基于K近邻算法的噪声种类识别和强度估计

摘要：

对于目前噪声种类识别和强度估计方法都是针对单噪声,无法估计混合噪声中源噪声的强度的问题,提出了一种有距离阈值的K近邻(KNN)算法,实现对单噪声和混合噪声的种类识别,并结合混合噪声识别结果和噪声基重构估计混合噪声中源噪声的强度.首先,选用频域数据分布作为特征向量;然后,采用噪声种类识别算法进行种类识别,并且在噪声基重构过程中以重构噪声与真实噪声的频域余弦距离作为强度估计算法的最优化评价标准;最后,实现对源噪声强度的估计.在两个测试数据库上的实验结果表明,所提算法的噪声种类识别的平均精度高达98.135％,混合噪声强度估计的误差率为20.96％.实验结果验证了噪声种类识别算法的准确性和泛化性,以及混合噪声强度估计算法的可行性,并且该方法为混合噪声强度估计提供了新思路.采用该方法获取的混合噪声种类和强度信息有助于去噪方法和去噪参数的确定,进而提高去噪效率.

关键词：K近邻算法、距离阈值、噪声基重构、种类识别、强度估计、混合噪声

所属期刊栏目：40

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划项目;安徽省自然科学基金资助项目

在线出版日期：2020-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：264-270