风噪声抑制方法与系统以及炮声检测方法与系统

摘要

本发明公开了一种风噪声抑制方法与系统以及炮声检测方法与系统，其中，风噪声抑制方法包括：对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

权利要求

1.一种风噪声抑制方法，其特征在于，包括：对采集的风噪声信号进行经验模态分解后再进行重构以获得重构风噪声信号；

对采集的混合信号及所述重构风噪声信号分别进行卷积非负矩阵分解；

根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离，以获得纯净的目标信号。

2.如权利要求1所述的风噪声抑制方法，其特征在于，所述获得重构风噪声信号的步骤中包括：采集获取所述风噪声信号；

对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；

剔除所述多个分量信号中的高频分量信号；

将剩余的分量信号重构以得到所述重构风噪声信号。

3.如权利要求1所述的风噪声抑制方法，其特征在于，所述进行卷积非负矩阵分解的步骤中包括：对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；

采集获取所述混合信号；

对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。

4.如权利要求3所述的风噪声抑制方法，其特征在于，所述提取基矩阵的步骤中还包括，通过目标函数来保证矩阵分解中的逼近效果。

5.如权利要求3所述的风噪声抑制方法，其特征在于，所述获得纯净的目标信号步骤中包括：根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；

基于所述信噪混合分离模型，采用CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。

6.一种风噪声抑制系统，其特征在于，包括：对采集的风噪声信号进行经验模态分解后再进行重构以获得重构风噪声信号；

分解单元，对采集的混合信号及所述重构风噪声信号分别进行卷积非负矩阵分解；

信噪分离单元，根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离，以获得纯净的目标信号。

7.如权利要求6所述的风噪声抑制系统，其特征在于，所述重构风噪声信号单元包括：第一采集模块，采集获取所述风噪声信号；

经验模态分解模块，对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；

剔除模块，剔除所述多个分量信号中的高频分量信号；

重构模块，将剩余的分量信号重构以得到所述重构风噪声信号。

8.如权利要求6所述的风噪声抑制系统，其特征在于，所述分解单元包括：第一提取模块，对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵；

第二采集模块，采集获取所述混合信号；

第二提取模块，对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵。

9.如权利要求8所述的风噪声抑制系统，其特征在于，所述第一提取模块及所述第二提取模块还通过目标函数来保证矩阵分解中的逼近效果。

10.如权利要求8所述的风噪声抑制系统，其特征在于，所述信噪分离单元包括：模型构建模块，根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；

目标信号获得模块，基于所述信噪混合分离模型，采用CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。

11.一种炮声检测方法，其特征在于，使用所述权利要求1-5中任一项所述的风噪声抑制方法，对膛口波信号进行识别和检测。

12.一种炮声检测系统，其特征在于，包括所述权利要求6-10中任一项所述的风噪声抑制系统，用于对膛口波信号进行识别和检测。

说明书

风噪声抑制方法与系统以及炮声检测方法与系统

技术领域

[0001] 本发明涉及一种风噪声抑制方法与系统以及炮声检测方法与系统，具体地说，尤其涉及一种基于经验模态分解和卷积非负矩阵联合特征分解下的风噪声抑制方法与系统以及炮声检测方法与系统。

背景技术

[0002] 火炮侦察属于被动声探测研究的课题，传统火炮侦察声测系统利用火炮发射时产生的膛口波，对火炮炮位进行定位。火炮弹丸从发射到爆炸一般会产生膛口波、弹道波和爆炸波；膛口波的时间、空间信息，直接体现了炮位的信息，因此，膛口波的检测对火炮侦察至关重要。在声学测量的膛口波检测中，卷积非负矩阵分解算法无法抑制风噪声，是传统技术难题。在单通道测量和软件滤波的情况下，现有的风噪声抑制技术大多基于傅立叶变换框架下，采用卷积非负矩阵分解的信噪分离方法，其可以实现对弹道波、爆炸波、语音等的信号和噪声的分离。但是，由于膛口波信号与风噪声在傅立叶变换框架下的时频域分析中，两者频域高度重合，卷积非负矩阵分解方法无法有效分离出膛口波，致使无法在检测膛口波时，使用卷积非负矩阵分解方法实现信噪分离。膛口波检测方向亟需使用卷积非负矩阵分解方法，实现信噪分离，以抑制风噪声，提高信噪比水平。

[0003] 请参照图1-图3，图1为现有风噪抑制流程图；图2为原始信号示意图；图3为滤波后信号示意图。如图1-图3所示，具体介绍现有的、传统卷积非负矩阵分解方法(CSNMF)，主要包含信号建模、分离及重建等部分。文中CSNMF算法是在数据的STFT域运算，因此，图1中的带噪目标信号和风噪声训练数据都是经过STFT的短时幅度谱重构而成。首先，对风噪声进行信号采集，并实现对风噪声的特征学习，以获得能够表征风噪声特性的基矩阵；然后根据目标信号、风噪声的混合模型，结合带噪信号特征提取，对带噪目标信号进行分解运算，得到基矩阵和编码矩阵，实现信噪分离；最后进行信号重构，得到降噪后的目标信号。

[0004] 结合图2与图3，使用CSNMF算法的膛口波滤波，从图2与图3中对比可以看到，CSNMF算法在信噪分离的过程中，其在剔除风噪声的同时，一同将膛口波滤除了，无法完成信噪分离的任务。这是现有的风噪抑制技术所存在的技术难题。

发明内容

[0005] 本发明所要解决的技术问题在于提供一种风噪声抑制方法，其中，包括：

[0006] 对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；

[0007] 对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；

[0008] 根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

[0009] 上述的风噪声抑制方法，其中，于获得重构风噪声信号的步骤中包括：

[0010] 采集获取所述风噪声信号；

[0011] 对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；

[0012] 剔除多个所述分量信号中的高频分量信号；

[0013] 将剩余的所述分量信号重构为所述重构风噪声信号。

[0014] 上述的风噪声抑制方法，其中，于进行卷积非负矩阵分解的步骤中包括：

[0015] 对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；

[0016] 采集获取所述混合信号；

[0017] 对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。

[0018] 上述的风噪声抑制方法，其中，于提取基矩阵的步骤中还包括，通过目标函数来保证矩阵分解中的逼近效果。

[0019] 上述的风噪声抑制方法，其中，于获得纯净的目标信号步骤中包括：

[0020] 根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；

[0021] 通过所述信噪混合分离模型根据CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。

[0022] 本发明还提供一种风噪声抑制系统，其中，包括：

[0023] 重构风噪声信号单元，对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；

[0024] 分解单元，对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；

[0025] 信噪分离单元，根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

[0026] 上述的风噪声抑制系统，其中，所述重构风噪声信号单元包括：

[0027] 第一采集模块，采集获取所述风噪声信号；

[0028] 经验模态分解模块，对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；

[0029] 剔除模块，剔除多个所述分量信号中的高频分量信号；

[0030] 重构模块，将剩余的所述分量信号重构为所述重构风噪声信号。

[0031] 上述的风噪声抑制系统，其中，所述分解单元包括：

[0032] 第一提取模块，对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵；

[0033] 第二采集模块，采集获取所述混合信号；

[0034] 第二提取模块，对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵。

[0035] 上述的风噪声抑制系统，其中，所述第一提取模块及所述第二提取模块还通过目标函数来保证矩阵分解中的逼近效果。

[0036] 上述的风噪声抑制系统，其中，所述信噪分离单元包括：

[0037] 模型构建模块，根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；

[0038] 目标信号获得模块，通过所述信噪混合分离模型根据CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。

[0039] 本发明还提供一种炮声检测方法，其中，包括上述中任一项所述的风噪声抑制方法，对膛口波信号进行识别和检测。

[0040] 本发明还提供一种炮声检测系统，其中，包括上述中任一项所述的风噪声抑制系统，用于对膛口波信号进行识别和检测。

[0041] 本发明针对于现有技术其功效在于：本发明结合经验模态分解方法，利用改进的卷积非负矩阵联合特征分解技术，抑制风噪声，实现对膛口波的信噪分离。本发明将经验模态分解方法和卷积非负矩阵分解方法相结合，提出一种联合特征分解下的风噪声抑制技术，实现其在炮声检测中，对风噪声抑制的应用；实现了在卷积非负矩阵分解方法的框架下，对膛口波信号的检测和识别。

附图说明

[0042] 图1为现有风噪抑制流程图；

[0043] 图2为原始信号示意图；

[0044] 图3为滤波后信号示意图；

[0045] 图4为本发明风噪声抑制方法的流程图；

[0046] 图5为图4中步骤S1的分步骤流程图；

[0047] 图6为图4中步骤S2的分步骤流程图；

[0048] 图7为图4中步骤S3的分步骤流程图；

[0049] 图8为本发明滤波后信号示意图；

[0050] 图9为本发明风噪声抑制系统的结构示意图。

[0051] 其中，附图标记：

[0052] 重构风噪声信号单元 11

[0053] 第一采集模块 111

[0054] 经验模态分解模块 112

[0055] 剔除模块 113

[0056] 重构模块 114

[0057] 分解单元 12

[0058] 第一提取模块 121

[0059] 第二采集模块 122

[0060] 第二提取模块 123

[0061] 信噪分离单元 13

[0062] 模型构建模块 131

[0063] 目标信号获得模块 132

具体实施方式

[0064] 兹有关本发明的详细内容及技术说明，现以一较佳实施例来作进一步说明，但不应被解释为对本发明实施的限制。

[0065] 本发明针对CSNMF算法无法抑制膛口波中风噪的难题，结合经验模态分解技术和卷积非负矩阵分解技术，提出EMD-CSNMF技术，实现对风噪声信号和膛口信号的联合特征分解，实现信噪分离。

[0066] 本发明首先，在卷积非负矩阵分解技术的框架下，采集风噪声信号，对其进行经验模态分解，分解出各类本征模态函数，解析出风噪声信号包络的高频成分、低频成分等各分量信号；剔除第一高频分量后，其中第一高频分量为分量信号中频率最高的分量信号，将剩下的分量信号重构为风噪声信号；其次，将重构信号运用卷积非负矩阵分解技术，提取重构风噪声信号的基矩阵，实现对重构风噪声的特征提取；再次，运用卷积非负矩阵分解技术，对带有炮声的混合信号进行卷积非负矩阵分解，提取混合信号的基矩阵，实现对混合信号的特征提取；最后，建立信噪混合分离模型，根据传统卷积非负矩阵分解技术，实现对目标信号的重构。

[0067] 请参照图4-图7，图4为本发明风噪声抑制方法的流程图；图5为图4中步骤S1的分步骤流程图；图6为图4中步骤S2的分步骤流程图；图7为图4中步骤S3的分步骤流程图。如图4-图7所示，本发明的风噪声抑制方法包括：

[0068] 步骤S1：对采集的风噪声信号进行经验模态分解后再进行重构以获得重构风噪声信号。

[0069] 其中，于步骤S1中包括：

[0070] 步骤S11：采集获取所述风噪声信号。

[0071] 步骤S12：对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号。

[0072] 具体地说，经验模态分解法是NE.Huang等研究非线性问题和希尔伯特变换时提出的，它既能使信号分解具有唯一性又能在时域和频域同时具有良好的局部化性质。信号一旦分解完毕，又可根据工程问题的要求灵活实现重构。

[0073] 假设任何信号都由不同的本征模态函数(IMF)组成，每个IMF可以是线性的，也可以是非线性的，IMF分量必须满足下面两个条件：一是其极值点个数和过零点数相同或最多相差一个，二是其上下包络关于时间轴局部对称。这样任何一个信号就可以分解为有限个IMF之和。

[0074] 分解过程基于以下假设：(a)信号最少有一个极大值和一个极小值；(b)时域特性由极值间隔决定；(c)如果数据序列完全缺乏极值但是仅包含拐点，那么它也可通过求导一次或多次来揭示极值点，而最终结果可以由这些成分求积分来获得。具体方法是由一个“筛选”过程完成的，其分解过程如下：

[0075] (1)首先找出风噪信号w(t)中所有的极大值点并将其用三次样条函数拟合成原数据序列的上包络线，以及所有的极小值点并将其用三次样条函数拟合成原数据序列的下包络线。

[0076] (2)计算上下包络线的均值，记为m1(t)；将原数据序列w(t)减去该均值即：

[0077] w(t)-m1(t)＝h1(t)   (1)

[0078] (3)因为h1(t)一般仍不是一个IMF分量序列，为此需要对它重复进行上述处理过程。重复进行上述处理过程k次，直到h1(t)符合IMF的定义要求，所得到的均值趋于零为止，这样就得到了第1个IMF分量c1(t)，它代表信号x(t)中最高频率的分量：

[0079] h1(k-1)(t)-m1(k-1)(t)＝h1k(t)   (2)

[0080] c1(t)＝h1k(t)   (3)

[0081] (4)将c1(t)从w(t)中提取出来，即得到一个去掉高频分量的差值信号r1(t)，即有：

[0082] r1(t)＝w(t)-c1(t)   (4)

[0083] (5)将r1(t)作为原始数据，重复流程(1)、(2)、(3)，得到第二个IMF分量c2(t)，重复n次，得到n个IMF分量。即：

[0084]

[0085] 当cn(t)或rn(t)满足给定的终止条件(rn(t)单调时)时，循环结束。由式(1)～(5)可得：

[0086]

[0087] 其中，rn(t)为残余函数；cj(t)为IMF分量，包含了不同时间特征的尺度大小的成分，尺度依次由小到大。至此，经验模态分解法各特征分量分解完毕。

[0088] 步骤S13：剔除所述多个分量信号中的高频分量信号；

[0089] 此步骤剔除第一高频特征分量c1(t)。风噪声中的第一高频分量代表了风噪声与膛口波希尔伯特(Hilber)谱变换后的重叠部分。通过剔除第一高频特征分量的措施，减少膛口波信号和处理后的风噪声之间的Hilber谱重叠区域，降低两者的相关性，以提高信噪分离的效果。

[0090] 希尔伯特(Hilber)谱是指与经验模态分解(EMD)所对应的谱分析方法，其是与傅立叶变化下的谱分析方法是不同的方法，具有较好的时频聚集性。傅立叶变化下的谱分析方法对应傅立叶(Fourier)谱，其时域局部信号的频率需要完整的振荡波周期才能实现统计，但是，不具有完整振荡波的短时时域脉冲信号，无法在傅立叶(Fourier)谱下得到有效统计。时域脉冲信号在傅立叶(Fourier)谱下的频谱图展现为频率谱线宽频带、大离散、缺乏聚集性的特性，这也是CSNMF算法无法处理低信噪比下的脉冲信号的根本原因。

[0091] 希尔伯特(Hilber)谱中定义的瞬时频率，不同于傅立叶(Fourier)谱，其不需要完整的振荡波周期也能通过瞬时频率的定义，研究信号局部的频率特征，因此，希尔伯特(Hilber)谱能更好反应信号的局部特征，这方面优于傅立叶(Fourier)谱。希尔伯特(Hilber)谱能更好的分析非平稳信号，即使信号频率随时间变化，也能反映信号的振动特点。

[0092] 第一高频特征分量c1(t)代表了风噪声信号时域中的最外层包络的高频信号，这部分信号包络与膛口波的最外层包络高度重合。剔除第一高频特征分量c1(t)后，在此后再使用CSNMF算法时，膛口波信号和风噪声之间的时频重叠区域减少，从而实现了信噪分离。

[0093] 步骤S14：将剩余的分量信号重构以得到所述重构风噪声信号。

[0094] 步骤S2：对采集的混合信号及所述重构风噪声信号分别进行卷积非负矩阵分解。

[0095] 其中，于步骤S2中包括：

[0096] 步骤S21：对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵；

[0097] 步骤S22：采集获取所述混合信号；

[0098] 步骤S23：对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵和信号编码矩阵。其中，提取所述重构风噪声信号的噪声基矩阵和噪声编码矩阵和提取所述混合信号的信号基矩阵和信号编码矩阵的方法相同。

[0099] 需要说明的是，此处的风噪声是剔除第一高频分量c1(t)后的剩余噪声；带噪信号是实时采集的噪声和炮声的混合信号。

[0100] 具体地说，已知非负矩阵X(通常为含噪信号的时频表达)，寻找一种分解方法，使其等于两个非负矩阵D和C的乘积，采用卷积模型，即

[0101]

[0102] 式中X,Λ∈R≥0,M×N,D∈R≥0,M×R和C∈R≥0,R×N。矩阵D为基矩阵(Dictionary matrix)，其包含的列向量为基向量，矩阵X中的列向量即是由矩阵D里面的基向量线性组合构成；矩阵C称之为编码矩阵(code matrix)，包含了由基向量构建矩阵X的组合方式。通常情况下R小于M及N，用少量的基向量表征大量的数据向量。

[0103] 其中，在矩阵分解中，完全精确的分解过程是难以实现的，因此一般通过定义目标函数来保证矩阵分解中的逼近效果。目标函数一般可通过两矩阵的差值来构建，常用的构建方法有最小平方准则(LS)或散度准则：

[0104]

[0105] 其迭代公示为：

[0106]

[0107]

[0108] 对目标函数收敛性的判断一般可以通过计算目标函数的相对变换率来完成，如果目标函数相对变化率小于阈值ε，则可认为目标函数收敛。

[0109] 步骤S3：根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离，以获得纯净的目标信号。

[0110] 其中，于步骤S3中包括：

[0111] 步骤S31：根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型。

[0112] 具体地说，建立信噪混合分离模型，信号由炮声信号和噪声信号组成：

[0113] x(t)＝s(t)+w(t)   (11)

[0114] 对带噪信号进行短时傅立叶变换(STFT)获得信噪混合分离模型，将其分成纯净目标信号和风噪声两部分：

[0115]

[0116] 步骤S32：基于所述信噪混合分离模型，采用CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。

[0117] 对风噪声进行信号分解后，获得能够表征风噪声特性的基矩阵Dwτ。然后根据式(12)中的目标信号、风噪声的混合模型，再用CSNMF算法对带噪目标信号进行分解运算，得到基矩阵Dsτ和编码矩阵 的乘积，最后根据式(13)进行信号重建，得到降噪后的目标信号S，即纯净的目标信号。

[0118]

[0119] 以下结合图2、图3及图8，图8为本发明滤波后信号示意图，说明本发明的滤波效果。

[0120] 从EMD-CSNMF算法的图8对比图2，可以看到，在28秒时间附近，图8成功分离出了膛口波信号。因此，EMD-CSNMF算法在信噪分离的过程中，在剔除风噪声的同时，成功保留了膛口波信号，实现了在CSNMF算法框架下的信噪分离任务，抑制了风噪声，提高了膛口波信噪比水平。

[0121] 本发明还提供一种炮声检测方法，使用中所述的风噪声抑制方法，对膛口波信号进行识别和检测，具体地说，针对CSNMF算法无法抑制膛口波中风噪的难题，本专利技术结合经验模态分解技术和卷积非负矩阵分解技术，提出EMD-CSNMF技术，实现对风噪声信号和膛口信号的联合特征分解，实现信噪分离。

[0122] 请参照图9，图9为本发明风噪声抑制系统的结构示意图。如图9所示，本发明风噪声抑制系统包括：

[0123] 重构风噪声信号单元11，对采集的风噪声信号进行经验模态分解后再对所述风噪声信号进行重构后获得重构风噪声信号；

[0124] 分解单元12，对所述重构风噪声信号及混合信号分别进行卷积非负矩阵分解；

[0125] 信噪分离单元13，根据分解结果构建信噪混合分离模型，通过所述信噪混合分离模型对实时采集的混合信号进行信噪分离后，获得纯净的目标信号。

[0126] 其中，所述重构风噪声信号单元11包括：

[0127] 第一采集模块111，采集获取所述风噪声信号；

[0128] 经验模态分解模块112，对所述风噪声信号进行经验模态分解，分解出各类本征模态函数，并解析出风噪声信号包络的多个分量信号；

[0129] 剔除模块113，剔除多个所述分量信号中的高频分量信号；

[0130] 重构模块114，将剩余的所述分量信号重构为所述重构风噪声信号。

[0131] 其中，所述分解单元12包括：

[0132] 第一提取模块121，对所述重构风噪声信号进行卷积非负矩阵分解，提取所述重构风噪声信号的噪声基矩阵；

[0133] 第二采集模块122，采集获取所述混合信号；

[0134] 第二提取模块123，对所述混合信号进行卷积非负矩阵分解，提取所述混合信号的信号基矩阵。

[0135] 其中，所述第一提取模块及所述第二提取模块还通过目标函数来保证矩阵分解中的逼近效果。

[0136] 其中，所述信噪分离单元13包括：

[0137] 模型构建模块131，根据所述重构风噪声信号的噪声基矩阵及所述混合信号的信号基矩阵构建所述信噪混合分离模型；

[0138] 目标信号获得模块132，通过所述信噪混合分离模型根据CSNMF算法对实时采集的混合信号进行分解运算，再对分解运算的结果进行重构，以获得纯净的所述目标信号。

[0139] 本发明还提供一种炮声检测方法，其中，包括前述中所述的风噪声抑制方法，对膛口波信号进行识别和检测。

[0140] 本发明还提供一种炮声检测系统，其中，包括前述中所述的风噪声抑制系统，用于对膛口波信号进行识别和检测。

[0141] 综上所述，本发明的联合特征分解的风噪声抑制技术，实现在卷积非负矩阵分解框架下的膛口波检测和风噪声抑制。

[0142] 上述仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。