高频噪声信号检测模型的制作方法

本发明涉及信号检测，具体涉及一种高频噪声信号检测模型。

背景技术：

1、由于原始信号的采集过程中往往伴有其他噪声信号，导致信号的信噪比较低，对信号质量造成极大影响，因此降噪是信号应用前预处理的必要步骤。降噪过程一般包括对噪声信号进行定位和去除。通常先采用ica(独立成分分析)、pca(主成分分析技术)等方法对噪声信号进行定位分析，然后采用滤波方式将噪声信号去除。但这些方法主要存在两方面的不足：一是对分解后的成分处理过程太粗糙，通常直接舍弃包含噪声信号的整段子成分，导致一些有用的信号也被剔除；二是针对的噪声信号类型单一，当信号中包含多类型的噪声信号时，仍然采用相同的处理方式。

技术实现思路

1、本发明旨在解决现有技术存在的技术问题之一。为此，本发明提供一种高频噪声信号检测模型，通过对原始信号中的噪声信号进行测量、分类评估、定位、分离，可以提高基准信号的信噪比。

2、本发明解决其技术问题所采用的技术方案是：一种高频噪声信号检测模型，包括：

3、信号时窗划分模型，划分信号时窗；

4、信号时窗检测模型，将信号时窗分为噪声信号时窗、正常信号时窗；

5、信号处理模型，用于分离出噪声信号时窗中的高频噪声信号。

6、进一步的，所述信号处理模型包括：

7、基于所述噪声信号时窗获取时间分解矩阵v；

8、从时间分解矩阵v中提取前m列构成源成分矩阵a，其中m为通道数；

9、定位源成分矩阵a中高频噪声信号的位置；

10、判断源成分矩阵a中高频噪声信号的位置是否为空值；

11、当所述高频噪声信号的位置为非空值时，依次进行分离高频噪声信号、源重建，以继续迭代；

12、当所述高频噪声信号的位置为空值时，终止迭代。

13、进一步的，所述时间分解矩阵v为k×k矩阵，k是时域采样点数。

14、进一步的，所述定位源成分矩阵a中高频噪声信号的位置包括：

15、计算所述源成分矩阵a中各列信号的能量特征；

16、计算每列信号的高低频能量比rhl；

17、若高低频能量比rhl＞设定的能量比阈值r0，则将对应的列信号标记为高频噪声信号子成分，设定所有高频噪声信号子成分位置的集合为高频噪声信号的位置lh。

18、进一步的，所述分离高频噪声信号包括：

19、对位置lh上的高频干扰子成分进行低通滤波处理或cca滤波处理，以分离出高频噪声信号。

20、进一步的，获取所述噪声信号时窗的空间矩阵u，其中，空间分解矩阵u为m×m矩阵；所述源重建包括：

21、输出过滤所述高频噪声信号后的矩阵v_hat；

22、对所述空间分解矩阵u和矩阵v_hat进行源分解逆运算，得到信号s_hat。

23、进一步的，所述能量特征为功率谱密度psd(m)，

24、每一列信号的高低频能量比：

25、其中，m＝1，2，...，m，h1和h2分别表示高频段的下界和上界，l1和l2分别表示低频段的下界和上界。

26、本发明的有益效果是，本发明能够实现对高频噪声信号的测量、分离，能够提高噪声信号去除的准确率，还能减少对有效信号的损失。

技术特征：

1.一种高频噪声信号检测模型，其特征在于，包括：

2.如权利要求1所述的高频噪声信号检测模型，其特征在于，

3.如权利要求2所述的高频噪声信号检测模型，其特征在于，所述时间分解矩阵v为k×k矩阵，k是时域采样点数。

4.如权利要求2所述的高频噪声信号检测模型，其特征在于，

5.如权利要求4所述的高频噪声信号检测模型，其特征在于，

6.如权利要求2所述的高频噪声信号检测模型，其特征在于，

7.如权利要求4所述的高频噪声信号检测模型，其特征在于，

技术总结
本发明公开了一种高频噪声信号检测模型，包括：信号时窗划分模型，划分信号时窗；信号时窗检测模型，将信号时窗分为噪声信号时窗、正常信号时窗；信号处理模型，用于分离出噪声信号时窗中的高频噪声信号。本发明采用时空域联合方法对信号中的多类型噪声信号分别进行测量、分类、定位、分离，能够精确测量并分离各类噪声信号，减少降噪过程中对有效信号的损失，提高信号的信噪比。

技术研发人员：黄肖山,胥红来,郝慎才,章希睿,梁星
受保护的技术使用者：博睿康科技（常州）股份有限公司
技术研发日：
技术公布日：2024/1/16