APP下载

基于改进小波阈值−CEEMDAN 算法的大黄鱼声信号降噪研究

2024-12-31郑必聪蔡卫明孟靖斐金婧

农业工程 2024年9期
关键词:大黄鱼

摘 要: 大黄鱼在繁殖期各阶段所发出的声音信号一般能够反映其生理和行为状态,然而在实际养殖环境中采集到的声音信号往往混杂多种噪声,需要对原始信号进行降噪预处理。提出了一种改进小波阈值−CEEMDAN 的降噪算法,首先将原始信号分解为多个本征信号分量,然后使用改进的小波阈值函数对每个本征信号分量进行处理,最后将处理后的有效信号分量进行重构。开展大黄鱼发声信号降噪效果测试试验,结果表明,使用该研究提出的降噪算法后检测系统信噪比提高到14.53 dB,均方根误差降低到0.001 96 dB。相较于传统降噪算法,改进后的算法具有更好的降噪效果,更有利于分析和研究大黄鱼繁殖期间的发声行为。

关键词:大黄鱼;CEEMDAN;小波阈值;声信号处理;繁殖状态监测

中图分类号:S24;S96 文献标识码:A 文章编号:2095-1795(2024)09-0027-07

DOI:10.19998/j.cnki.2095-1795.2024.09.005

0 引言

大黄鱼(Larimichthys crocea)是名贵的食用海水养殖经济鱼种之一,具有较高的经济价值。20 世纪50—70 年代的过度捕捞,使大黄鱼的数量急剧减少。目前大黄鱼主要采用网箱养殖,是我国最大的海水网箱养殖鱼种。

大黄鱼以其极具特色的叫声被人们所熟知,在繁殖季节中其发声行为尤其普遍[1]。黄昏或夜间时,大黄鱼还会出现“合唱”现象,鱼群所发出的声音非常大,并且持续时间较长。为了选育出更优质的养殖大黄鱼,育种工作显得尤为关键。不同繁殖阶段下的大黄鱼发声特征存在差异性,因此大黄鱼在繁殖过程中发出声音的特征变化情况可以在一定程度上反映大黄鱼的繁殖状态信息[2]。

对大黄鱼声信号的采集工作通常在自然水下环境中进行。水下声信号采集过程中不可避免地会受到多种噪声源的干扰,其中包括自然水下环境噪声和人为活动产生的噪声,这些噪声不仅会影响声信号的清晰度,而且也会对后续的信号分析和研究带来极大困扰。因此,有必要开发一种高效的新型降噪算法,以有效消除这些噪声,确保获得的大黄鱼声信号尽可能清晰准确,为研究提供可靠的数据支持。

目前对声信号使用的降噪方法主要有谱减法[3]、线性滤波器[4] 及基于神经网络模型的降噪方法[5] 等。谱减法是通过从原始信号的频谱中减去估计的噪声频谱实现降噪,具有运算量小、实现简单的优点,但是效果一般,并且可能会降低声信号的清晰度[6]。线性滤波器有维纳滤波器、卡尔曼滤波器等。维纳滤波器通过求解最优化均方根误差从而获取降噪信号,相比谱减法具有更优秀的降噪性能,但是不能有效地应用在非平稳信号上[7]。卡尔曼滤波器在此基础上进行了改进,通过引入递归形式的状态空间模型、实施预测、更新步骤及动态调整估计准确性的机制,有效地改进了对非平稳信号的处理能力[8]。

基于神经网络的降噪方法近年来被广泛应用,其中具体的方法有RNNoise[9]、U-Net[10] 等。RNNoise 主要实现原理是在对音频信号进行特征提取后,使用噪声追踪方法建立噪声模型, 并使用循环神经网络(RNN)进一步区分和抑制噪声,从而高效地保留原始信号中的声音部分,并实现实时噪声抑制。U-Net 最初是为医学影像分割设计,但因其独特的架构和对细节的高度敏感性也被用于声音降噪领域;其主要实现原理是将声音信号从时域转换到频域,并利用深度卷积网络的强大特征提取能力来捕获声音不同层次的信息。通过编码器逐步下采样以捕获全局特征后,瓶颈层进一步提炼信息,然后解码器上采样恢复信号细节。整个过程中通过跳跃连接确保细节信息不丢失,最终通过逆变换将频域的输出转换回时间域,得到清晰的声音信号[11]。

其他比较经典的声音降噪方法还有高斯混合模型(GMM)[12]、支持向量机(SVM)[13] 等。GMM 基于多个高斯分布的混合通过构建声音信号的概率模型来实现降噪;SVM 采用的是一种判别式的方法,通过构建一个决策边界来区分噪声和语音信号。

以上降噪方法各有优点,但都存在着明显的不足之处。RNNoise 主要应用于人声信号,对于非人声的信号降噪效果不太理想。U-Net 需要大量的标记数据进行训练,并且训练和推理过程需要较大的计算资源。GMM 在处理非高斯分布噪声时的表现可能会受到限制,并且计算的复杂度较高。SVM 的性能高度依赖于核函数的选择和参数设置,因此非常需要先验知识。

在对实际环境中采集到的大黄鱼繁殖发声信号进行降噪处理时,需要一种降噪性能好、不依赖于先验数据、不需要大量计算资源,以及大规模数据集、多场景应用、适应性强的降噪方法,以确保在各种环境条件下都能有效地提取清晰的大黄鱼繁殖发声信号。

TORRES M E 等[14] 提出了改进的完全自适应噪声集合经验模态分解方法(complete EEMD with adaptivenoise,CEEMDAN),也被称为完全集合经验模态分解法。这种方法能够同时考虑到信号的时域和频域特性,适应信号的非线性和非平稳特性,通常用以结合合适的小波滤噪算法[15],对原始信号分解并加以进行小波去噪再重构信号,有效消除了信号中的噪声成分,提取原始信号的有效特征,自提出以来被广泛地运用到图像处理[16]、语音处理[17]、振动分析[18] 等领域中。然而,过去提出的小波阈值算法在降噪的过程中依然存在着可以改进的地方[19]。针对不同场景下的去噪工作,往往需要找出更为适合的小波去噪阈值函数,使去噪性能得到提升。本研究提出了一种新的小波阈值函数,能够对含噪大黄鱼声信号进行更有效地去噪,新算法相比旧算法有更高的信噪比。

1 信号处理过程与方法

1.1 CEEMDAN 原理

为了解决EMD 算法分解信号存在的模态混叠问题,EEMD 分解算法通过在待分解信号中加入成对正负高斯白噪声来减轻,但是使用这两种算法得到的本征模态分两种总会残留一定的白噪声,这会对后续的信号分析和处理产生消极影响[20]。CEEMDAN 算法并非将高斯白噪声直接添加在原始信号中,而是加入经EMD分解后含辅助噪声的IMF 分量,并且在得到的第1 阶IMF 分量后就进行总体平均计算,得到最终的第1 阶IMF 分量,然后对残余部分重复进行如上操作,从而有效地解决了白噪声从高频到低频的转移传递问题。其迭代过程详细如下[21]。

猜你喜欢

大黄鱼
2022年大黄鱼生产形势分析
宁德大黄鱼“出圈”
我国大黄鱼产业的集聚水平研究
28元/斤的辉煌不再!如今大黄鱼深陷价格“泥沼”,休渔期或初现曙光
宁德大黄鱼“ 游”出新天地
宁德迎来大黄鱼丰收季
膳食锌对饲料引起的大黄鱼铜中毒症的保护作用
大黄鱼致病香鱼假单胞菌对环境因子的响应及其感染检测的分析
养殖大黄鱼血清脂类成分的初步研究
大黄鱼过氧化物酶Ⅳ在人胚肾细胞中的表达与抗氧化活性测定