Algoritme denoising gabungan baru dari hidrofon vektor MMS

Perkenalan

Dalam eksplorasi laut, melalui analisis dan pemrosesan sinyal yang diterima oleh hidrofon, kategori target sumber suara dan sudut terkait, posisi, dan parameter keadaan lainnya dapat diperoleh. Namun, berbagai kebisingan dan gangguan pasti akan tercampur ke dalam hidrofon selama pengumpulan data. Oleh karena itu, untuk mendeteksi, mengidentifikasi, dan menemukan lokasi sinyal lebih lanjut, pengaruh gangguan kebisingan ini harus dihilangkan semaksimal mungkin. Ada banyak algoritma utama untuk denoising sinyal transduser akustik bawah air : metode penyaringan Fourier tradisional, metode transformasi wavelet dan metode dekomposisi mode empiris. Semua algoritma ini akan mempunyai efek denoising tertentu pada sinyal-sinyal yang bising, namun mereka juga mempunyai beberapa kekurangan. Denoising wavelet tradisional memiliki masalah dalam cara memilih basis wavelet dan jumlah tingkat dekomposisi. Algoritma pemrosesan sinyal, dekomposisi mode empiris, diusulkan. Algoritme ini tidak perlu mengatur fungsi basis, tetapi akan menghasilkan modal aliasing, yang akan menyebabkan dua bentuk gelombang fungsi modal intrinsik yang berdekatan menjadi alias saat direkonstruksi. Masih banyak kebisingan yang tercampur. U dkk. mengusulkan algoritma mode empiris kolektif untuk ini, menambahkan white noise tambahan untuk mengurangi pengaruh modal aliasing, tetapi tidak dapat menjamin bahwa white noise yang diperkenalkan dalam proses dekomposisi dapat sepenuhnya menghilangkan P1. Dekomposisi modal variasi adalah algoritma dekomposisi modal baru. Algoritme ini mewujudkan pemisahan efektif fungsi modal bawaan dengan menentukan pusat frekuensi dan bandwidth dari setiap fungsi modal bawaan [memiliki landasan teori yang kuat dan dapat memecahkan masalah aliasing modal dengan lebih baik. Menurut teori algoritma VMD, sebelum menggunakan dekomposisi VMD pada sinyal denoising asli, jumlah komponen modal fc dan faktor hukuman% dari dekomposisi VMD perlu diatur terlebih dahulu. Nilai fc dan nilai 'nilai berhubungan langsung dengan hasil dekomposisi akhir. Jika nilai c terlalu kecil maka dekomposisi sinyal tidak mencukupi. Jika nilai terlalu besar akan dihasilkan komponen sinyal palsu yang akan menyebabkan gangguan pada analisis komponen berguna dari sinyal asli. Jika a terlalu besar maka bandwidth modal akan lebih kecil, sebaliknya jika a lebih kecil maka bandwidth modal akan lebih besar. Oleh karena itu, penentuan nilai dan memegang peranan penting dalam algoritma VMD, tetapi sebagian besar parameter algoritma VMD ditetapkan berdasarkan pengalaman manusia sebagai perbandingan.[Menanggapi masalah di atas, metode baru berdasarkan SC AP SO diusulkan. Algoritma ini mengoptimalkan parameter V MD fc dan a, mengambil kesalahan kuadrat rata-rata dari sinyal yang direkonstruksi sebagai fungsi kebugaran algoritma, dan menemukan jumlah optimal untuk mencapai tujuan pengurangan kebisingan.

 

2 Prinsip dasar. Prinsip VM D adalah algoritma adaptif non-rekursif untuk pemrosesan sinyal. Masalah Variasi Terbatas Bandwidth Sesuai dengan Algoritma V MD

 

 

Algoritma sinus cosinus

Algoritma Sine dan Cosine) adalah jenis baru dari algoritma optimasi kecerdasan gerombolan transduser hidrofon bawah air . Saat menggunakan algoritma SCA untuk mencari optimasi, dapat dibagi menjadi dua proses. Yang pertama adalah proses eksplorasi. Algoritma optimasi dengan cepat mengeksplorasi wilayah yang layak dalam ruang pencarian dengan menggabungkan solusi acak di antara semua solusi acak, dan yang kedua adalah proses paralel. , Solusi acak berubah secara bertahap, dan kecepatan perubahannya lebih rendah dari kecepatan proses eksplorasi, jadi pembaruannya spesifik.

 

Algoritma kawanan partikel

 

Algoritma gerombolan partikel (merupakan algoritma optimasi kecerdasan gerombolan. Dalam algoritma PSO, arah dan jarak pergerakan partikel ditentukan oleh kecepatan partikel, dan penyesuaian dinamis kecepatan partikel dilakukan berdasarkan pengalaman pergerakan partikel itu sendiri dan partikel lainnya. Dengan cara ini, optimalisasi partikel dalam ruang solvable lebih diwujudkan sehingga dalam setiap proses iterasi, kecepatan dan posisi partikel diperbarui dengan memperbarui ekstrem individu dan ekstrem global. Proses pembaruan spesifik. Dalam rumusnya, adalah iterasi ke-r. Bila kecepatan partikel ke-i pada dimensi-d adalah nilai optimal individual partikel ke-i pada dimensi-d pada iterasi ke-i; itu adalah seluruh putaran partikel ke-i pada dimensi-d pada iterasi ke-i. Nilai optimal; apakah A; iterasi kedua?: posisi partikel pada dimensi d; w adalah bobot inersia; konstanta; angka acak antara 0.

 

Prinsip Denoising Ambang Lunak Wavelet

Prinsip denoising ambang batas lunak wavelet: Pertama, sinyal noise didekomposisi secara ortogonal, dan koefisien wavelet diperoleh setelah dekomposisi? Kemudian tetapkan ambang batas A dan bandingkan. Jika besarnya sepuluh dan A, koefisien tersebut terutama dihasilkan oleh kebisingan; jika koefisien sebagian besar dihasilkan oleh sinyal. Terakhir, transformasi wavelet invers dilakukan pada koefisien wavelet untuk mendapatkan perang sinyal setelah denoising. Rumus estimasi ambang lunak.

 

Algoritma SCA-PSO-VMD-WT yang diusulkan dalam makalah ini didasarkan pada analisis dan landasan teori. Makalah ini mengusulkan algoritma SCA-PSO-VMD-WT untuk pengurangan kebisingan. Sinyal bising didekomposisi oleh V MD untuk mendapatkan komponen modal, dan apakah komponen modal merupakan komponen kebisingan ditentukan, dan komponen modal bising dipilih untuk denoising ambang wavelet, dan kemudian sinyal direkonstruksi dengan pemisahan hidrogen untuk mendapatkan sinyal denoisasi. Root mean square error (RMSE.) dari sinyal yang direkonstruksi diambil sebagai fungsi kebugaran SC AP SO untuk menemukan fc dan a optimal untuk mencapai tujuan pengurangan kebisingan. SCA-P SO-VM D-WT yang diusulkan Pengurangan kebisingan algoritma terutama dibagi menjadi langkah-langkah W: atur parameter metode permainan f, jumlah iterasi maksimum diatur ke 30, jumlah populasi diatur ke 20,2 posisi dan kecepatan inisialisasi. Dalam tulisan ini, parameter VMD ft dan a digunakan sebagai vektor posisi dari algoritma ．Update posisi dan kecepatan dengan baik untuk menghitung nilai fungsi kebugaran. Gunakan rumus untuk memperbarui posisi, gunakan rumus untuk memperbarui kecepatan, dan keluarkan nilai fungsi kebugaran optimal dan optimal global.

 

 

Eksperimen Simulasi

Perangkat lunak yang digunakan dalam percobaan pada makalah ini adalah Matlab R20 14 Sinyal simulasinya adalah kalimat sj jM 0. Untuk membuat eksperimen simulasi lebih realistis, noise acak ditambahkan ke sinyal simulasi. Namun, rtr r—Dalam eksplorasi laut, intensitas kebisingan sinyal akustik bawah air bervariasi karena pengaruh oseanografi kelautan dan aktivitas manusia. Untuk mensimulasikan situasi ini, artikel ini akan menambahkan-l, Gaussian white noise, indikator evaluasi efek denoising dalam makalah ini adalah root mean square error (RMSE) dan rasio signal-to-noise (SNHJ. sebagai perbandingan, pada saat yang sama.

 

Algoritma

 

Algoritma dan hasil denoising dari algoritma tersebut. Gambar 1 menunjukkan sinyal asli dan sinyal bising pada desibel yang berbeda. Angka. Efek denoising dari algoritma denoising yang berbeda. Tabel 1 menunjukkan perbandingan indeks evaluasi denoising.

 

Membandingkan Gambar 1 dengan Gambar 2-Gambar 6, ditemukan bahwa keempat algoritma dapat secara efektif menghilangkan Gaussian dan white noise dalam sinyal bising pada desibel yang berbeda, tetapi efek denoising dari algoritma denoising VMD-WT buruk, dan VMD- Metode denoising grate WT adalah melakukan denoising ambang batas wavelet setelah mendekomposisi sinyal noise dengan VMD, yang menunjukkan bahwa pilihan parameter VMD untuk A: dan a memiliki efek yang sangat jelas pada f penolakan sinyal fi; Dibandingkan dengan algoritma denoising VMD-WT, efek denoising dari algoritma PSO-VMD-WT dan SCA-VMD-WT telah ditingkatkan sampai batas tertentu, namun dari Tabel 1 terlihat bahwa algoritma denoising SCA-PSO-VMD-WT digunakan pada SNR dan RMS. E mempunyai hasil yang lebih baik. .

 

 

 Pengukuran

Eksperimen pengukuran sebenarnya dari hidrofon vektor MEMS dilakukan oleh para peneliti dari Laboratorium Kunci Universitas Utara Cina di Reservoir Kedua Fenhe. Hidrofon ST dipasang di tepian, transduser ditempatkan di kapal tunda, dan jarak antara kapal tunda dan susunannya ditingkatkan secara bertahap, pilih posisi berbeda untuk tetap berlabuh, gunakan transduser untuk mengirimkan sinyal, dan kemudian melakukan pengumpulan data. Eksperimen ini memotong sinyal 8000 HZ dan 10000 HZ pada 1.000 titik untuk mendapatkan denoising. Sinyal yang diukur sebelumnya. Gambar 7 dan Gambar 8 adalah sinyal terukur dan spektrum frekuensinya masing-masing 800 Hz dan 1000 Hz, serta sinyal denoising dan spektrum frekuensinya.

Mengamati Gambar 7 menemukan bahwa: sinyal input 80 Hz memiliki lebih sedikit noise frekuensi tinggi, dan bentuk gelombangnya halus setelah denoising. Efek denoising dari algoritma ini bagus. Mengamati Gambar 8 menemukan bahwa sinyal masukan HZ memiliki lebih banyak gerinda spektral, yang menunjukkan bahwa Kebisingan T. Kebisingan besar, karakteristik dasar sinyal sumber suara dipertahankan setelah denoising, dan efek denoising dari algoritma ini baik. .

 

 

sebagai kesimpulan

Bertujuan untuk masalah gangguan acak pada sinyal sensor akustik bawah air , makalah ini mengusulkan metode denoising SC AP SO-V MD-WT. Dalam percobaan simulasi, dengan membandingkan indikator evaluasi algoritma VMD-WT, PSO-VMD-WT dan SCA-VMD-WT pada desibel yang berbeda, ditemukan bahwa SCA-PSO-VMD-WT yang diusulkan dalam makalah ini Algoritma noise yang sangat baik: Algoritma PVMD-WT , PSO-VMD-WT dan SCA-VMD-WT. Oleh karena itu, algoritma denoising SCA-PSO-VMD-WT yang diusulkan dalam makalah ini dapat digunakan untuk melakukan denoise pada data sinyal yang diukur. Hasilnya menunjukkan bahwa: Efek denoising dari algoritma SCA-PSO-VMD-WT jelas, menunjukkan bahwa metode yang diusulkan dalam makalah ini memiliki efek denoising. Miliki referensi tertentu.