水下声学信号的增强方法、装置、电子设备及存储介质

1.本发明涉及信号处理技术领域，尤其涉及一种水下声学信号的增强方法、装置、电子设备及存储介质。


背景技术：

2.由于受到复杂多变的自然声源的干扰，从船舶和潜艇等水下目标采集的信号可能包含一部分具有复杂频谱成分的混响噪声。这些噪声干扰会影响水下声学信号的探测、定位和识别。因此，在处理目标源监测之前，使收集到的水下声学信噪比达到海洋实验上的要求是十分重要的。
3.相关技术中，通常是利用人工处理来实现水下声学信号降噪，其本质是基于等价推理的数据预处理步骤，依靠盲源分离框架和可解释的论断来构建去噪算法。然而，在实际场景中，由于水声信号在去噪过程中面临海洋环境的变化和多通道信号的混合等问题，使得相关方法难以获得更高信噪比的信号。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种水下声学信号的增强方法、装置、电子设备及存储介质。
5.具体地，本发明实施例提供了以下技术方案：
6.第一方面，本发明实施例提供了一种水下声学信号的增强方法，包括：
7.获取含噪水下声学信号的频谱特征；
8.将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
9.进一步地，降噪模型包括：
10.编码层；编码层用于将频谱特征转换成高阶非线性特征；
11.分离层；分离层用于根据频谱特征对应的高阶非线性特征，确定含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱；
12.解码层；解码层用于将映射图谱进行转置卷积，得到降噪后的水下声学信号。
13.进一步地，降噪模型基于如下方式进行训练：
14.获取含噪水下声学信号样本和降噪后的水下声学信号样本；
15.将含噪水下声学信号样本和降噪后的水下声学信号样本，输入至降噪模型，得到含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱；
16.根据含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱，得到降噪模型。
17.进一步地，获取含噪水下声学信号的频谱特征，包括：
18.获取含噪水下声学信号序列；
19.根据含噪水下声学信号序列，确定细节信号；细节信号表示含噪水下声学信号和
估计的含噪水下声学信号序列之间的差异；
20.根据细节信号，得到含噪水下声学信号的频谱特征。
21.进一步地，利用如下公式确定估计的含噪水下声学信号序列：
22.p(xk)＝xk；
[0023][0024]
其中，xk表示含噪水下声学信号序列中的奇数采样部分；x
2k
表示含噪水下声学信号序列中的偶数采样部分；p(xk)表示估计的含噪水下声学信号序列中的奇数采样部分；p(x
2k
)表示估计的含噪水下声学信号序列中的偶数采样部分。
[0025]
第二方面，本发明实施例还提供了一种水下声学信号的增强装置，包括：
[0026]
获取模块，用于获取含噪水下声学信号的频谱特征；
[0027]
降噪模块，用于将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
[0028]
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如第一方面所述水下声学信号的增强方法。
[0029]
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述水下声学信号的增强方法。
[0030]
第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述水下声学信号的增强方法。
[0031]
本发明实施例提供的水下声学信号的增强方法、装置、电子设备及存储介质，通过获取含噪水下声学信号的频谱特征，从而可以更加方便、准确的进行信号的分析处理，提升水下声学信号的降噪处理效果；进而通过将含噪水下声学信号的频谱特征输入降噪模型，从而就可以根据确定出的含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，映射出降噪后的水下声学信号，也就有效实现了水下声学信号的降噪处理，提升了水声信号的降噪处理效率和降噪处理效果。
附图说明
[0032]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]
图1是本发明实施例提供的水下声学信号的增强方法的流程示意图之一；
[0034]
图2是本发明实施例提供的含噪水下声学信号的频谱特征的示意图；
[0035]
图3是本发明实施例提供的水下声学信号的增强方法的流程示意图之二；
[0036]
图4是本发明实施例提供的水下声学信号的增强方法的流程示意图之三；
[0037]
图5是本发明实施例提供的水下声学信号的增强装置的结构示意图；
[0038]
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
[0039]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
本发明实施例的方法可以应用于水声降噪场景中，提升了水声信号的降噪处理效率和降噪处理效果。
[0041]
相关技术中，通常是利用人工处理来实现水下声学信号降噪，其本质是基于等价推理的数据预处理步骤，依靠盲源分离框架和可解释的论断来构建去噪算法。然而，在实际场景中，由于水声信号在去噪过程中面临海洋环境的变化和多通道信号的混合等问题，使得相关方法难以获得更高信噪比的信号。
[0042]
本发明实施例的水下声学信号的增强方法，通过获取含噪水下声学信号的频谱特征，从而可以更加方便、准确的进行信号的分析处理，提升水下声学信号的降噪处理效果；进而通过将含噪水下声学信号的频谱特征输入降噪模型，从而就可以根据确定出的含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，映射出降噪后的水下声学信号，也就有效实现了水下声学信号的降噪处理，提升了水声信号的降噪处理效率和降噪处理效果。
[0043]
下面结合图1-图6以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0044]
图1是本发明实施例提供的水下声学信号的增强方法一实施例的流程示意图。如图1所示，本实施例提供的方法，包括：
[0045]
步骤101、获取含噪水下声学信号的频谱特征；
[0046]
具体地，相关技术中，通常是利用人工处理来实现水下声学信号降噪，其本质是基于等价推理的数据预处理步骤，依靠盲源分离框架和可解释的论断来构建去噪算法。然而，在实际场景中，由于水声信号在去噪过程中面临海洋环境的变化和多通道信号的混合等问题，使得相关方法难以获得更高信噪比的信号。
[0047]
为了解决上述问题，本发明实施例中首先获取含噪水下声学信号的频谱特征，也就是通过获取含噪水下声学信号的频域信息，从而可以更加方便、准确的进行信号的分析处理，提升水下声学信号的降噪处理效果。
[0048]
步骤102、将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
[0049]
具体地，在获取含噪水下声学信号的频谱特征后，本发明实施例中将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；其中，降噪模型用于根据确定出的含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，映射出降噪后的水下声学信号，从而实现了水下声学信号的降噪处理，提升了水声信号的降噪处理效率和降噪处理效果。
[0050]
上述实施例的方法，通过获取含噪水下声学信号的频谱特征，从而可以更加方便、准确的进行信号的分析处理，提升水下声学信号的降噪处理效果；进而通过将含噪水下声
学信号的频谱特征输入降噪模型，从而就可以根据确定出的含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，映射出降噪后的水下声学信号，也就有效实现了水下声学信号的降噪处理，提升了水声信号的降噪处理效率和降噪处理效果。
[0051]
在一实施例中，降噪模型包括：
[0052]
编码层；编码层用于将频谱特征转换成高阶非线性特征；
[0053]
分离层；分离层用于根据频谱特征对应的高阶非线性特征，确定含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱；
[0054]
解码层；解码层用于将映射图谱进行转置卷积，得到降噪后的水下声学信号。
[0055]
具体地，本发明实施例中，降噪模型用于根据含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，映射出降噪后的水下声学信号，从而实现了水下声学信号的降噪处理。可选地，本发明实施例中的降噪模型包括编码层、分离层和解码层。其中，编码层用于将频谱特征转换成高阶非线性特征，从而克服了传统方法难以满足水下声学信号广泛而多样的非线性特征学习能力的问题，提升了水下声学信号降噪的效率和准确性；另外模型中的编码层可以实现将不同长度的水下声学特征向量压缩成高阶非线性特征，并通过设计不同的核大小获得最佳表达向量，实现了特征的有效表达，便于含噪信号的处理，提升含噪信号的处理效率和效果，提升含噪信号的信噪比。可选地，本发明实施例中的分离层用于根据频谱特征对应的高阶非线性特征，确定含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，也就是通过把高阶非线性特征输入分离层，分离层学习含噪水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射，从而也就可以基于深度学习构建频谱映射网络实现水声信号降噪，达到提升降噪效果的目的。可选地，解码层用于将映射图谱进行转置卷积，得到降噪后的水下声学信号，也就是利用学习到的含噪水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱，进行含噪水下声学信号的映射，也就可以基于深度学习构建频谱映射网络实现水声信号降噪，实现了水下声学信号中的噪声的快速、准确的处理；另外本发明实施例中解码层还用于解决长序列向固定长度向量转换所带来的信息损失瓶颈，提升水下声学信号中的噪声处理效率和准确性，提升水下声学信号的降噪效果。最后需要说明的是，本发明实施例中的降噪模型包括编码层、分离层和解码层，通过卷积映射有助于提取信号的局部特征和时序相关的信息片段，而不考虑纯自然噪声信号的特征，从而达到了提升降噪效果的目的。
[0056]
上述实施例的方法，降噪模型中的编码层用于将频谱特征转换成高阶非线性特征，从而克服了传统方法难以满足水下声学信号广泛而多样的非线性特征学习能力的问题，提升了水下声学信号降噪的效率和准确性；通过把高阶非线性特征输入网络分离模块，分离层学习含噪水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射，从而也就可以基于深度学习构建频谱映射网络实现水声信号降噪，达到提升降噪效果的目的；解码层用于利用学习到的含噪水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱，进行含噪水下声学信号的映射，也就可以基于深度学习构建频谱映射网络实现水声信号降噪，实现了水下声学信号中的噪声的快速、准确的处理，提升了水下声学信号降噪处理的效果。
[0057]
在一实施例中，降噪模型基于如下方式进行训练：
[0058]
获取含噪水下声学信号样本和降噪后的水下声学信号样本；
[0059]
将含噪水下声学信号样本和降噪后的水下声学信号样本，输入至降噪模型，得到含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱；
[0060]
根据含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱，得到降噪模型。
[0061]
具体地，本发明实施例中，降噪模型用于根据含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱，映射出降噪后的水下声学信号，从而实现了水下声学信号的降噪处理。为了实现基于深度学习的方式构建频谱映射网络从而实现水声信号降噪，本发明实施例中基于如下方式进行模型的训练：首先获取含噪水下声学信号样本和降噪后的水下声学信号样本；进而将含噪水下声学信号样本和降噪后的水下声学信号样本，输入至降噪模型，通过模型学习从而得到含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱；最后，根据含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱的映射效果，即映射出的降噪后的水下声学信号样本和对应的样本集中的降噪后的水下声学信号样本之间的差距进行模型的优化调整，在满足预设的损失函数或熵的情况下，实现了模型的训练，进而训练后的降噪模型也就可以利用学习到的含噪水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱，进行含噪水下声学信号的映射，实现了基于深度学习构建频谱映射网络进行水声信号降噪，使得水下声学信号中的噪声可以得到快速、准确的处理，提升了水下声学信号降噪处理的效果。
[0062]
上述实施例的方法，降噪模型在训练过程中，通过学习含噪水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱，进而训练后的降噪模型就可以利用学习得到的映射图谱进行含噪水下声学信号的映射，实现了基于深度学习构建频谱映射网络进行水声信号降噪的效果，使得水下声学信号中的噪声可以得到快速、准确的处理，提升了水下声学信号降噪处理的效果。
[0063]
在一实施例中，获取含噪水下声学信号的频谱特征，包括：
[0064]
获取含噪水下声学信号序列；
[0065]
根据含噪水下声学信号序列，确定细节信号；细节信号表示含噪水下声学信号和估计的含噪水下声学信号序列之间的差异；
[0066]
根据细节信号，得到含噪水下声学信号的频谱特征。
[0067]
具体地，在实际场景中，由于水声信号在去噪过程中面临海洋环境的变化和多通道信号的混合等问题，使得相关方法难以获得更高信噪比的信号。为了提取更加细粒度的水声目标信号的特征，获取更加丰富和准确的含噪水下声学信号的特征，从而提升水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱的准确性，进而提升水下声学信号的降噪处理效果，本发明实施例中基于如下方式获取含噪水下声学信号的频谱特征：首先，获取含噪水下声学信号序列，例如，通过水听器接受到一段水声信号序列x，如公式(1)所示，其中xk是序列的值，k是时间节点：
[0068]
x＝{xk，k∈z}，xk∈r
ꢀꢀ
(1)
[0069]
对于水声信号序列x，根据样本的奇偶将(1)分解为(2)、(3)，其中xe为偶数采样部分，xo为奇数采样部分。
[0070]
xe＝{x
2k
，k∈z}，x
2k
∈r
ꢀꢀꢀꢀ
(2)
[0071]
xo＝{x
2k 1
，k∈z}，x
2k 1
∈r
ꢀꢀꢀꢀ
(3)
[0072]
在计算过程中，可以利用偶样本，估计奇样本序列，如(4)所示。
[0073]
x
′o＝p(xe)
ꢀꢀ
(4)
[0074]
其中，估计值xo1和实际值x之间的差异被定义为细节信号d，如公式(5)所示。
[0075]
d＝x-x
′o＝x-p(xe)
ꢀꢀꢀꢀ
(5)
[0076]
p(x)是预测器，如公式(6)和公式(7)所示。
[0077]
p(xk)＝xkꢀꢀꢀꢀ
(6)
[0078][0079]
在转换过程中，xe的频率特性被保持不变，并且引入更新器u(d)构建(8)。
[0080]
c＝x
′o u(d)
ꢀꢀꢀꢀ
(8)
[0081]
其中，更新方法可以从(9)和(10)两个函数中选择：
[0082][0083][0084]
如图2所示，提取水声信号在不同状态(不同分解层级)下的波形图来获得这段信号的更多细节信息，也就达到了提取更加细粒度的水声目标信号的特征的效果，也就获取到了更加丰富和准确的含噪水下声学信号的特征，进而也就可以提升水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱的准确性，提升水下声学信号的降噪处理效果。
[0085]
可选地，为了进一步提取更精细的信号序列的特征，本发明实施例中通过引入阈值th，用以提取更精细的信号序列的特征。系数的阈值th由(11)和(12)决定。
[0086][0087]
σ＝median(d)/0.675
ꢀꢀꢀꢀ
(12)
[0088]
其中，l为细节信号序列d＝{d(i)，i＝1，2，...，l}的数据长度，阈值th处理方法如(13)所示。
[0089][0090]
其中，d
th
(i)是经过阈值处理后的细节信号。
[0091]
上述实施例的方法，通过获取含噪水下声学信号序列；根据含噪水下声学信号序列，确定细节信号；细节信号表示含噪水下声学信号和估计的含噪水下声学信号序列之间的差异；根据细节信号，得到含噪水下声学信号的频谱特征，从而也就实现了提取更加细粒度的水声目标信号的特征的效果，也就获取到了更加丰富和准确的含噪水下声学信号的特征，进而也就可以提升水下声学信号的特征表达和干净水下声学信号的特征表达之间的映射图谱的准确性，提升水下声学信号的降噪处理效果。
[0092]
示例性的，本发明实施例中的水下声学信号的增强方法如图3所示和图4所示，首先，提取含噪水下声学信号的频谱特征，以增加相邻帧之间的关联性。其次，提取频谱的结构和局部信息，融合时域信号的背景知识，采用降噪模型进行信号降噪；其中，降噪模型通过改变网络结构或配置各种超参数来提高去噪模型的性能。在去噪过程中，不同的网络层
发挥着不同的作用。卷积层可以设置不同的核大小来提取频谱图的局部不变特征。可以引入编码器-解码器来增加相关向量的权重，并对网络中提取的局部特征进行特征聚合。首先，使用获得的小波低频分析记录频谱特征作为模型的输入。信号的编码阶段包括使用先前定义的连续的一维卷积网络提取信号的高阶特征。之后，输入被送入完全卷积的映射结构。该结构被用来学习噪声信号和目标信号之间的高维映射关系。最后，通过转置卷积操作，将获得的映射特征转换成可用于生成音频文件的时间序列向量。可选地，降噪模型包括：(1)编码器：卷积层和激活函数减少特征图的大小，使输入的频谱图可以成为低维表示，并引入归一化方法以防止梯度消失(2)分离层：通过去除全连接层，用卷积层代替，中间网络层可以适应任何规模的输入(3)解码层：转置的操作逐步恢复空间维度。它在编码器-解码器过程中提取固定长度的特征，以尽可能少的信息损失完成相同大小的输入和输出。
[0093]
示例性的，为测试本发明实施例中的降噪效果，建shipsear数据集的录音是由放置在码头上的水听器制作的，用于记录与停靠或脱钩操作有关的船速和气蚀噪音，这些都是在自然环境中录制的真实的船舶声音。因此，来自人类和自然界的背景噪音以及海洋哺乳动物的发声都存在。90个.wav文件的录音组成数据集，分为五个主要类别。每个主要类别都有一个或多个子类别(例如，a类由挖泥船、鱼船、拖网船、贻贝船和拖船组成)，每个音频片段的长度为15秒至10分钟。为更好地验证该模型的去噪性能。所有的信号都按照固定的时间进行分割5秒，产生1956个标记的声音样本。不含噪声类别的样本被随机抽取。噪声类别与这些提取的样本融合，使样本的信噪比为0db，并按8:1:1的比例分为训练、验证和测试集。如表1所示：
[0094]
表1不同类型船舶的信噪比提升
[0095]
方法信噪比class a8.8class b10.2class c6.3class d7.8
[0096]
下面对本发明提供的水下声学信号的增强装置进行描述，下文描述的水下声学信号的增强装置与上文描述的水下声学信号的增强方法可相互对应参照。
[0097]
图5是本发明提供的水下声学信号的增强装置的结构示意图。本实施例提供的水下声学信号的增强装置，包括：
[0098]
获取模块510，用于获取含噪水下声学信号的频谱特征；
[0099]
降噪模块520，用于将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
[0100]
可选地，降噪模型包括：
[0101]
编码层；编码层用于将频谱特征转换成高阶非线性特征；
[0102]
分离层；分离层用于根据频谱特征对应的高阶非线性特征，确定含噪的水下声学信号和降噪后的水下声学信号之间的映射图谱；
[0103]
解码层；解码层用于将映射图谱进行转置卷积，得到降噪后的水下声学信号。
[0104]
可选地，降噪模型基于如下方式进行训练：
[0105]
获取含噪水下声学信号样本和降噪后的水下声学信号样本；
[0106]
将含噪水下声学信号样本和降噪后的水下声学信号样本，输入至降噪模型，得到含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱；
[0107]
根据含噪的水下声学信号样本和降噪后的水下声学信号样本之间的映射图谱，得到降噪模型。
[0108]
可选地，所述获取模块510，具体用于：获取含噪水下声学信号序列；
[0109]
根据含噪水下声学信号序列，确定细节信号；细节信号表示含噪水下声学信号和估计的含噪水下声学信号序列之间的差异；
[0110]
根据细节信号，得到含噪水下声学信号的频谱特征。
[0111]
可选地，所述获取模块510，具体用于：利用如下公式确定估计的含噪水下声学信号序列：
[0112]
p(xk)＝xk；
[0113][0114]
其中，xk表示含噪水下声学信号序列中的奇数采样部分；x
2k
表示含噪水下声学信号序列中的偶数采样部分；p(xk)表示估计的含噪水下声学信号序列中的奇数采样部分；p(x
3k
)表示估计的含噪水下声学信号序列中的偶数采样部分。
[0115]
本发明实施例的装置，其用于执行前述任一方法实施例中的方法，其实现原理和技术效果类似，此次不再赘述。
[0116]
图6示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行水下声学信号的增强方法，该方法包括：获取含噪水下声学信号的频谱特征；将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
[0117]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的水下声学信号的增强方法，该方法包括：获取含噪水下声学信号的频谱特征；将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
[0119]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的水下声学信号的增强方法，该
方法包括：获取含噪水下声学信号的频谱特征；将含噪水下声学信号的频谱特征输入降噪模型，得到降噪后的水下声学信号；降噪模型用于降低水下声学信号中的噪声信号。
[0120]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0121]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0122]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。