由于脉冲噪声具有明显的尖峰脉冲特性,使得基于高斯假设的传统去噪方法无法有效滤除脉冲噪声。针对这个问题,文中提出了一种脉冲噪声下基于深度卷积神经网络(DCNN)的线性调频(LFM)信号去噪方法。首先,生成LFM 信号和随机脉冲噪声,构建不同广义信噪比下的数据集,输入DCNN 进行训练和测试。进而,从时域波形图、分数谱、时频分布三个方面验证模型的去噪能力。最后,对去噪LFM 信号进行分数阶傅里叶变换,通过搜寻分数谱中的峰值点来估计LFM信号的参数。仿真实验结果表明,文中方法不仅能够有效去除含噪信号中的随机脉冲噪声,而且还可以保持LFM 信号的时域特征、分数谱特征和时频特征基本不变,进而提高了参数估计的噪声鲁棒性。与传统的基于非线性变换的方法相比,本文方法在低信噪比下仍能有效保持信号的分数谱特征和时频特征,具有更好的去噪性能和泛化能力。

Since impulse noise has obvious pulse characteristic, the traditional denoising methods based on Gaussian hypothesis can′t effectively filter impulse noise. To solve this problem, a LFM signal denoising method based on DCNN under impulsive noise environment is proposed. Firstly, the LFM signal and random impulse noise are generated, and the data sets with different generalized

TN957.51

国家自然科学基金资助项目(62201298,62161040); 内蒙古自然科学基金资助项目(2024LHMS06003); 内蒙古科技大学创新基金资助项目(2019QDL-B39); 内蒙古科技大学基本科研业务费专项资金资助项目