一种舰船轴频电场信号降噪方法及相关装置

1.本发明属于舰船水下电场信号处理领域，特别涉及一种舰船轴频电场信号降噪方法及相关装置。


背景技术：

2.舰船轴频电场信号通过特性明显且具备特征频段，可用于目标检测。然而，复杂的海况对舰船轴频电场的检测构成了挑战，从复杂的海洋环境噪声中检测微弱的舰船轴频电场信号一直是舰船水下电场探测的难题。只有尽可能减少实测信号中的噪声成分，才能最大限度还原轴频电场信号。当前轴频电场信号降噪方法主要是基于信号处理的传统方法，包括傅里叶变换、小波变换、经验模态分解和稀疏分解等，这些方法的核心是信号滤波，通过分解找到表征噪声的分量，进而将其滤除。然而这类方法降噪效果有限，难以实现对低信噪比信号的检测，且参数选取多依凭先验知识和人工经验。因此开展对低信噪比下的轴频电场信号降噪方法的研究具有重要意义。


技术实现要素：

3.本发明的目的是为了解决低信噪比海况下轴频电场信号被淹没，难以对其检测的问题而提供的一种舰船轴频电场信号降噪方法及相关装置。
4.为实现上述目的，本发明采用以下技术方案：
5.第一方面，本发明提供一种舰船轴频电场信号降噪方法，包括：
6.采集舰船轴频电场信号，预处理后得到干净轴频电场信号；
7.将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；
8.搭建基于双向循环神经网络brnn的轴频电场信号降噪网络模型；
9.将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；
10.优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；
11.重复训练得到训练好的的brnn降噪网络模型，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中进行降噪。
12.可选的，舰船轴频电场信号为不同距离和特征频率的实测轴频电场信号。
13.可选的，将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加为：任意选取一时间点开始步进式地插入至长时噪声数据，得到不同信噪比的带噪轴频电场信号，作为后续模型训练和测试的数据集。
14.可选的，基于双向循环神经网络brnn的轴频电场信号降噪网络模型中，brnn降噪网络结构由rnn层和fc全连接层两部分组成；
15.rnn层中的每个神经元之间的传播均使用tanh激活函数去线性化，输出层使用
sigma激活函数去线性化；该层主要包括前向传播和后向传播两大部分，其计算过程如下：
16.h
t
＝tanh(ux
t
+wh
t-1
+b)
17.h
′
t
＝tanh(u
′
x
t
+w
′ht+1
+b
′
)
18.式中：x
t
为第t时刻的输入；h
t
为第t时刻的前向传播值，h
′
t
为第t时刻的后向传播值；u、u
′
为输入层x
t
至隐藏层h
t
的状态-状态权重；w、w
′
为前一时刻的隐藏层h
t-1
至当前时刻隐藏层h
t
的状态-输入权重；b、b
′
为偏差向量；
19.前向传播值h
t
和后向传播值h
′
t
共同决定rnn层获得输出值o
t
，激活函数为sigma，其计算公式如下：
20.o
t
＝sigma(vh
t
+v
′h′
t
+c)
21.式中：v、v
′
为隐藏层h
t
至输出层o
t
的权重系数；c为偏差向量；
22.fc全连接层的神经单元个数和输出维度与rnn层的输出维度层维度相同。
23.可选的，将数据集中的训练样本输入到构建好的brnn降噪网络模型中的输入层时，将原始信号一维结构转化为二维结构，并分别将纯噪声信号作为标签。
24.可选的，均方差损失函数的定义如下:
[0025][0026]
式中：n为信号长度。
[0027]
可选的，采用adam优化将训练样本进行前向传播，获得当前时刻的噪声预测值；直到满足预设精度或者达到预设训练步数时停止训练，得到训练好的brnn降噪网络模型。
[0028]
第二方面，本发明提供一种舰船轴频电场信号降噪系统，包括：
[0029]
数据采集模块，用于采集舰船轴频电场信号，预处理后得到干净轴频电场信号；将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；
[0030]
模型搭建模块，用于搭建基于双向循环神经网络brnn的轴频电场信号降噪网络模型；
[0031]
训练模块，用于将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；
[0032]
降噪输出模块，用于重复训练得到训练好的的brnn降噪网络模型，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中进行降噪。
[0033]
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种舰船轴频电场信号降噪方法的步骤。
[0034]
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种舰船轴频电场信号降噪方法的步骤。
[0035]
与现有技术相比，本发明有以下技术效果：
[0036]
本发明所述一种基于双向循环神经网络的舰船轴频电场信号降噪方法，优势如
下：海洋环境电场噪声为加性噪声，其长期统计特性近似呈高斯分布规律，而不同类型舰船在不同检测距离下轴频电场特性(基频、谐频)不同。因此通过brnn神经网络学习具有一定规律的海洋环境电场噪声特征，由于brnn网络同时考虑当前时刻过去和未来的信息，因此可以更全面地学习噪声统计特征，进而从带噪轴频电场信号中消去，获得干净的轴频电场信号。该方法降低了对先验知识和人工经验的依赖，可以大幅提升信号的信噪比，且保留轴频电场信号的频域特征，在低信噪比的复杂海况下其适应性较好，有助于后续进一步的信号检测。该方法可有效解决低信噪比海况下舰船轴频电场信号被淹没的问题，提高信噪比的同时保留了频域特征，有助于为后续的信号检测。
附图说明
[0037]
图1为基于brnn的舰船轴频电场信号降噪方法流程图；
[0038]
图2为基于brnn的舰船轴频电场降噪网络模型；
[0039]
图3中a-d是初始信噪比为-20.43db，轴频为6hz的轴频电场信号降噪前后时域和频域对比图；
[0040]
图4中a-c是初始信噪比为-20.43db，轴频为6hz的轴频电场信号降噪前后时频对比图；
[0041]
图5中a-f是初始信噪比为-13.88db下不同方法降噪后的时频对比图。
具体实施方式
[0042]
下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述实施例。
[0043]
一种舰船轴频电场信号降噪方法包括：
[0044]
步骤一，对不同距离和特征频率的实测轴频电场信号进行预处理，获得干净轴频电场信号。
[0045]
步骤二，将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，即任意选取一时间点开始步进式地插入至长时噪声数据，得到不同信噪比的带噪轴频电场信号，作为后续模型训练和测试的数据集。
[0046]
步骤三，搭建基于双向循环神经网络(brnn)的轴频电场信号降噪网络模型，并配置网络模型参数。其中brnn降噪网络结构由rnn层和fc全连接层两部分组成。
[0047]
(1)rnn层中的每个神经元之间的传播均使用tanh激活函数去线性化，输出层使用sigma激活函数去线性化。该层主要包括前向传播和后向传播两大部分，其计算过程如下：
[0048]ht
＝tanh(ux
t
+wh
t-1
+b)
[0049]h′
t
＝tanh(u
′
x
t
+w
′ht+1
+b
′
)
[0050]
式中：x
t
为第t时刻的输入；h
t
为第t时刻的前向传播值，h
′
t
为第t时刻的后向传播值；u、u
′
为输入层x
t
至隐藏层h
t
的状态-状态权重；w、w
′
为前一时刻的隐藏层h
t-1
至当前时刻隐藏层h
t
的状态-输入权重；b、b
′
为偏差向量。
[0051]
前向传播值h
t
和后向传播值h
′
t
共同决定rnn层获得输出值o
t
，激活函数为sigma，其计算公式如下：
[0052]ot
＝sigma(vh
t
+v
′h′
t
+c)
[0053]
式中：v、v
′
为隐藏层h
t
至输出层o
t
的权重系数；c为偏差向量。
[0054]
(2)fc全连接层的神经单元个数和输出维度与rnn层的输出维度层维度相同。
[0055]
步骤四，将数据集中的训练样本输入到构建好的brnn降噪网络模型中的输入层。由于采样点数较多，固将原始信号一维结构转化为二维结构，并分别将纯噪声信号作为标签。
[0056]
步骤五，采用adam优化将训练样本进行前向传播，获得当前时刻的噪声预测值yi。
[0057]
步骤六，采用均方差(mse)作为损失函数，获得与当前时刻实际噪声yi之间的mse_loss值。均方差损失函数的定义如下:
[0058][0059]
式中：n为信号长度。
[0060]
步骤七，通过反向传播，更新网络参数。
[0061]
步骤八，重复步骤五～步骤七，直到满足预设精度或者达到预设训练步数时停止训练，得到训练好的brnn降噪网络模型。
[0062]
步骤九，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中，消去带噪声轴频电场信号中的加性噪声，获得降噪后的轴频电场信号。
[0063]
如图1所示，本实施例提供的一种基于双向循环神经网络的舰船轴频电场信号降噪方法，包括如下步骤：
[0064]
步骤一，对不同距离和特征频率的实测带噪声轴频电场信号进行预处理，获得干净轴频电场信号。其中舰船航速为15kn，水深为50m，吃水深度为18m，正横距范围为100m～1000m，轴频信号基频频率范围为1hz～7hz，采样率为50hz。
[0065]
步骤二，将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，即任意选取一时间点开始步进式地插入至长时噪声数据，得到不同信噪比的带噪轴频电场信号，作为后续模型训练和测试的数据集。数据集包含带噪轴频电场数据和纯噪声数据，噪声数据作为标签，共3200个训练样本和800个测试样本。为保证数据的可靠性，训练集与测试集之间不存在任何样本间的交叉和重复。
[0066]
步骤三，搭建基于双向循环神经网络(brnn)的轴频电场信号降噪网络模型，如图2所示，并配置网络模型参数，训练步数设置为100个周期，学习率设为0.001，每个训练批次中含有128个样本。其中brnn降噪网络结构由rnn层和fc全连接层两部分组成。
[0067]
(1)rnn层：rnn层采用双向rnn神经网络结构，它不仅可以提取某一时刻点与之前时刻点的信息关系，还可以获得与未来时刻点信息之间的关系。rnn输入层维度是400，即时序长度是400，隐藏层维度也是400，输出层的层数是1，每个神经元之间的传播使用tanh激活函数去线性化，输出层使用sigma激活函数去线性化。rnn层该层主要包括前向传播和后向传播两大部分，其计算过程如下：
[0068]ht
＝tanh(ux
t
+wh
t-1
+b)
[0069]h′
t
＝tanh(u
′
x
t
+w
′ht+1
+b
′
)
[0070]
式中：x
t
为第t时刻的输入；h
t
为第t时刻的前向传播值，h
′
t
为第t时刻的后向传播值；u、u
′
为输入层x
t
至隐藏层h
t
的状态-状态权重；w、w
′
为前一时刻的隐藏层h
t-1
至当前时刻隐藏层h
t
的状态-输入权重；b、b
′
为偏差向量。
[0071]
前向传播值h
t
和后向传播值h
′
t
共同决定rnn层获得输出值o
t
，激活函数为sigma，其计算公式如下：
[0072]ot
＝sigma(vh
t
+v
′h′
t
+c)
[0073]
式中：v、v
′
为隐藏层h
t
至输出层o
t
的权重系数；c为偏差向量。
[0074]
(2)fc全连接层：具有400个神经单元，其输出维度与rnn层的输出层维度相同也为400。
[0075]
步骤四，将数据集中的训练样本输入到构建好的brnn降噪网络模型中的输入层。由于采样点数较多，固将原始信号一维结构转化为二维结构，并分别将纯噪声信号作为标签。
[0076]
步骤五，采用adam优化算法将训练样本进行前向传播，获得当前时刻的噪声预测值。
[0077]
步骤六，采用均方差(mse)作为损失函数，获得与当前时刻实际噪声yi之间的mse_loss值。均方差损失函数的定义如下:
[0078][0079]
式中：n为信号长度。
[0080]
步骤七，通过反向传播，更新网络参数。
[0081]
步骤八，重复步骤五～步骤七，直到满足预设精度或者达到预设训练步数时停止训练，得到训练好的brnn降噪网络模型。模型训练过程是在有标签的环境下以监督学习的方式进行的。
[0082]
步骤九，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中，消去带噪声轴频电场信号中的加性噪声，获得降噪后的轴频电场信号，如图3所示。可以看到在该信噪比条件比下，轴频信号已被噪声淹没，时域图(a)和频域图(b)上都无法直接分辨出轴频信号。
[0083]
图4是降噪后的时频对比结果。可以看到在-20.43db的极低信噪比条件下，轴频信号完全被噪声淹没，此时时域上已经无法上检测到轴频信号。而通过brnn降噪网络有效减少了噪声的同时保留了轴频电场信号，使得信号的信噪比提升至了-4.87db，具有较好的降噪效果。
[0084]
不同算法性能比较
[0085]
为了进一步说明基于brnn轴频电场信号降噪方法的有效性，将该方法与传统基于信号处理的降噪算法在-13.88db和-22.43db低信噪比条件下分别进行100次蒙特卡洛测试。图5展示了初始信噪比为-13.88db下不同方法降噪后时频图。从图5的对比结果可以看出，不同算法降噪后得到的时频图差异不明显。图中6hz频率大约在150s～200s时间上均有亮条显示。但是传统信号处理方法在其他频段上出现了较多本没有的噪点。brnn降噪算法的降噪效果要好于传统信号处理方法，不仅消除了噪音，还较好地还原了原始信号，保留了信号的频域特征。
[0086]
为了便于对比分析，表1列出了各算法降噪后的平均信噪比。从表1可知，brnn降噪算法不仅在低信噪比和极低信噪比下均实现了降噪，且降噪效果均优于传统信号处理的降噪方法，信噪比提升幅度最大，有助于进一步的信号识别，为后续轴频电场信号的检测奠定
基础。
[0087]
表1
[0088][0089]
本发明再一实施例中，提供一种舰船轴频电场信号降噪系统，能够用于实现上述的一种舰船轴频电场信号降噪方法，具体的，该系统包括：
[0090]
数据采集模块，用于采集舰船轴频电场信号，预处理后得到干净轴频电场信号；将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；
[0091]
模型搭建模块，用于搭建基于双向循环神经网络brnn的轴频电场信号降噪网络模型；
[0092]
训练模块，用于将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；
[0093]
降噪输出模块，用于重复训练得到训练好的的brnn降噪网络模型，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中进行降噪。
[0094]
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0095]
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种舰船轴频电场信号降噪方法的操作。
[0096]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，
该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种舰船轴频电场信号降噪方法的相应步骤。
[0097]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0098]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0099]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0100]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0101]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种舰船轴频电场信号降噪方法，其特征在于，包括：采集舰船轴频电场信号，预处理后得到干净轴频电场信号；将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；搭建基于双向循环神经网络brnn的轴频电场信号降噪网络模型；将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；重复训练得到训练好的的brnn降噪网络模型，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中进行降噪。2.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，舰船轴频电场信号为不同距离和特征频率的实测轴频电场信号。3.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加为：任意选取一时间点开始步进式地插入至长时噪声数据，得到不同信噪比的带噪轴频电场信号，作为后续模型训练和测试的数据集。4.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，基于双向循环神经网络brnn的轴频电场信号降噪网络模型中，brnn降噪网络结构由rnn层和fc全连接层两部分组成；rnn层中的每个神经元之间的传播均使用tanh激活函数去线性化，输出层使用sigma激活函数去线性化；该层主要包括前向传播和后向传播两大部分，其计算过程如下：h
t
＝tanh(ux
t
+wh
t-1
+b)h
′
t
＝tanh(u
′
x
t
+w
′
h
t+1
+b
′
)式中：x
t
为第t时刻的输入；h
t
为第t时刻的前向传播值，h
′
t
为第t时刻的后向传播值；u、u
′
为输入层x
t
至隐藏层h
t
的状态-状态权重；w、w
′
为前一时刻的隐藏层h
t-1
至当前时刻隐藏层h
t
的状态-输入权重；b、b
′
为偏差向量；前向传播值h
t
和后向传播值h
′
t
共同决定rnn层获得输出值o
t
，激活函数为sigma，其计算公式如下：o
t
＝sigma(vh
t
+v
′
h
′
t
+c)式中：v、v
′
为隐藏层h
t
至输出层o
t
的权重系数；c为偏差向量；fc全连接层的神经单元个数和输出维度与rnn层的输出维度层维度相同。5.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，将数据集中的训练样本输入到构建好的brnn降噪网络模型中的输入层时，将原始信号一维结构转化为二维结构，并分别将纯噪声信号作为标签。6.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，均方差损失函数的定义如下:
式中：n为信号长度。7.根据权利要求1所述的一种舰船轴频电场信号降噪方法，其特征在于，采用adam优化将训练样本进行前向传播，获得当前时刻的噪声预测值；直到满足预设精度或者达到预设训练步数时停止训练，得到训练好的brnn降噪网络模型。8.一种舰船轴频电场信号降噪系统，其特征在于，包括：数据采集模块，用于采集舰船轴频电场信号，预处理后得到干净轴频电场信号；将获得的干净轴频电场信号与实测环境的长时噪声信号中的一段进行线性叠加，得到不同信噪比的带噪轴频电场信号；模型搭建模块，用于搭建基于双向循环神经网络brnn的轴频电场信号降噪网络模型；训练模块，用于将不同信噪比的带噪轴频电场信号作为后续模型训练和测试的数据集，将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；降噪输出模块，用于重复训练得到训练好的的brnn降噪网络模型，将带噪声轴频电场信号输入到训练好的brnn降噪网络模型中进行降噪。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述一种舰船轴频电场信号降噪方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种舰船轴频电场信号降噪方法的步骤。

技术总结
一种舰船轴频电场信号降噪方法及相关装置，包括：获取干净轴频电场信号；通过获得的干净轴频电场信号得到不同信噪比的带噪轴频电场信号；搭建基于双向循环神经网络BRNN的轴频电场信号降噪网络模型；将数据集中的训练样本输入轴频电场信号降噪网络模型；优化将训练样本，获得当前时刻的噪声预测值，通过损失函数获得噪声预测值与当前时刻实际噪声的均方差损失函数；重复训练得到训练好的的BRNN降噪网络模型，将带噪声轴频电场信号输入到训练好的BRNN降噪网络模型中进行降噪。该方法可有效解决低信噪比海况下舰船轴频电场信号被淹没的问题，提高信噪比的同时保留了频域特征，有助于为后续的信号检测。于为后续的信号检测。于为后续的信号检测。


技术研发人员：胡桥 卢建术 苏文斌 范仁慧 韩斌雅 赵玉梁
受保护的技术使用者：西安交通大学
技术研发日：2023.05.29
技术公布日：2023/8/9