Un nuovo algoritmo di denoising congiunto dell'idrofono vettoriale MMS

Introduzione

Nell'esplorazione oceanica, attraverso l'analisi e l'elaborazione del segnale ricevuto dall'idrofono, è possibile ottenere la categoria target della sorgente sonora e il relativo angolo, posizione e altri parametri di stato. Tuttavia, diversi rumori e interferenze verranno inevitabilmente mescolati nell'idrofono durante la raccolta dei dati. Pertanto, per rilevare, identificare e localizzare ulteriormente il segnale, l'influenza di queste interferenze di rumore deve essere eliminata il più possibile. Esistono molti algoritmi principali per di trasduttori acustici subacquei : metodo tradizionale di filtraggio di Fourier, metodo della trasformata wavelet e metodo di decomposizione in modalità empirica. Denoising del segnale Questi algoritmi avranno tutti un certo effetto di riduzione del rumore sui segnali rumorosi, ma presentano anche alcuni limiti. Il tradizionale denoising wavelet presenta problemi su come selezionare le basi wavelet e il numero di livelli di decomposizione. Viene proposto un algoritmo di elaborazione del segnale, decomposizione in modalità empirica. Questo algoritmo non ha bisogno di impostare la funzione di base, ma produrrà un aliasing modale, che causerà l'aliasing delle due forme d'onda della funzione modale intrinseca adiacenti durante la ricostruzione. C'è ancora molto rumore mescolato. U et al. ha proposto un algoritmo di modalità empirica collettiva per questo, aggiungendo rumore bianco ausiliario per ridurre l'influenza dell'aliasing modale, ma non può garantire che il rumore bianco introdotto nel processo di decomposizione possa eliminare completamente P1. La decomposizione modale variazionale è un nuovo algoritmo di decomposizione modale. L'algoritmo realizza l'effettiva separazione delle funzioni modali intrinseche determinando il centro di frequenza e la larghezza di banda di ciascuna funzione modale intrinseca [ha solide basi teoriche e può risolvere meglio il problema dell'aliasing modale. Secondo la teoria dell'algoritmo VMD, prima di utilizzare la scomposizione VMD sul segnale di denoising originale, è necessario impostare in anticipo il numero di componenti modali fc e il fattore del termine di penalità% della scomposizione VMD. Il valore di fc e il valore di 'value sono direttamente correlati al risultato della decomposizione finale. Se il valore di c è troppo piccolo, la decomposizione del segnale sarà insufficiente. Se il valore è troppo grande, verranno generate false componenti del segnale, che causeranno interferenze nell'analisi delle componenti utili del segnale originale. Se a è troppo grande, la larghezza di banda del modale sarà inferiore, al contrario, se a è inferiore, la larghezza di banda del modale sarà maggiore. Pertanto, la determinazione del valore e gioca un ruolo vitale ruolo nell'algoritmo VMD, ma la maggior parte dei parametri dell'algoritmo VMD sono impostati in base all'esperienza umana come confronto. [In risposta ai problemi di cui sopra, viene proposto un nuovo metodo basato su SC AP SO. L'algoritmo ottimizza i parametri V MD fc e a, prende l'errore quadratico medio del segnale ricostruito come funzione di fitness dell'algoritmo e trova la somma ottimale per raggiungere lo scopo di riduzione del rumore.

 

2 Principi fondamentali. Il principio di VM D è un algoritmo adattivo non ricorsivo per l'elaborazione del segnale. Problema variazionale vincolato alla larghezza di banda corrispondente all'algoritmo V MD

 

 

Algoritmo seno coseno

Algoritmo seno e coseno) è un nuovo tipo di algoritmo di ottimizzazione dell'intelligenza dello sciame trasduttore idrofono subacqueo . Quando si utilizza l'algoritmo SCA per cercare l'ottimizzazione, è possibile dividerlo in due processi. Il primo è un processo di esplorazione. L'algoritmo di ottimizzazione esplora rapidamente la regione ammissibile nello spazio di ricerca combinando una soluzione casuale tra tutte le soluzioni casuali e la seconda è un processo parallelo. , La soluzione casuale cambia gradualmente e la sua velocità di cambiamento è inferiore alla velocità del processo di esplorazione, quindi il suo aggiornamento specifico.

 

Algoritmo dello sciame di particelle

 

Algoritmo dello sciame di particelle (è un algoritmo di ottimizzazione dell'intelligenza dello sciame. Nell'algoritmo PSO, la direzione e la distanza del movimento delle particelle sono determinate dalla velocità della particella e la regolazione dinamica della velocità della particella viene effettuata in base all'esperienza di movimento di se stessa e di altre particelle. In questo modo, l'ottimizzazione della particella nello spazio risolvibile viene ulteriormente realizzata in modo che in ogni processo di iterazione, la velocità e la posizione della particella vengano aggiornate aggiornando l'estremo individuale e l'estremo globale. Il processo di aggiornamento specifico. Nel formula, è l'iterazione r. Quando la velocità della particella i-esima nella dimensione d è il valore ottimale individuale della particella i-esima nella dimensione d nell'iterazione i-esima; è l'intero giro della particella i-esima nella dimensione d nell'iterazione i-esima Il valore ottimale è la seconda iterazione?: la posizione della particella nella dimensione d; costanti non negative; numeri casuali compresi tra 0.

 

Principio del denoising Wavelet Soft Threshold

Il principio del denoising a soglia morbida wavelet: in primo luogo, il segnale rumoroso viene scomposto ortogonalmente e i coefficienti wavelet vengono ottenuti dopo la decomposizione? Quindi imposta una soglia A e confronta. Se la magnitudo è dieci e A, il coefficiente è prodotto principalmente dal rumore; se il coefficiente è prodotto principalmente dal segnale. Infine, la trasformata wavelet inversa viene eseguita sui coefficienti wavelet per ottenere la guerra del segnale dopo il denoising. La formula di stima della soglia soft.

 

L'algoritmo SCA-PSO-VMD-WT proposto in questo documento si basa sull'analisi e sulle basi teoriche. Questo articolo propone l'algoritmo SCA-PSO-VMD-WT per la riduzione del rumore. Il segnale rumoroso viene decomposto da V MD per ottenere la componente modale, e viene determinato se la componente modale è una componente di rumore, e la componente modale rumorosa viene selezionata per la denoisizzazione della soglia wavelet, quindi il segnale viene ricostruito mediante separazione dell'idrogeno per ottenere il segnale denoizzato. L'errore quadratico medio (RMSE.) del segnale ricostruito viene preso come funzione di fitness di SC AP SO per trovare fc e a ottimali per raggiungere lo scopo di riduzione del rumore. La proposta SCA-P SO-VM D-WT L'algoritmo di riduzione del rumore è principalmente suddiviso in W passaggi: impostare il parametro del metodo di gioco f, il numero massimo di iterazioni è impostato su 30, il numero di popolazione è impostato su 20.2 posizione e velocità di inizializzazione. In questo documento, i parametri VMD ft e a vengono utilizzati come vettore di posizione dell'algoritmo ．Aggiorna la posizione e la velocità per calcolare il valore della funzione fitness. Utilizzare la formula per aggiornare la posizione, utilizzare la formula per aggiornare la velocità e generare i valori ottimali e globali della funzione fitness ottimale.

 

 

Esperimento di simulazione

Il software utilizzato nell'esperimento in questo articolo è Matlab R20 14 Il segnale di simulazione è sj jM 0 frasi. Per rendere l'esperimento di simulazione più realistico, al segnale di simulazione viene aggiunto del rumore casuale. Tuttavia, rtr r: nell'esplorazione oceanica, l'intensità del rumore dei segnali acustici subacquei è variabile a causa dell'influenza dell'oceanografia oceanica e delle attività umane. Per simulare questa situazione, questo articolo aggiungerà l, rumore bianco gaussiano, gli indicatori di valutazione dell'effetto di denoising in questo documento sono l'errore quadratico medio (RMSE) e il rapporto segnale-rumore (SNHJ. per confronto, allo stesso tempo.

 

Algoritmo

 

L'algoritmo e il risultato di denoising dell'algoritmo. La Figura 1 mostra il segnale originale e il segnale rumoroso sotto diversi decibel. Figura. Gli effetti di denoising di diversi algoritmi di denoising. La tabella 1 mostra il confronto degli indici di valutazione del denoising.

 

Confrontando la Figura 1 con la Figura 2-Figura 6, si scopre che i quattro algoritmi possono rimuovere efficacemente il rumore gaussiano e bianco nel segnale rumoroso sotto diversi decibel, ma l'effetto di denoising dell'algoritmo di denoising VMD-WT è scarso e il metodo della griglia di denoising VMD-WT consiste nell'eseguire il denoising con soglia wavelet dopo aver scomposto il segnale rumoroso mediante VMD, il che dimostra che la scelta dei parametri VMD per A: e a ha un aspetto molto chiaro effetto sul denoising del segnale f fi; rispetto all'algoritmo di denoising VMD-WT, gli effetti di denoising degli algoritmi PSO-VMD-WT e SCA-VMD-WT sono stati migliorati in una certa misura, ma dalla Tabella 1 si può vedere che l'algoritmo di denoising SCA-PSO-VMD-WT è utilizzato in SNR e RMS. E ha risultati migliori. .

 

 

 Misurazione

L'esperimento di misurazione vero e proprio dell'idrofono vettoriale MEMS è stato condotto dai ricercatori del Key Laboratory della North University of China nel Fenhe Second Reservoir. L'idrofono ST è stato fissato sulla riva, il trasduttore è stato posizionato sul rimorchiatore e la distanza tra il rimorchiatore e l'array è stata gradualmente aumentata, scegliere diverse posizioni per rimanere ancorati, utilizzare il trasduttore per trasmettere il segnale e quindi effettuare la raccolta dei dati. Questo esperimento intercetta i segnali di 8000 HZ e 1 0000 HZ in 1.000 punti per ottenere il denoising. Il segnale misurato precedente. La Figura 7 e la Figura 8 sono i segnali misurati e i relativi spettri di frequenza di 800 Hz e 1000 Hz, rispettivamente, e il segnale di denoising e i relativi spettri di frequenza.

Osservando la Fig. 7 si rileva che: il segnale di ingresso di 80 Hz presenta meno rumore ad alta frequenza e la forma d'onda è uniforme dopo la rimozione del rumore. L'effetto di denoising di questo algoritmo è buono. Osservando la Fig. 8 si rileva che il segnale di ingresso di HZ presenta più sbavature spettrali, il che indica che Rumore T. Il rumore è ampio, le caratteristiche di base del segnale della sorgente sonora vengono mantenute dopo la rimozione del rumore e l'effetto di rimozione del rumore di questo algoritmo è buono. .

 

 

Insomma

Mirando al problema del rumore casuale nel segnale del sensore acustico subacqueo , questo articolo propone il metodo di denoising SC AP SO-V MD-WT. Nell'esperimento di simulazione, confrontando gli indicatori di valutazione degli algoritmi VMD-WT, PSO-VMD-WT e SCA-VMD-WT sotto diversi decibel, si rileva che l'algoritmo SCA-PSO-VMD-WT proposto in questo documento Eccellente algoritmo di rumore: algoritmi PVMD-WT, PSO-VMD-WT e SCA-VMD-WT. Pertanto, l'algoritmo di denoising SCA-PSO-VMD-WT proposto in questo documento può essere utilizzato per eliminare il rumore dai dati del segnale misurato. I risultati mostrano che: L'effetto di denoising dell'algoritmo SCA-PSO-VMD-WT è chiaro, indicando che il metodo proposto in questo documento ha un effetto di denoising. Avere un certo riferimento.