中包括依次相连的解码块和第二卷积层，所述编码块和所述解码块中都包括改进的压缩激励结构，所述降噪模型为卷积降噪自编码器；

对于每个样本，利用所述第一卷积层对所述带噪声调制信号进行特征提取；利用所述编码块对提取到的特征图进行基于通道注意力机制的编码；利用所述解码块对编码后的特征图进行基于通道注意力机制的解码；利用所述第二卷积层对解码后的特征图进行卷积，得到降噪调制信号；根据所述降噪调制信号和所述无噪声调制信号调整所述降噪模型的模型参数，得到训练好的降噪模型；

所述编码块中包括依次相连的三个第三卷积层和一个改进的压缩激励结构，所述第三卷积层中包括卷积、批标准化和LeakyReLU激活函数，所述改进的压缩激励结构中包括全局池化层、第四卷积层、LeakyReLU激活函数、第五卷积层、Sigmod激活函数和Scale缩放函数，所述第四卷积层和所述第五卷积层中包括卷积；

所述解码块中包括依次相连的第一个第六卷积层、一个反卷积层、第二个第六卷积层和一个改进的压缩激励结构，所述第六卷积层中包括卷积、批标准化和LeakyReLU激活函数，所述反卷积层中包括转置卷积、批标准化和LeakyReLU激活函数，所述改进的压缩激励结构中包括全局池化层、第七卷积层、LeakyReLU激活函数、第八卷积层、Sigmod激活函数和Scale缩放函数，所述第七卷积层和所述第八卷积层中包括卷积。

2.根据权利要求1所述的方法，其特征在于，所述编码模组中包括依次相连的一个第一卷积层和三个编码块，所述第一卷积层与第三个编码块之间设有残差连接，所述解码模组中包括依次相连的三个解码块和一个第二卷积层，第一个解码块与所述第二卷积层之间设有残差连接，所述第三个编码块与第一个解码块相连；所述第一卷积层之后设有LeakyReLU激活函数，所述第二卷积层之后设有Tanh激活函数。

3.根据权利要求2所述的方法，其特征在于，所述利用所述编码块对提取到的特征图进行基于通道注意力机制的编码，包括：

依次利用三个所述第三卷积层对输入所述编码块的特征图进行卷积；

利用所述全局池化层对卷积后的特征图进行压缩；

利用所述第四卷积层对压缩后的特征图进行降维，利用所述第五卷积层对经过所述LeakyReLU激活函数处理后的特征图进行升维；

利用所述Sigmod激活函数对升维后的特征图计算每个通道的权重；

利用所述Scale缩放函数对升维后的特征图和对应的通道的权重进行乘法加权，得到具有不同通道权重的特征图。

4.根据权利要求2所述的方法，其特征在于，所述利用所述解码块对编码后的特征图进行基于通道注意力机制的解码，包括：

利用所述第一个第六卷积层对输入所述解码块的特征图进行卷积；

利用所述反卷积层对卷积后的特征图进行上采样；

利用所述第二个第六卷积层对上采样后的特征图进行卷积；

利用所述全局池化层对卷积后的特征图进行压缩；

利用所述第七卷积层对压缩后的特征图进行降维，利用所述第八卷积层对经过所述LeakyReLU激活函数处理后的特征图进行升维；

利用所述Sigmod激活函数对升维后的特征图计算每个通道的权重；

利用所述Scale缩放函数对升维后的特征图和对应的通道的权重进行乘法加权，得到具有不同通道权重的特征图。