摘要：针对运动声源线谱存在的低信噪比、多普勒频移等情况， 提出了使用基于监督学习的深度学习方法实现线谱增强。训练数据为本地生成的干净和含噪线谱数据对。分别采用直接参数映射和比值掩码方法进行训练并建立线谱增强模型， 最后使用两种模型处理了仿真数据与SWellEx-96实验数据， 并将处理结果与传统方法增强方法进行对比。对于仿真数据， 两种模型均可用于线谱增强， 且均具备加强多线谱和具有多普勒频移线谱的能力。当信噪比为-35 dB， 两种模型分别可实现约 11.74 dB信噪比增益和7.52 dB降噪。对于SWellEx-96实验数据， Masking模型对多普勒频移性质的线谱具有良好的不失真性质， 证明了所提深度学习模型应用于运动声源线谱增强的可行性。
文章目录
引言
1 深度学习模型
1.1 基于Mapping模型的水声信号线谱增强
1.2 基于Masking模型的水声信号线谱增强
2 数据集
2.1 基于时频谱的特征提取
2.2 训练数据
3 实验结果
3.1 静止目标仿真数据实验结果
3.2 运动目标仿真数据实验结果
3.3 SWellEx-96海试数据实验结果
4 结论
