یک الگوریتم جدید حذف نویز مشترک از هیدروفون وکتور MMS

مقدمه

در اکتشاف اقیانوس، از طریق تجزیه و تحلیل و پردازش سیگنال دریافتی توسط هیدروفون، می توان دسته هدف منبع صوتی و زاویه، موقعیت و سایر پارامترهای حالت مربوط به آن را بدست آورد. با این حال، صداها و تداخل های مختلف به ناچار در طول جمع آوری داده ها در هیدروفون مخلوط می شوند. بنابراین، به منظور شناسایی، شناسایی و مکان یابی بیشتر سیگنال، تأثیر این تداخل نویز باید تا حد امکان حذف شود. الگوریتم های اصلی زیادی برای حذف نویز سیگنال مبدل صوتی زیر آب : روش سنتی فیلتر فوریه، روش تبدیل موجک و روش تجزیه حالت تجربی. این الگوریتم‌ها همگی یک اثر نویز زدایی خاصی روی سیگنال‌های نویزدار خواهند داشت، اما کاستی‌هایی نیز دارند. حذف نویز موجک سنتی در نحوه انتخاب پایه موجک و تعداد سطوح تجزیه مشکلاتی دارد. یک الگوریتم پردازش سیگنال، تجزیه حالت تجربی، پیشنهاد شده است. این الگوریتم نیازی به تنظیم تابع پایه ندارد، اما نام مستعار مودال ایجاد می کند که باعث می شود دو شکل موج تابع مدال ذاتی مجاور در هنگام بازسازی نام مستعار شوند. هنوز سر و صدای زیادی وجود دارد. U et al. یک الگوریتم حالت تجربی جمعی برای این کار پیشنهاد کرد، با اضافه کردن نویز سفید کمکی برای کاهش تاثیر همخوانی مودال، اما نمی‌توان تضمین کرد که نویز سفید وارد شده در فرآیند تجزیه می‌تواند به طور کامل P1 را حذف کند. تجزیه مودال متغیر یک الگوریتم جدید تجزیه مودال است. این الگوریتم با تعیین مرکز فرکانس و پهنای باند هر تابع مودال ذاتی، جداسازی مؤثر توابع مودال ذاتی را درک می‌کند [پایه نظری محکمی دارد و می‌تواند مشکل الایاسینگ مودال را بهتر حل کند. طبق تئوری الگوریتم VMD، قبل از استفاده از تجزیه VMD بر روی سیگنال حذف نویز اصلی، تعداد اجزای مودال fc و ضریب مدت مجازات درصد تجزیه VMD باید از قبل تنظیم شود. مقدار fc و مقدار 'مستقیماً با نتیجه تجزیه نهایی مرتبط هستند. اگر مقدار c خیلی کوچک باشد، تجزیه سیگنال کافی نخواهد بود. اگر مقدار خیلی بزرگ باشد، اجزای سیگنال نادرست تولید می‌شود که باعث تداخل در تجزیه و تحلیل اجزای مفید سیگنال اصلی می‌شود. اگر a خیلی بزرگ باشد، پهنای باند روی a کوچک است، اگر a کوچک باشد، پهنای باند کوچک است. پهنای باند مودال بزرگتر خواهد بود، بنابراین، تعیین مقدار و نقش حیاتی در الگوریتم VMD دارد، اما بیشتر پارامترهای الگوریتم VMD بر اساس تجربیات انسانی تنظیم شده است [در پاسخ به مشکلات فوق، یک روش جدید بر اساس SC AP SO پیشنهاد شده است. سیگنال به عنوان تابع تناسب الگوریتم، و جمع بهینه برای رسیدن به هدف کاهش نویز را پیدا می کند.

 

2 اصول اساسی اصل VM D یک الگوریتم تطبیقی ​​غیر بازگشتی برای پردازش سیگنال است. مسئله تغییرات محدود پهنای باند مربوط به الگوریتم V MD

 

 

الگوریتم کسینوس سینوسی

الگوریتم سینوس و کسینوس) نوع جدیدی از الگوریتم بهینه سازی هوش ازدحام است. مبدل هیدروفون زیر آب . هنگام استفاده از الگوریتم SCA برای جستجوی بهینه سازی، می توان آن را به دو فرآیند تقسیم کرد. اولی یک فرآیند اکتشافی است. الگوریتم بهینه سازی به سرعت منطقه امکان پذیر را در فضای جستجو با ترکیب یک راه حل تصادفی در بین تمام راه حل های تصادفی بررسی می کند و دومی یک فرآیند موازی است. راه حل تصادفی به تدریج تغییر می کند و سرعت تغییر آن کمتر از سرعت فرآیند کاوش است، بنابراین به روز رسانی خاص آن است.

 

الگوریتم ازدحام ذرات

 

الگوریتم ازدحام ذرات (یک الگوریتم بهینه‌سازی هوش ازدحام است. در الگوریتم PSO جهت و فاصله حرکت ذرات با سرعت ذره تعیین می‌شود و تنظیم دینامیکی سرعت ذرات بر اساس تجربه حرکت خود و سایر ذرات انجام می‌شود. به این ترتیب، بهینه‌سازی هر ذره در موقعیت مکانی و سرعت هر ذره در محلول قابل تحقق است تا فضای بیشتری در محلول پیدا شود. ذره با به روز رسانی منفرد و اکستریموم به روز می شود مقدار بهینه A دومین تکرار است؟

 

اصل نویز زدایی آستانه نرم موجک

اصل حذف نویز آستانه نرم موجک: ابتدا سیگنال نویزدار به صورت متعامد تجزیه می شود و ضرایب موجک پس از تجزیه به دست می آید؟ سپس یک آستانه A تعیین کنید و مقایسه کنید. اگر قدر ده و A باشد، ضریب عمدتاً توسط نویز تولید می شود. اگر ضریب عمدتاً توسط سیگنال تولید شود. در نهایت، تبدیل موجک معکوس بر روی ضرایب موجک انجام می شود تا جنگ سیگنال پس از حذف نویز به دست آید. فرمول تخمین آستانه نرم.

 

الگوریتم SCA-PSO-VMD-WT پیشنهاد شده در این مقاله بر اساس تحلیل و مبنای نظری است. این مقاله الگوریتم SCA-PSO-VMD-WT را برای کاهش نویز پیشنهاد می کند. سیگنال نویزدار توسط V MD تجزیه می شود تا جزء مودال به دست آید و مشخص می شود که آیا جزء مودال جزء نویز است یا خیر، و جزء مودال نویز برای حذف نویز آستانه موجک انتخاب می شود و سپس سیگنال با جداسازی هیدروژن بازسازی می شود تا سیگنال حذف شده به دست آید. ریشه میانگین مربعات خطا (RMSE.) سیگنال بازسازی شده به عنوان تابع تناسب SC AP SO برای یافتن fc بهینه و a برای دستیابی به هدف کاهش نویز در نظر گرفته می شود. SCA-P SO-VM D-WT پیشنهادی کاهش نویز الگوریتم عمدتاً به مراحل W تقسیم می‌شود: پارامتر روش بازی f را تنظیم کنید، حداکثر تعداد تکرارها را روی 30 تنظیم کنید، تعداد جمعیت را روی موقعیت اولیه و سرعت 20.2 تنظیم کنید. در این مقاله، از پارامترهای VMD ft و a به عنوان بردار موقعیت الگوریتم استفاده می‌شود. موقعیت و سرعت را به خوبی به‌روزرسانی کنید تا مقدار تابع تناسب را محاسبه کنید. از فرمول برای به روز رسانی موقعیت، استفاده از فرمول برای به روز رسانی سرعت، و خروجی مقادیر تابع تناسب بهینه بهینه و جهانی استفاده کنید.

 

 

آزمایش شبیه سازی

نرم افزار مورد استفاده در آزمایش در این مقاله Matlab R20 14 سیگنال شبیه سازی sj jM 0 جمله است. به منظور واقعی‌تر کردن آزمایش شبیه‌سازی، نویز تصادفی به سیگنال شبیه‌سازی اضافه می‌شود. با این حال، rtrr - در اکتشاف اقیانوس، شدت نویز سیگنال‌های صوتی زیر آب به دلیل تأثیر اقیانوس‌شناسی اقیانوسی و فعالیت‌های انسانی متغیر است. به منظور شبیه‌سازی این وضعیت، این مقاله نویز سفید گاوسی را اضافه می‌کند، شاخص‌های ارزیابی اثر حذف نویز در این مقاله عبارتند از ریشه میانگین مربعات خطا (RMSE) و نسبت سیگنال به نویز (SNHJ. برای مقایسه، برای مقایسه).

 

الگوریتم

 

الگوریتم و نتیجه حذف نویز الگوریتم. شکل 1 سیگنال اصلی و سیگنال نویزدار را در دسی بل های مختلف نشان می دهد. شکل اثرات حذف نویز الگوریتم های مختلف حذف نویز جدول 1 مقایسه شاخص های ارزیابی حذف نویز را نشان می دهد.

 

با مقایسه شکل 1 با شکل 2-شکل 6، مشخص شد که چهار الگوریتم می توانند به طور موثر نویز گاوسی و سفید را در سیگنال نویز تحت دسی بل های مختلف حذف کنند، اما اثر نویز زدایی الگوریتم حذف نویز VMD-WT ضعیف است، و روش VMD- WT حذف نویز پس از نویز کردن، کارآمد نیست. تجزیه سیگنال نویزدار توسط VMD، که نشان می‌دهد که انتخاب پارامترهای VMD برای A: و a تأثیر بسیار واضحی بر کاهش صدای سیگنال f دارد. در مقایسه با الگوریتم حذف نویز VMD-WT، اثرات حذف نویز الگوریتم های PSO-VMD-WT و SCA-VMD-WT تا حدی بهبود یافته است، اما از جدول 1 می توان دریافت که الگوریتم حذف نویز SCA-PSO-VMD-WT در SNR و RMS استفاده می شود. E نتایج بهتری دارد. .

 

 

 اندازه گیری

آزمایش واقعی اندازه گیری هیدروفون بردار MEMS توسط محققان آزمایشگاه کلید دانشگاه شمالی چین در مخزن دوم Fenhe انجام شد. هیدروفون ST روی بانک ثابت شد، مبدل روی یدک کش قرار گرفت و فاصله بین یدک کش و آرایه به تدریج افزایش یافت، موقعیت های مختلف را برای ثابت ماندن انتخاب کنید، از مبدل برای انتقال سیگنال استفاده کنید و سپس جمع آوری داده ها را انجام دهید. این آزمایش سیگنال های 8000 هرتز و 10000 هرتز را در 1000 نقطه قطع می کند تا نویز زدایی به دست آید. سیگنال اندازه گیری قبلی شکل 7 و شکل 8 سیگنال های اندازه گیری شده و طیف فرکانس آنها به ترتیب 800 هرتز و 1000 هرتز و سیگنال حذف نویز و طیف فرکانس آنها هستند.

مشاهده شکل 7 نشان می دهد که: سیگنال ورودی 80 هرتز نویز فرکانس بالا کمتری دارد و شکل موج پس از حذف نویز صاف است. اثر حذف نویز این الگوریتم خوب است. مشاهده شکل 8 نشان می‌دهد که سیگنال ورودی HZ دارای سوراخ‌های طیفی بیشتری است، که نشان می‌دهد نویز T. نویز زیاد است، ویژگی‌های اصلی سیگنال منبع صدا پس از نویز کردن حفظ می‌شوند و اثر حذف نویز این الگوریتم خوب است. .

 

 

در نتیجه گیری

با هدف مشکل نویز تصادفی در سیگنال سنسور آکوستیک زیر آب ، این مقاله روش حذف نویز SC AP SO-V MD-WT را پیشنهاد می‌کند. در آزمایش شبیه‌سازی، با مقایسه شاخص‌های ارزیابی الگوریتم‌های VMD-WT، PSO-VMD-WT و SCA-VMD-WT در دسی‌بل‌های مختلف، مشخص شد که الگوریتم SCA-PSO-VMD-WT پیشنهاد شده در این مقاله الگوریتم نویز عالی: PVMD-WT، PSO-VMD-WT ، PSO-VMD-WT، و PSO-VMD-WT، algorithm. بنابراین، الگوریتم حذف نویز SCA-PSO-VMD-WT پیشنهاد شده در این مقاله می تواند برای حذف نویز داده های سیگنال اندازه گیری شده استفاده شود. نتایج نشان می دهد که: اثر نویز زدایی الگوریتم SCA-PSO-VMD-WT واضح است که نشان می دهد روش پیشنهادی در این مقاله دارای اثر نویز زدایی است. مرجع خاصی داشته باشید.