一种基于自监督学习的低相干干涉信号去噪方法及系统

1.本发明涉及低相干信号去噪领域，具体涉及一种基于自监督学习的低相干干涉信号去噪方法及系统。


背景技术：

2.低相干测量仪采集的低相干信号中存在着大量的噪声，如高斯噪声、椒盐噪声等。这些噪声往往是由于测量过程中的温度变化、空气振动导致的，具有随机性强、高能量等特点。减少信号中的噪声，提升信噪比，有利于获取信号中的有效信息，有利于信号后续的解调。
3.传统的低相干信号解调方法一般是先对噪声进行建模，然后再设计对应的滤波器，进行噪声消除。比较经典的方法有巴特沃斯低通滤波器、小波变换、傅里叶变换等。然而这些方法需要首先对噪声信号进行建模，噪声模型参数的选取十分繁琐且建立的噪声模型也不准确，尤其是随机性较强的噪声。近年来，也有一些基于深度学习的低相干信号去噪方法，然而这些方法需要采集不含噪声的“干净”低相干信号与含噪声的低相干信号。采集“干净”的低相干信号并不容易，因为环境温度、空气振动等已引起噪声的因素总是存在。


技术实现要素：

4.为克服上述低相干信号去噪方法的缺点，本发明提供了一种基于自监督学习的低相干干涉信号去噪方法及系统，以去除低相干信号中的噪声，不需要对噪声建模，也不需要采集“干净”的低相干信号，噪声消除效果好。
5.本发明为实现上述目的所采用的技术方案是：一种基于自监督学习的低相干干涉信号去噪方法，所述方法包括以下步骤：
6.s1、采集多个低相干信号序列，进行剪裁；
7.s2、利用对剪裁后低相干信号序列，构造成对的训练数据集；
8.s3、构建自监督深度卷积去噪神经网络，包括若干个一维卷积、一维反卷积、池化操作；
9.s4、定义损失函数，并利用s2中构造的成对数据集训练s3中构建的自监督深度卷积去噪神经网络；
10.s5、利用训练好的自监督深度卷积去噪神经网络去除低相干信号中的噪声，提取信号。
11.所述步骤s1包括以下几个子步骤：
12.s11、利用低相干测量仪采集m个低相干信号；
13.s12、对采集到的每个低相干信号序列进行裁剪，保留含有效信息的部分，裁剪后剩余低相干信号为长度为n的信号序列。
14.所述步骤s2包括以下几个子步骤：
15.对每个长度为n的信号序列重复k次的二分组提取，获取成对的低相干信号lcii(x)与
16.s24、直到m个低相干信号序列都被处理完毕，得到含有m*k个成对低相干信号的训练数据集。
17.所述对每个长度为n的信号序列重复k次的二分组提取，包括：
18.s21、将当前低相干信号序列按顺序划分成个长度为k的单元格；
19.s22、从每个单元格中选取个数据，并按次序组合成长度为的新低相干信号lci1(x)；将每个单元格中剩余的个数据按次序组合成长度的新低相干信号
20.s23、并改变选取个数据排序的方式，总计重复k次，得到成对的低相干信号lcii(x)与
21.所述步骤s3包括以下几个子步骤：
22.s31、构造由7个卷积层，2个池化层，3个反卷积层组成的自监督深度卷积去噪神经网络；其中所述卷积采用一维卷积，前6个卷积层的卷积核大小为1
×
2，步长为2，最后一个卷积层的卷积核大小为1
×
1，步长为1；反卷积层的卷积核大小为1
×
2，步长为2，池化层的大小为1
×
2；
23.s32、低相干信号经第1卷积层、第2卷积层得到初级特征，初级特征经过第1池化层得到一级降采样特征；一级降采样特征经第3卷积层、第4卷积层、第2池化层得到二级降采样特征；二级降采样特征经第5卷积层，第1反卷积层后得到一级上采样特征；一级上采样特征经第6卷积层、第2反卷积层后得到二级上采样特征，复制初级特征与二级上采样特征并经第7卷积层后输出。
24.所述步骤s4包括以下几个子步骤：
25.s41、利用s2中构造的成对低信号训练s3中构造的自监督深度卷积去噪神经网络；将低相干信号lcii(x)输入自监督深度卷积去噪神经网络，得到输出信号f(lcii(x)；θ)，其中θ为自监督深度卷积去噪神经网络的参数；
26.s42、将自监督深度卷积去噪神经网络的损失函数定义为：
[0027][0028]
其中，α为权重参数；
[0029]
s43、定义学习率，并利用adam优化器优化自监督深度卷积去噪神经网络参数θ。
[0030]
所述步骤s5如下：
[0031]
s51、将优化后的自监督深度卷积去噪神经网络参数θ载入模型，将含噪声的低相干信号输入网络，压缩噪声。
[0032]
基于自监督学习的低相干信号去噪方法的系统，所述系统包括；
[0033]
信号采集设备，采集低相干信号；
[0034]
数据采集卡，用于接收低相干测量仪采集的低相干信号；
[0035]
计算服务器，搭载有程序模块，当程序执行时用于对采集的低相干信号按照如上所述的方法步骤进行处理，实现低相干信号去噪处理，并将处理结果输出给显示屏；
[0036]
交互控制装置，用于输入指令给计算服务器；
[0037]
显示屏，用于可视化显示去噪处理前后的低相干信号以及处理过程中的图形界面。
[0038]
所述信号采集设备为低相干测量仪。
[0039]
本发明具有以下有益效果及优点：
[0040]
1.本发明提供了一种基于自监督学习的低相干干涉信号去噪方法及系统，不需要对噪声信号建模，调参过程简单，噪声去除效果好。
[0041]
2.本发明不需要采集“干净”的低相干信号，可以直接利用含噪声的低相干信号训练模型，数据采集成本低。
附图说明
[0042]
图1为实现本发明方法的流程图；
[0043]
图2为低相干信号去噪流程图；
[0044]
图3为构造成对的训练数据集示意图；
[0045]
图4为本发明的自监督深度卷积去噪神经网络结构；
[0046]
图5为本发明系统模块框图。
具体实施方式
[0047]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0048]
除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0049]
如图1、图2所示，一种基于自监督学习的低相干干涉信号去噪方法，包括以下步骤：
[0050]
s1、利用低相干测量仪采集多个低相干信号序列，步骤如下：
[0051]
s11、利用低相干测量仪atr206c1采集10000个长度为15000的低相干信号；
[0052]
s12、两端对称的对采集到的低相干信号进行裁剪(从前后两端同时开始成对地删除数据)，保留含有效信息的部分，裁剪后剩余低相干信号的长度为10000。
[0053]
s2、如图3所示，利用s1中采集的低相干信号构造成对的训练数据集，步骤如下；
[0054]
s21、将整个低相干信号序列按顺序划分成2500个长度为4的单元格；即，第1单元格(1、2、3、4)、第2单元格(5、6、7、8)、第3单元格(9、10、11、12)
……
；
[0055]
s22、第一次选取：从每个单元格中选取2个数据，并按次序组合成长度为5000的新
低相干信号lci1(x)；将每个单元格中剩余的2个数据按次序组合成长度5000的新低相干信号比如，从每个单元格中选取前2个数据，并按次序组合成长度为5000的新低相干信号lci1(x)：1、2、5、6、9、10
……
；每个单元格中剩余的2个数据按次序组合成长度5000的新低相干信号3、4、7、8、11、12
……
。
[0056]
s23、第二次选取：改变选取2个数据的方式：从两个信号序列lci1(x)、中交替提取奇数序号索引的数据，并依次排序，得到lci2(x)：1、3、5、7、9、11
……
；两个信号序列lci1(x)、中交替提取偶数序号索引的数据，并依次排序，得到2、4、6、8、10
……
；总计重复2次，可得到成对的低相干信号lci2(x)与
[0057]
s24、不断重复步骤s21、s22、s23直到10000个低相干信号都被处理完毕，得到含有20000个成对低相干信号的训练数据集。
[0058]
s3、构建由一维卷积、一维反卷积、池化等操作组成的自监督深度卷积去噪神经网络，步骤如下；
[0059]
s31、如图4所示，构造由7个卷积层，2个池化层，3个反卷积层组成的自监督深度卷积去噪神经网络；其中所述卷积采用一维卷积，前6个卷积层的卷积核大小为1
×
2，步长为2，第7个卷积层的卷积核大小为1
×
1，步长为1；反卷积层的卷积核大小为1
×
2，步长为2，池化层的大小为1
×
2；
[0060]
s32、低相干信号经第1卷积层、第2卷积层得到初级特征，特征经过第1池化层得到一级降采样特征；一级降采样特征经第3卷积层、第4卷积层、第2池化层得到二级降采样特征；二级降采样特征经第5卷积层，第1反卷积层后得到一级上采样特征；一级上采样特征经第6卷积层、第2反卷积层后得到二级上采样特征，复制初级特征与二级上采样特征并经第7卷积层后输出。
[0061]
s4、定义损失函数，并利用s2中构造的成对数据集训练s3中构建的自监督深度卷积去噪神经网络，具体步骤如下：
[0062]
s41、利用s2中构造的成对低信号训练s3中构造的自监督深度卷积去噪神经网络；将低相干信号lcii(x)输入自监督深度卷积去噪神经网络，得到输出信号f(lcii(x)；θ)，其中θ为自监督深度卷积去噪神经网络的参数；
[0063]
s42、将自监督深度卷积去噪神经网络的损失函数定义为：
[0064][0065]
其中，α为权重参数；
[0066]
s43、将初始学习率设为0.1，每循环训练10次，将学习率衰减10倍，并利用adam优化器优化自监督深度卷积去噪神经网络参数θ。
[0067]
s5、利用训练好的自监督深度卷积去噪神经网络去除低相干信号中的噪声，具体步骤如下：
[0068]
s51、将优化后的自监督深度卷积去噪神经网络参数θ载入模型，将含噪声的低相干信号输入网络，压缩噪声，获取去除噪声后的信号。
[0069]
一种基于自监督学习的低相干信号去噪系统，包括硬件与软件；如图5所示，所述硬件包括低相干测量仪atr206c1、数据采集卡ats9350、高性能计算服务器浪潮nf5468m5、交互控制装置(鼠标、键盘等)、高清显示屏t3252u；低相干测量仪atr206c1采集的低相干信号通过数据采集卡ats9350输入高性能计算服务器浪潮nf5468m5，高性能计算服务器浪潮nf5468m5上部署了ubuntu16.04操作系统；高性能计算服务器浪潮nf5468m5通过交互控制装置(键盘、鼠标等)控制低相干测量仪atr206c1及数据采集卡ats9350；高清显示屏t3252u用于显示图形界面；
[0070]
所述软件包括图形界面、深度学习框架tensorflow 1.12.0、操作系统ubuntu16.04、去噪模块；操作系统ubuntu16.04上部署了深度学习框架tensorflow 1.12.0，并在该框架上实现了去噪模块；用户通过交互控制装置操作图形界面，并通过操作系统ubuntu16.04控制高性能服务器浪潮nf5468m5。所述去噪模块为去噪的方法程序步骤，用于实现信号去噪。
[0071]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换等，均应包含在本发明的保护范围之内。