En ny gemensam denoising-algoritm för MMS-vektorhydrofon

Introduktion

Vid havsutforskning, genom analys och bearbetning av signalen som tas emot av hydrofonen, kan målkategorin för ljudkällan och dess relaterade vinkel, position och andra tillståndsparametrar erhållas. Men olika ljud och störningar kommer oundvikligen att blandas in i hydrofonen under datainsamlingen. Därför, för att ytterligare detektera, identifiera och lokalisera signalen, måste påverkan av dessa brusstörningar elimineras så mycket som möjligt. Det finns många huvudalgoritmer för undervattens akustisk omvandlarsignalnedsättning: traditionell Fourier-filtreringsmetod, vågtransformeringsmetod och empirisk nedbrytningsmetod. Dessa algoritmer kommer alla att ha en viss störningseffekt på brusiga signaler, men de har också vissa brister. Traditionell wavelet denoising har problem med hur man väljer wavelet baser och antalet nedbrytningsnivåer. En signalbehandlingsalgoritm, empirisk sönderdelning, föreslås. Denna algoritm behöver inte ställa in basfunktionen, men den kommer att producera modal aliasing, vilket kommer att göra att de två intilliggande vågformerna för inre modalfunktioner alias vid rekonstruktion. Det är fortfarande mycket ljud blandat in. U et al. föreslog en kollektiv empirisk algoritm för detta, som lägger till extra vitt brus för att minska påverkan av modal aliasing, men det kan inte garantera att det vita bruset som introduceras i nedbrytningsprocessen helt kan eliminera P1. Variationsmodal nedbrytning är en ny modal nedbrytningsalgoritm. Algoritmen realiserar den effektiva separationen av de inneboende modala funktionerna genom att bestämma frekvenscentrum och bandbredd för varje inneboende modal funktion [har en solid teoretisk grund och kan bättre lösa problemet med modal aliasing. Enligt teorin för VMD-algoritmen måste antalet modala komponenter fc och strafftermfaktorn % av VMD-nedbrytningen ställas in i förväg innan VMD-nedbrytningen används på den ursprungliga signalen för avbrusning. Värdet på fc och värdet på 'värde är direkt relaterade till det slutliga sönderdelningsresultatet. Om värdet på c är för litet kommer signalsönderdelningen att vara otillräcklig. Om värdet är för stort genereras falska signalkomponenter, vilket kommer att störa analysen av de användbara komponenterna i den ursprungliga signalen. Om a är för stor, är bandbredden på modalen tvärtom mindre, om modal blir bandbredden mindre, om modal är bandbredden mindre vara större, bestämningen av värdet och spelar en viktig roll i VMD-algoritmen, men de flesta parametrarna för VMD-algoritmen är inställda baserat på mänskliga erfarenheter som en jämförelse. algoritm, och hittar den optimala summan för att uppnå syftet med brusreducering.

 

2 Grundläggande principer. Principen för VM D är en icke-rekursiv adaptiv algoritm för signalbehandling. Bandbreddsbegränsad variationsproblem som motsvarar V MD-algoritmen

 

 

Sinus cosinus algoritm

Sinus and Cosine Algorithm) är en ny typ av svärmintelligensoptimeringsalgoritm för undervattens hydrofongivare . När man använder SCA-algoritmen för att söka efter optimering kan den delas upp i två processer. Den första är en prospekteringsprocess. Optimeringsalgoritmen utforskar snabbt den möjliga regionen i sökutrymmet genom att kombinera en slumpmässig lösning bland alla slumpmässiga lösningar, och den andra är en parallell process. , Den slumpmässiga lösningen förändras gradvis, och dess ändringshastighet är lägre än hastigheten på utforskningsprocessen, så dess specifika uppdatering.

 

Partikelsvärmalgoritm

 

Partikelsvärmalgoritm (är en optimeringsalgoritm för svärmintelligens. I PSO-algoritmen bestäms riktningen och avståndet för partikelrörelsen av partikelns hastighet, och den dynamiska justeringen av partikelhastigheten utförs baserat på rörelseupplevelsen av sig själv och andra partiklar. På detta sätt, optimeringen av partikeln så att partikelns rörelsehastighet i varje lösbar process i varje utrymme och lösbar process kan realiseras i varje utrymme. positionen för partikeln uppdateras genom att uppdatera det individuella extremumet. I formeln är det den r:te partikelns hastighet i d-dimensionen i d-dimensionen, den är den optimala i den andra iterationen?: positionen för partikeln i dimensionen d är tröghetsvikten C1 och C2 är accelerationsfaktorerna, som är icke-negativa konstanter mellan 0;

 

Principen för Wavelet Soft Threshold Denoising

Principen för mjuk tröskelnedsättning för wavelet: För det första sönderdelas den brusiga signalen ortogonalt och wavelet-koefficienterna erhålls efter nedbrytning? Sätt sedan en tröskel A och jämför. Om magnituden tio och A, produceras koefficienten huvudsakligen av brus; om koefficienten huvudsakligen produceras av signalen. Slutligen utförs den inversa wavelet-transformen på wavelet-koefficienterna för att erhålla signalkrigföringen efter nedbrusning. Uppskattningsformeln för den mjuka tröskeln.

 

SCA-PSO-VMD-WT-algoritmen som föreslås i detta dokument är baserad på analysen och den teoretiska grunden. Detta dokument föreslår SCA-PSO-VMD-WT-algoritmen för brusreducering. Den brusiga signalen sönderdelas av V MD för att erhålla modalkomponenten, och huruvida modalkomponenten är en bruskomponent bestäms, och den brusiga modala komponenten väljs för wavelet-tröskelnedsättning, och sedan rekonstrueras signalen genom väteseparation för att erhålla den brusiga signalen. Rotmedelkvadratfelet (RMSE.) för den rekonstruerade signalen tas som konditionsfunktionen för SC AP SO för att hitta den optimala fc och a för att uppnå syftet med brusreducering. Den föreslagna SCA-P SO-VM D-WT Algoritmen brusreducering är huvudsakligen uppdelad i W-steg: ställ in spelmetodparametern f, det maximala antalet iterationer ställs in på 30, befolkningsantalet ställs in på 20,2 initialiseringsposition och hastighet. I detta dokument används VMD-parametrarna ft och a som positionsvektorn för algoritmen. Uppdatera positionen och hastighetsbrunnen för att beräkna fitnessfunktionens värde. Använd formeln för att uppdatera positionen, använd formeln för att uppdatera hastigheten och mata ut de optimala och globala optimala konditionsfunktionsvärdena.

 

 

Simuleringsexperiment

Mjukvaran som används i experimentet i denna artikel är Matlab R20 14 Simuleringssignalen är sj jM 0 meningar. För att göra simuleringsexperimentet mer realistiskt läggs slumpmässigt brus till simuleringssignalen. Emellertid, rtr r—I havsutforskning är brusintensiteten hos akustiska undervattenssignaler varierande på grund av inverkan av oceanografi och mänskliga aktiviteter. För att simulera denna situation kommer den här artikeln att lägga till, Gaussiskt vitt brus, utvärderingsindikatorerna för bruseffekten i denna artikel är root mean square error (RMSE) och signal-to-brus ratio (SNHJ. för jämförelse, samtidigt.

 

Algoritm

 

Algoritmen och denoising-resultatet av algoritmen. Figur 1 visar den ursprungliga signalen och den brusiga signalen under olika decibel. Figur. Denoising-effekterna av olika denoising-algoritmer. Tabell 1 visar jämförelsen av denoising-utvärderingsindex.

 

Genom att jämföra figur 1 med figur 2-figur 6, har det visat sig att de fyra algoritmerna effektivt kan ta bort det gaussiska och vita bruset i den brusiga signalen under olika decibel, men den denoising-effekten av VMD-WT-denoising-algoritmen är dålig, och VMD- The WT-denoising-denoising-denoising-grate-metoden är att utföra nodecomposing-through- signal av VMD, vilket visar att valet av VMD-parametrar för A: och a har en mycket tydlig effekt på f-signalen som avbruter fi; jämfört med VMD-WT-denoising-algoritmen, har denoising-effekterna av PSO-VMD-WT- och SCA-VMD-WT-algoritmerna förbättrats i viss utsträckning, men från tabell 1 kan man se att SCA-PSO-VMD-WT-denoising-algoritmen används i SNR och RMS. E har bättre resultat. .

 

 

 Mått

Själva mätexperimentet av MEMS-vektorhydrofonen utfördes av forskare från Key Laboratory of North University of China i Fenhe Second Reservoir. Hydrofonen ST fixerades på stranden, givaren placerades på bogserbåten och avståndet mellan bogserbåten och arrayen ökades gradvis, välj olika positioner för att förankras, använd givaren för att överföra signalen och utför sedan datainsamling. Detta experiment fångar upp signalerna 8 000 HZ och 1 0000 HZ vid 1 000 punkter för att erhålla denoising. Den tidigare uppmätta signalen. Figur 7 och figur 8 är de uppmätta signalerna och deras frekvensspektrum på 800 Hz respektive 1000 Hz, och avbrusningssignalen och deras frekvensspektrum.

Genom att observera Fig. 7 finner man att: insignalen på 80 Hz har mindre högfrekvent brus och vågformen är jämn efter brusnedsättning. Denoising-effekten av denna algoritm är bra. Genom att observera Fig. 8 finner man att insignalen för HZ har fler spektrala grader, vilket indikerar att brus T. Bruset är stort, de grundläggande egenskaperna hos ljudkällans signal bibehålls efter nedbrusning, och den brusreducerande effekten av denna algoritm är god. .

 

 

avslutningsvis

Syftar på problemet med slumpmässigt brus i signalen från undervattens akustisk sensor , detta dokument föreslår SC AP SO-V MD-WT denoising-metoden. I simuleringsexperimentet, genom att jämföra utvärderingsindikatorerna för algoritmerna VMD-WT, PSO-VMD-WT och SCA-VMD-WT under olika decibel, har det visat sig att SCA-PSO-VMD-WT som föreslagits i denna artikel Utmärkt brusalgoritm: PVMD-WT , PMVTDSO-Vms. Därför kan SCA-PSO-VMD-WT-denoising-algoritmen som föreslås i detta dokument användas för att försvaga uppmätta signaldata. Resultaten visar att: Den deoising-effekten av SCA-PSO-VMD-WT-algoritmen är tydlig, vilket indikerar att den metod som föreslås i denna artikel har en denoising-effekt. Ha en viss referens.