(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211381399.3 (22)申请日 2022.11.07 (71)申请人 青岛科技大 学 地址 266061 山东省青岛市崂山区松岭路 99号 (72)发明人 李爽　王景景　董新利　刘颉　 王海红　任翀　马璐　陈文亮　 (74)专利代理 机构 青岛海昊知识产权事务所有 限公司 37201 专利代理师 刘艳青 (51)Int.Cl. H04B 13/02(2006.01) H04B 15/00(2006.01) H04B 17/336(2015.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于解耦卷积神经网络的含噪水声信 号盲源分离方法 (57)摘要 本发明公开了一种基于解耦卷积神经网络 的含噪水声信号盲源分离方法， 属于信号处理技 术领域， 设计了一种模仿传统算法估计盲源分离 的混合矩阵过程的神经网络模型， 该模型能够更 好的分离源信号。 首先利用该网络的一维卷积层 自动提取观测 信号的特征， 基于该特征分别实现 生成分离矩阵和调整缩放系数两个功能， 然后利 用分离矩阵分离观测 信号得到初步分离信号， 随 后利用缩放系数对初步分离信号进行缩放得到 最终的分离信号。 解耦卷积神经网络功能明确、 结构清晰， 能够实现在大数据集下信号快速精确 分离及分离信号幅度有效确定， 该方法不仅能够 分离独立信号， 还能分离相关信号。 本发明能在 低信噪比下准确估计源信号， 提高水声信号接收 质量。 权利要求书2页 说明书12页 附图5页 CN 115426055 A 2022.12.02 CN 115426055 A 1.一种基于解耦卷积神经网络的含噪水声信号盲源分离方法， 其特征在于， 包括以下 步骤： S1： 接收观测信号， 利用卷积神经网络的一维卷积层自动提取观测信号的特 征； S2： 基于S1提取的特征生成分离矩阵， 利用分离矩阵分离观测信号， 能够初步分离信 号； S3： 基于S1提取的特 征生成缩放系数， 对初步分离信号进行缩放得到最终的分离信号。 2.如权利要求1所述的含噪水声信号盲源分离方法， 其特 征在于， 所述S1具体如下： S1‑1： 建立信号接收模型： 假 设 水 声 通 信 系 统 模 型 采 用 多 发 多 收 模 式 ，发 送 目 标 信 号 为 ， ， 接收阵元个数为 ， 其中 ， 则接收端收到的信号 为： 其中， 表示信道参数， 也是混合矩阵， 表示源信号,   表示接收信号,   ， 表示转置； S1‑2： 对接收信号 进行预处理； S1‑3： 利用卷积神经网络的一维卷积层自动提取观测信号的特 征。 3.如权利要求1所述的含噪水声信号盲源分离方法， 其特 征在于， 所述S2具体如下： S2‑1： 基于S1提取的特征生成分离矩阵， 即利用已知的源信号与观测信号， 基于深度学 习得到观测信号与分离矩阵的函数关系： 将分离矩阵 视为一种函数 ， 接收观测信号的特 征输出混合矩阵， 如下式 为了求解函数 ， 利用神经网络的数学理论中 的通用近似定理——即神经网络具有近 似任意函数的能力， 设计近似 的神经网络， 如下式 其中为神经网络的参数,   时， W为最理想的分离矩阵； S2‑2： 利用生成的分离矩阵初步分离 接收信号： 其中， Z’为初步分离信号。 4.如权利要求1所述的含噪水声信号盲源分离方法， 其特 征在于， 所述S3具体如下： S3‑1： 基于S1提取的特 征生成缩放系数： 利用信号特 征生成缩放系数c： 其中 为利用神经网络估计的关于求 解缩放系数c的函数； S3‑2： 利用缩放系数对初步分离信号进行缩放得到最终的分离信号：权　利　要　求　书 1/2 页 2 CN 115426055 A 2对初步分离信源信号Z ’进行缩放得到最终的源信号S： 其中 是对源信号S的估计， Z为分离信号， c为缩放系数。权　利　要　求　书 2/2 页 3 CN 115426055 A 3