摘 要： 大黃魚在繁殖期各階段所發(fā)出的聲音信號(hào)一般能夠反映其生理和行為狀態(tài)，然而在實(shí)際養(yǎng)殖環(huán)境中采集到的聲音信號(hào)往往混雜多種噪聲，需要對(duì)原始信號(hào)進(jìn)行降噪預(yù)處理。提出了一種改進(jìn)小波閾值?CEEMDAN 的降噪算法，首先將原始信號(hào)分解為多個(gè)本征信號(hào)分量，然后使用改進(jìn)的小波閾值函數(shù)對(duì)每個(gè)本征信號(hào)分量進(jìn)行處理，最后將處理后的有效信號(hào)分量進(jìn)行重構(gòu)。開展大黃魚發(fā)聲信號(hào)降噪效果測(cè)試試驗(yàn)，結(jié)果表明，使用該研究提出的降噪算法后檢測(cè)系統(tǒng)信噪比提高到14.53 dB，均方根誤差降低到0.001 96 dB。相較于傳統(tǒng)降噪算法，改進(jìn)后的算法具有更好的降噪效果，更有利于分析和研究大黃魚繁殖期間的發(fā)聲行為。

關(guān)鍵詞：大黃魚；CEEMDAN；小波閾值；聲信號(hào)處理；繁殖狀態(tài)監(jiān)測(cè)

中圖分類號(hào)：S24;S96 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1795（2024）09-0027-07

DOI：10.19998/j.cnki.2095-1795.2024.09.005

0 引言

大黃魚（Larimichthys crocea）是名貴的食用海水養(yǎng)殖經(jīng)濟(jì)魚種之一，具有較高的經(jīng)濟(jì)價(jià)值。20 世紀(jì)50—70 年代的過(guò)度捕撈，使大黃魚的數(shù)量急劇減少。目前大黃魚主要采用網(wǎng)箱養(yǎng)殖，是我國(guó)最大的海水網(wǎng)箱養(yǎng)殖魚種。

大黃魚以其極具特色的叫聲被人們所熟知，在繁殖季節(jié)中其發(fā)聲行為尤其普遍[1]。黃昏或夜間時(shí)，大黃魚還會(huì)出現(xiàn)“合唱”現(xiàn)象，魚群所發(fā)出的聲音非常大，并且持續(xù)時(shí)間較長(zhǎng)。為了選育出更優(yōu)質(zhì)的養(yǎng)殖大黃魚，育種工作顯得尤為關(guān)鍵。不同繁殖階段下的大黃魚發(fā)聲特征存在差異性，因此大黃魚在繁殖過(guò)程中發(fā)出聲音的特征變化情況可以在一定程度上反映大黃魚的繁殖狀態(tài)信息[2]。

對(duì)大黃魚聲信號(hào)的采集工作通常在自然水下環(huán)境中進(jìn)行。水下聲信號(hào)采集過(guò)程中不可避免地會(huì)受到多種噪聲源的干擾，其中包括自然水下環(huán)境噪聲和人為活動(dòng)產(chǎn)生的噪聲，這些噪聲不僅會(huì)影響聲信號(hào)的清晰度，而且也會(huì)對(duì)后續(xù)的信號(hào)分析和研究帶來(lái)極大困擾。因此，有必要開發(fā)一種高效的新型降噪算法，以有效消除這些噪聲，確保獲得的大黃魚聲信號(hào)盡可能清晰準(zhǔn)確，為研究提供可靠的數(shù)據(jù)支持。

目前對(duì)聲信號(hào)使用的降噪方法主要有譜減法[3]、線性濾波器[4] 及基于神經(jīng)網(wǎng)絡(luò)模型的降噪方法[5] 等。譜減法是通過(guò)從原始信號(hào)的頻譜中減去估計(jì)的噪聲頻譜實(shí)現(xiàn)降噪，具有運(yùn)算量小、實(shí)現(xiàn)簡(jiǎn)單的優(yōu)點(diǎn)，但是效果一般，并且可能會(huì)降低聲信號(hào)的清晰度[6]。線性濾波器有維納濾波器、卡爾曼濾波器等。維納濾波器通過(guò)求解最優(yōu)化均方根誤差從而獲取降噪信號(hào)，相比譜減法具有更優(yōu)秀的降噪性能，但是不能有效地應(yīng)用在非平穩(wěn)信號(hào)上[7]。卡爾曼濾波器在此基礎(chǔ)上進(jìn)行了改進(jìn)，通過(guò)引入遞歸形式的狀態(tài)空間模型、實(shí)施預(yù)測(cè)、更新步驟及動(dòng)態(tài)調(diào)整估計(jì)準(zhǔn)確性的機(jī)制，有效地改進(jìn)了對(duì)非平穩(wěn)信號(hào)的處理能力[8]。

基于神經(jīng)網(wǎng)絡(luò)的降噪方法近年來(lái)被廣泛應(yīng)用，其中具體的方法有RNNoise[9]、U-Net[10] 等。RNNoise 主要實(shí)現(xiàn)原理是在對(duì)音頻信號(hào)進(jìn)行特征提取后，使用噪聲追蹤方法建立噪聲模型， 并使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)一步區(qū)分和抑制噪聲，從而高效地保留原始信號(hào)中的聲音部分，并實(shí)現(xiàn)實(shí)時(shí)噪聲抑制。U-Net 最初是為醫(yī)學(xué)影像分割設(shè)計(jì)，但因其獨(dú)特的架構(gòu)和對(duì)細(xì)節(jié)的高度敏感性也被用于聲音降噪領(lǐng)域；其主要實(shí)現(xiàn)原理是將聲音信號(hào)從時(shí)域轉(zhuǎn)換到頻域，并利用深度卷積網(wǎng)絡(luò)的強(qiáng)大特征提取能力來(lái)捕獲聲音不同層次的信息。通過(guò)編碼器逐步下采樣以捕獲全局特征后，瓶頸層進(jìn)一步提煉信息，然后解碼器上采樣恢復(fù)信號(hào)細(xì)節(jié)。整個(gè)過(guò)程中通過(guò)跳躍連接確保細(xì)節(jié)信息不丟失，最終通過(guò)逆變換將頻域的輸出轉(zhuǎn)換回時(shí)間域，得到清晰的聲音信號(hào)[11]。

其他比較經(jīng)典的聲音降噪方法還有高斯混合模型（GMM）[12]、支持向量機(jī)（SVM）[13] 等。GMM 基于多個(gè)高斯分布的混合通過(guò)構(gòu)建聲音信號(hào)的概率模型來(lái)實(shí)現(xiàn)降噪；SVM 采用的是一種判別式的方法，通過(guò)構(gòu)建一個(gè)決策邊界來(lái)區(qū)分噪聲和語(yǔ)音信號(hào)。

以上降噪方法各有優(yōu)點(diǎn)，但都存在著明顯的不足之處。RNNoise 主要應(yīng)用于人聲信號(hào)，對(duì)于非人聲的信號(hào)降噪效果不太理想。U-Net 需要大量的標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，并且訓(xùn)練和推理過(guò)程需要較大的計(jì)算資源。GMM 在處理非高斯分布噪聲時(shí)的表現(xiàn)可能會(huì)受到限制，并且計(jì)算的復(fù)雜度較高。SVM 的性能高度依賴于核函數(shù)的選擇和參數(shù)設(shè)置，因此非常需要先驗(yàn)知識(shí)。

在對(duì)實(shí)際環(huán)境中采集到的大黃魚繁殖發(fā)聲信號(hào)進(jìn)行降噪處理時(shí)，需要一種降噪性能好、不依賴于先驗(yàn)數(shù)據(jù)、不需要大量計(jì)算資源，以及大規(guī)模數(shù)據(jù)集、多場(chǎng)景應(yīng)用、適應(yīng)性強(qiáng)的降噪方法，以確保在各種環(huán)境條件下都能有效地提取清晰的大黃魚繁殖發(fā)聲信號(hào)。

TORRES M E 等[14] 提出了改進(jìn)的完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解方法（complete EEMD with adaptivenoise，CEEMDAN），也被稱為完全集合經(jīng)驗(yàn)?zāi)B(tài)分解法。這種方法能夠同時(shí)考慮到信號(hào)的時(shí)域和頻域特性，適應(yīng)信號(hào)的非線性和非平穩(wěn)特性，通常用以結(jié)合合適的小波濾噪算法[15]，對(duì)原始信號(hào)分解并加以進(jìn)行小波去噪再重構(gòu)信號(hào)，有效消除了信號(hào)中的噪聲成分，提取原始信號(hào)的有效特征，自提出以來(lái)被廣泛地運(yùn)用到圖像處理[16]、語(yǔ)音處理[17]、振動(dòng)分析[18] 等領(lǐng)域中。然而，過(guò)去提出的小波閾值算法在降噪的過(guò)程中依然存在著可以改進(jìn)的地方[19]。針對(duì)不同場(chǎng)景下的去噪工作，往往需要找出更為適合的小波去噪閾值函數(shù)，使去噪性能得到提升。本研究提出了一種新的小波閾值函數(shù)，能夠?qū)氪簏S魚聲信號(hào)進(jìn)行更有效地去噪，新算法相比舊算法有更高的信噪比。

1 信號(hào)處理過(guò)程與方法

1.1 CEEMDAN 原理

為了解決EMD 算法分解信號(hào)存在的模態(tài)混疊問題，EEMD 分解算法通過(guò)在待分解信號(hào)中加入成對(duì)正負(fù)高斯白噪聲來(lái)減輕，但是使用這兩種算法得到的本征模態(tài)分兩種總會(huì)殘留一定的白噪聲，這會(huì)對(duì)后續(xù)的信號(hào)分析和處理產(chǎn)生消極影響[20]。CEEMDAN 算法并非將高斯白噪聲直接添加在原始信號(hào)中，而是加入經(jīng)EMD分解后含輔助噪聲的IMF 分量，并且在得到的第1 階IMF 分量后就進(jìn)行總體平均計(jì)算，得到最終的第1 階IMF 分量，然后對(duì)殘余部分重復(fù)進(jìn)行如上操作，從而有效地解決了白噪聲從高頻到低頻的轉(zhuǎn)移傳遞問題。其迭代過(guò)程詳細(xì)如下[21]。