MMS-vektorihydrofonin uusi yhteinen vaimennusalgoritmi

Johdanto

Merentutkimuksessa hydrofonin vastaanottaman signaalin analysoinnin ja käsittelyn avulla voidaan saada äänilähteen kohdeluokka ja siihen liittyvät kulma-, sijainti- ja muut tilaparametrit. Erilaisia ​​ääniä ja häiriöitä sekoittuu kuitenkin väistämättä hydrofoniin tiedonkeruun aikana. Siksi signaalin edelleen havaitsemiseksi, tunnistamiseksi ja paikantamiseksi näiden kohinahäiriöiden vaikutus on eliminoitava niin paljon kuin mahdollista. On olemassa monia pääalgoritmeja vedenalaisen akustisen muuntimen signaalin kohinanpoisto: perinteinen Fourier-suodatusmenetelmä, aallokemuunnosmenetelmä ja empiirinen moodihajotusmenetelmä. Kaikilla näillä algoritmeilla on tietty vaimentava vaikutus kohinaisiin signaaleihin, mutta niissä on myös joitain puutteita. Perinteisellä aallokekohinanpoistolla on ongelmia aallokepohjan valinnassa ja hajoamistasojen lukumäärässä. Esitetään signaalinkäsittelyalgoritmi, empiirinen moodihajottelu. Tämän algoritmin ei tarvitse asettaa perusfunktiota, mutta se tuottaa modaalisen aliasoinnin, joka saa aikaan kahden vierekkäisen modaalifunktion aaltomuodon aliasoinnin rekonstruoitaessa. Mukana on edelleen paljon melua. U et al. ehdotti tätä varten kollektiivista empiiristä moodialgoritmia, joka lisää ylimääräistä valkoista kohinaa vähentämään modaalisen aliasoinnin vaikutusta, mutta se ei voi taata, että hajoamisprosessissa esiintyvä valkoinen kohina voi eliminoida kokonaan P1:n. Muunneltava modaalihajotus on uusi modaalihajotusalgoritmi. Algoritmi toteuttaa luontaisten modaalitoimintojen tehokkaan erottamisen määrittämällä kunkin luontaisen modaalifunktion taajuuskeskuksen ja kaistanleveyden [sillä on vankka teoreettinen perusta ja se voi paremmin ratkaista modaalisen aliasoinnin ongelman. VMD-algoritmin teorian mukaan, ennen kuin VMD-hajottelua käytetään alkuperäiseen kohinanpoistosignaaliin, modaalikomponenttien lukumäärä fc ja VMD-hajoamisen sakkotermitekijä% on asetettava etukäteen. Fc:n arvo ja arvon 'arvo liittyvät suoraan lopulliseen hajottelutulokseen. Jos c:n arvo on liian pieni, signaalin hajoaminen on riittämätön. Jos arvo on liian suuri, syntyy vääriä signaalikomponentteja, mikä häiritsee alkuperäisen signaalin hyödyllisten komponenttien analysointia. Jos a on liian suuri, kaistanleveys on pienempi, jos modaalin kaistanleveys on pienempi, modaali on siis suurempi, ja sillä on tärkeä rooli VMD-algoritmissa, mutta suurin osa VMD-algoritmin parametreista on asetettu vertailuksi [Vastauksena yllä oleviin ongelmiin ehdotetaan uutta menetelmää, joka perustuu SC AP SO:iin. algoritmi ja löytää optimaalisen summan kohinanvaimennustavoitteen saavuttamiseksi.

 

2 Perusperiaatteet. VM D:n periaate on ei-rekursiivinen adaptiivinen algoritmi signaalinkäsittelyyn. Kaistanleveyden rajoitettu vaihteluongelma, joka vastaa V MD -algoritmia

 

 

Sinikosini-algoritmi

Sini- ja kosinialgoritmi) on uudenlainen parviälyn optimointialgoritmi. vedenalainen hydrofonimuunnin . Kun SCA-algoritmia käytetään optimoinnin etsimiseen, se voidaan jakaa kahteen prosessiin. Ensimmäinen on tutkimusprosessi. Optimointialgoritmi tutkii nopeasti mahdollisen alueen hakuavaruudessa yhdistämällä satunnaisen ratkaisun kaikkien satunnaisten ratkaisujen joukosta, ja toinen on rinnakkaisprosessi. , Satunnaisratkaisu muuttuu vähitellen ja sen muutosnopeus on pienempi kuin etsintäprosessin nopeus, joten sen erityinen päivitys.

 

Hiukkasparvi-algoritmi

 

Hiukkasparvi-algoritmi (on parviälyn optimointialgoritmi. PSO-algoritmissa hiukkasen liikkeen suunta ja etäisyys määräytyy hiukkasen nopeuden mukaan, ja hiukkasnopeuden dynaaminen säätö tapahtuu itsensä ja muiden hiukkasten liikekokemuksen perusteella. Näin hiukkasen optimointi nopeuttaa ja sijoittuu edelleen solvaatiossa. hiukkasen päivitetään päivittämällä yksittäisen ääripään ja globaalin ääripään. Kaavassa se on r:s iteraatio, kun i:nnen hiukkasen nopeus d-ulottuvuus on i:nnen partikkelin i:nnen kierroksen iteraatio iteraatio on A toinen iteraatio?

 

Waveletin pehmeän kynnyksen vaimentamisen periaate

Pehmeän aallokkynnyksen vaimentamisen periaate: Ensinnäkin kohinainen signaali hajotetaan ortogonaalisesti ja aallokekertoimet saadaan hajotuksen jälkeen? Aseta sitten kynnys A ja vertaa. Jos suuruus on kymmenen ja A, kerroin syntyy pääasiassa melusta; jos kerroin on pääasiassa signaalin tuottama. Lopuksi käänteinen aallokemuunnos suoritetaan aallokekertoimille signaalisodan saamiseksi kohinan poistamisen jälkeen. Pehmeän kynnyksen estimointikaava.

 

Tässä artikkelissa ehdotettu SCA-PSO-VMD-WT-algoritmi perustuu analyysiin ja teoreettiseen perustaan. Tässä artikkelissa ehdotetaan SCA-PSO-VMD-WT-algoritmia kohinan vähentämiseen. V MD hajottaa kohinaisen signaalin modaalikomponentin saamiseksi, ja määritetään, onko modaalikomponentti kohinakomponentti, ja kohinainen modaalinen komponentti valitaan aallokkynnyksen vaimentamiseen, ja sitten signaali rekonstruoidaan vetyerottelulla kohinattoman signaalin saamiseksi. Rekonstruoidun signaalin neliövirhe (RMSE.) otetaan SC AP SO:n kuntofunktioksi optimaalisen fc:n ja a:n löytämiseksi kohinanvaimennustavoitteen saavuttamiseksi. Ehdotettu SCA-P SO-VM D-WT Algoritmin kohinanvaimennus on jaettu pääosin W vaiheeseen: aseta pelimenetelmän parametri f, iteraatioiden enimmäismääräksi asetetaan 30, väestömääräksi asetetaan 20,2 alustuspaikka ja nopeus. Tässä artikkelissa VMD-parametreja ft ja a käytetään algoritmin sijaintivektorina. Päivitä sijainti ja nopeus hyvin laskeaksesi kuntofunktion arvon. Käytä kaavaa päivittääksesi aseman, käytä kaavaa päivittääksesi nopeuden ja tulosta optimaaliset ja globaalit optimaaliset kuntofunktioarvot.

 

 

Simulaatiokoe

Tässä artikkelissa kokeessa käytetty ohjelmisto on Matlab R20 14 Simulaatiosignaali on sj jM 0 lausetta. Jotta simulaatiokokeilu olisi realistisempi, simulaatiosignaaliin lisätään satunnaista kohinaa. Kuitenkin rtr r — Valtameretettäessä vedenalaisten akustisten signaalien kohinan voimakkuus vaihtelee valtamerien ja ihmisen toiminnan vaikutuksesta. Tämän tilanteen simuloimiseksi tähän artikkeliin lisätään Gaussin valkoista kohinaa, melua vaimentavan vaikutuksen arviointiindikaattoreita tässä artikkelissa ovat neliövirhe (RMSE) ja signaali-kohinasuhde (SNHJ. vertailuksi, samaan aikaan).

 

Algoritmi

 

Algoritmi ja algoritmin kohinanpoistotulos. Kuvassa 1 on esitetty alkuperäinen signaali ja kohinainen signaali eri desibeleillä. Kuva. Eri vaimennusalgoritmien melunvaimennusvaikutukset. Taulukossa 1 on esitetty melunvaimennusarviointiindeksien vertailu.

 

Vertaamalla kuvaa 1 kuvioihin 2-6, havaitaan, että neljä algoritmia voivat tehokkaasti poistaa Gaussin ja valkoisen kohinan kohinaisesta signaalista eri desibeleillä, mutta VMD-WT:n kohinanpoistoalgoritmin kohinanvaimennusvaikutus on huono, ja VMD-The WT kohinanpoistomenetelmällä ei suoriteta aallonpoistoa. VMD:llä, joka osoittaa, että VMD-parametrien valinnalla A::lle ja a:lle on erittäin selvä vaikutus f-signaalin vaimentamiseen fi; VMD-WT kohinanpoistoalgoritmiin verrattuna PSO-VMD-WT- ja SCA-VMD-WT-algoritmien vaimentavia vaikutuksia on parannettu jossain määrin, mutta taulukosta 1 voidaan nähdä, että SCA-PSO-VMD-WT vaimennusalgoritmia käytetään SNR:ssä ja RMS:ssä. E:llä on parempia tuloksia. .

 

 

 Mittaus

MEMS-vektorihydrofonin varsinaisen mittauskokeen suorittivat tutkijat Pohjois-Kiinan yliopiston Key Laboratorysta Fenhen toisessa säiliössä. Hydrofoni ST kiinnitettiin rantaan, anturi asetettiin hinaajaan ja hinaajan ja ryhmän välistä etäisyyttä suurennettiin asteittain, valitse eri asennot pysyäksesi ankkuroituna, käytä kaikuanturia signaalin lähettämiseen ja suorita sitten tiedonkeruu. Tämä koe sieppaa 8000 Hz:n ja 1 0000 HZ:n signaalit 1 000 pisteessä kohinan poistamiseksi. Edellinen mitattu signaali. Kuvat 7 ja 8 ovat mitatut signaalit ja niiden taajuusspektrit 800 Hz ja 1000 Hz, vastaavasti, sekä kohinanvaimennussignaali ja niiden taajuusspektrit.

Tarkasteltaessa kuviota 7 havaitaan, että: 80 Hz:n tulosignaalissa on vähemmän korkeataajuista kohinaa ja aaltomuoto on tasainen kohinan poiston jälkeen. Tämän algoritmin melua vaimentava vaikutus on hyvä. Tarkasteltaessa kuviota 8 havaitaan, että HZ:n tulosignaalissa on enemmän spektrisiä purseita, mikä osoittaa, että Kohina T. Kohina on suuri, äänilähdesignaalin perusominaisuudet säilyvät kohinanpoiston jälkeen ja tämän algoritmin kohinanvaimennusvaikutus on hyvä. .

 

 

lopuksi

Tavoitteena on signaalin satunnaisen kohinan ongelma vedenalainen akustinen anturi , tässä artikkelissa ehdotetaan SC AP SO-V MD-WT -kohinanpoistomenetelmää. Simulaatiokokeessa vertaamalla VMD-WT-, PSO-VMD-WT- ja SCA-VMD-WT-algoritmien arviointiindikaattoreita eri desibeleillä, havaittiin, että tässä artikkelissa ehdotettu SCA-PSO-VMD-WT Erinomainen kohinaalgoritmi: PVMD-WT , PSO-VMD-WMD-WT ja SCA-VMD-WT-WT. Siksi tässä artikkelissa ehdotettua SCA-PSO-VMD-WT-kohinanpoistoalgoritmia voidaan käyttää vaimentamaan mitattua signaalidataa. Tulokset osoittavat, että: SCA-PSO-VMD-WT-algoritmin vaimennusvaikutus on selvä, mikä osoittaa, että tässä artikkelissa ehdotetulla menetelmällä on vaimennusvaikutus. On tietty viite.