面向海洋浮标声学数据的自适应压缩编解码方法及系统与流程

本发明涉及海洋数据压缩，尤其涉及一种面向海洋浮标声学数据的自适应压缩编解码方法及系统。

背景技术：

1、海洋浮标是开展海洋环境监测、水声目标探测、水声通信与海洋生物声学观测等工作的重要平台。布放于海上的浮标通过水听器等传感器持续采集声学数据，由于采样率较高且通常需长时间连续记录，原始声学数据的体量很大。

2、浮标采集的数据需回传至岸基、船载或云端进行处理。受限于海上部署环境，浮标普遍采用卫星、无人机中继或4g蜂窝等无线链路回传数据，上述链路普遍存在带宽有限、传输成本高（尤其卫星链路）的问题，且浮标自身多依靠电池或太阳能供电、能量预算紧张。若直接回传原始声学数据，往往难以在有限带宽与能耗下完成传输。所以在浮标端对声学数据进行高效压缩、在接收端进行重建，是降低回传数据量、节省带宽与能耗的关键。

3、现有声学与音频压缩技术大致可分为以下几类：感知音频编码（如mp3、aac）以人耳听觉掩蔽模型为核心，其心理声学模型针对人类听感优化，与水声信号的统计特性及下游分析需求并不契合；压缩感知方法重建多依赖迭代凸优化求解，但面临复杂信号，难以找到合适稀疏基，影响重建效果；学习型后处理多采用端到端直接回归，以神经网络替代传统环节，然而大多学习型后处理直接端到端联合优化，在编码端计算量庞大，对于边缘计算设备来说，算力不友好。

4、总结来说，现有技术主要存在以下缺陷：

5、（1）静音、低能量段浪费码率：缺乏稳健的活跃段与静音段判别机制；

6、（2）增强目标盲目、缺乏误差预算分析：缺乏对量化噪声与丢弃系数两类误差占比及各自可恢复上限的量化分析；

7、（3）卷积结构与小波子带结构不匹配：在块优先排布的系数序列上直接卷积时，卷积核相邻位置跨越不同子带，破坏同一子带跨时间块的相关结构；

8、（4）缺乏误差预算分析：未对量化噪声与丢弃系数两类误差的占比及各自可恢复上限进行量化分析，修正目标设定盲目。

技术实现思路

1、因此，本发明的目的在于提供一种面向海洋浮标声学数据的自适应压缩编解码方法，实现能依据信号特性自适应分配码率，并在接收端以受物理约束的学习型后处理可靠地修正量化与丢弃造成的失真，从而在受限的回传带宽与能耗下获得较高压缩比与稳定的重建质量。

2、为了实现上述目的，本发明提供的一种面向海洋浮标声学数据的自适应压缩编解码方法，包括以下步骤：

3、s1，获取浮标端接收到的声学信号，进行分块处理，形成多个信号块，将各个信号块进行静音判别估计，根据静音判别估计结果将信号块划分为静音块和活跃块；

4、s2，对所述活跃块施加m级离散小波变换，获得包含近似系数和各级细节系数的小波系数向量；

5、s3，基于预设压缩比参数，确定每个信号块的总码率预算，根据总码率预算确定保留细节系数的个数，将近似系数全部保留，形成最终保留集，记录保留位置形成保留位图；

6、s4，对保留的近似系数和细节系数按各自所属子带进行分层量化和反量化，并对量化后的块类型序列及系数进行熵编码，生成压缩码流发送到接收端；

7、s5，接收端对所述压缩码流进行熵解码和反量化，执行逆离散小波变换，并对变换后的块边界进行自适应平滑处理，得到基线重建信号；

8、s6，基于所述基线重建信号和所述保留位图，对上下文窗口内连续多个信号块的系数执行子带优先重排，将各信号块中属于同一子带的系数段连续排列，得到重排后的一维系数序列；

9、s7，将所述重排后的一维系数序列输入双域级联神经网络进行后处理重建；所述双域级联神经网络包括时域子网和小波域子网；

10、具体包括：利用小波域子网，得到经小波域修复的预测系数后并施加物理约束硬投影，得到符合物理约束的重建系数；对所述符合物理约束的重建系数执行逆离散小波变换，将其转换回时域波形信号；将所述时域波形信号输入时域子网，输出时域残差信号；将所述时域残差信号叠加s5得到的基线重建信号，得到经双域级联修复的最终重建声学信号。

11、进一步，在s1中，将各个信号块进行静音判别估计，根据静音判别估计结果将信号块划分为静音块和活跃块，具体包括：

12、统计全部信号块的均方根能量，取最大值并结合预设最小动态范围确定动态范围阈值；

13、取全部信号块均方根能量的低百分位数估计噪声底，根据所述噪声底与动态范围阈值的比较结果自适应确定活跃阈值；

14、将均方根能量低于所述活跃阈值的信号块判为静音块；

15、当静音块数量占总块数的比例超过预设上限时，放宽所述最小动态范围重新判别，若重新判别后静音比例仍超限，则不判定任何静音块。

16、进一步，在s3中所述总码率预算按照如下公式计算：

17、

18、其中，btotal为每块总码率预算，单位：比特；ρ为压缩比参数；n为块长；为向下取整；16 为原始信号16比特pcm量化位深；

19、根据总码率预算确定保留细节系数的个数时，所述保留细节系数的个数采用如下公式计算：

20、

21、式中：k 为每块保留的细节系数个数；γ为冗余因子；brem为细节系数的剩余预算；为细节子带的平均量化位深；na为近似系数个数。

22、进一步，在s4中，所述对保留的近似系数和细节系数按各自所属子带按照如下公式进行分层量化和反量化，

23、

24、式中：qi小波系数 cb[i] 的量化整数值；cb[i] 为第 b 块第 i 个小波系数，b 为块序号、i系数序号；mj为第j子带保留系数绝对值的最大值，j为子带序号；lj为第j子带量化级数，由该子带预先配置的固定量化位深 bj决定；round(·) 为四舍五入取整；clip((·),-lj,lj) 为限幅截断；为反量化重建系数。

25、进一步优选的，在s4中，所述对量化后的块类型序列及系数进行熵编码包括：

26、对块类型序列进行游程编码，获得块类型游程段；

27、对各信号块各子带的量化系数分别构建规范哈夫曼编码表，进行变长编码，获得哈夫曼码流；

28、将采样率、原始信号总长度、块长、总块数、各子带量化位深写入压缩文件头部；

29、将各子带哈夫曼编码表、块类型游程段以及各活跃块的子带幅值最大值、保留位图、哈夫曼码流依次写入压缩文件，生成压缩码流。

30、进一步优选的，在s7中，所述物理约束硬投影，具体包括：

31、获取小波域子网输出的预测系数，并提取归一化重建系数、量化半步长以及被丢弃细节系数的幅度上界；其中，所述归一化重建系数为对s4中反量化重建系数按所属子带尺度归一化后的系数，所述量化半步长由该子带量化级数确定，所述被丢弃细节系数的幅度上界根据保留细节系数中的最小量化幅度确定；

32、对于所述保留位图所指示的保留位置，将预测系数投影到以该位置的归一化重建系数为中心、以该位置的量化半步长为半径的闭区间内；

33、对于所述保留位图所指示的丢弃位置，将预测系数投影到：以负的该位置的被丢弃细节系数的幅度上界为下界、以正的该位置的被丢弃细节系数的幅度上界为上界的闭区间内；

34、根据所述保留位图，对保留位置采用保留位置的投影结果、对丢弃位置采用丢弃位置的投影结果进行合成，得到符合物理约束的重建系数。

35、进一步优选的，在s7中，所述双域级联神经网络在训练阶段遵循可学习拉格朗日对偶约束：

36、引入以主干网络特征为输入的可学习拉格朗日乘子网络，经softplus激活输出每个系数位置的惩罚权重，构成对所述双域级联神经网络预测系数偏离物理可行域的罚项；

37、在所述罚项与乘子参数之间插入梯度反转层，所述双域级联神经网络的主体网络接收正向梯度以极小化违规量，乘子参数接收反转梯度以极大化罚项，形成对偶上升的拉格朗日优化，驱使所述双域级联神经网络在训练过程中将预测系数约束于所述物理可行域内。

38、进一步优选的，在s7中，利用小波域子网，得到经小波域修复的预测系数，包括以下步骤：

39、将所述重排后的一维系数序列输入所述小波域子网的输入卷积层，投影至高维特征空间；

40、将高维特征依次通过多个门控时间卷积块进行处理，各门控时间卷积块的膨胀率逐层增大；

41、对每个子带的特征进行平均池化，每个子带聚合为一个token，形成时频token矩阵；

42、将所述时频token矩阵输入双轴注意力模块：在时间维度上对所述上下文窗口内的多个信号块token进行多头自注意力计算，捕捉长程时间上下文依赖；在子带维度上以低频子带的token作为查询向量、高频子带的token作为键值向量进行交叉注意力计算，利用低频子带的全局结构先验指导高频子带的细节精炼；

43、将精炼后的时频token广播回各子带原始系数长度，作为上下文残差特征叠加至所述高维特征；

44、将叠加后的特征通过输出卷积层，生成小波域残差增量，叠加至所述小波域子网的输入特征，得到经小波域修复的预测系数。

45、本发明还提供一种面向海洋浮标声学数据的自适应压缩编解码系统，用于实施上述面向海洋浮标声学数据的自适应压缩编解码方法的步骤，包括：

46、浮标端压缩编码器，用于执行所述方法的步骤s1-s4的操作，将声学信号编码为压缩码流；

47、接收端基础解码器，用于执行所述方法的步骤s5的操作，将压缩码流重建为基线重建信号；

48、接收端神经网络后处理重建模块，用于执行如上述方法的步骤s6至s7的操作，对所述基线重建信号进行后处理重建，输出最终重建声学信号。

49、本技术公开的面向海洋浮标声学数据的自适应压缩编解码方法及系统，具有以下效果。

50、1.浮标端仅执行小波变换、系数排序与熵编码等传统运算，完全不含神经网络，计算量极低，适配dsp/单片机等电池供电的边缘设备。通过双重约束静音判别剔除无效静音段，结合码率预算驱动的系数择优，将有限码率精准分配给核心系数，在同等压缩比下获得更优率失真表现。

51、2. 将量化半步长与丢弃幅度上界作为硬性投影算子嵌入网络前向传播，输出系数被强制锁死在码流唯一确定的物理可行域内，从根本上杜绝越界失真，保证统计意义上绝不劣于基线重建。通过误差预算分析将总误差量化解构为量化噪声与丢弃误差，使修正目标设定有据可依。

52、3. 子带优先重排使卷积感受野与小波子带的时间结构对齐，双域级联以小波域修复频带缺失、时域平滑混叠伪影，分工明确且参数效率高。可学习拉格朗日梯度反转确保训练中物理约束不坍塌，符号对称翻转增强系统性抵消非线性偏差，进一步提升重建保真度。