Новий спільний алгоритм усунення шумів векторного гідрофону MMS

вступ

Під час дослідження океану за допомогою аналізу та обробки сигналу, отриманого гідрофоном, можна отримати цільову категорію джерела звуку та відповідний кут, положення та інші параметри стану. Однак різні шуми та перешкоди неминуче будуть змішані з гідрофоном під час збору даних. Таким чином, для подальшого виявлення, ідентифікації та визначення місцезнаходження сигналу слід максимально усунути вплив цих шумових перешкод. Існує багато основних алгоритмів шумоподавлення сигналу підводного акустичного перетворювача : традиційний метод фільтрації Фур’є, метод вейвлет-перетворення та метод емпіричного розкладання мод. Усі ці алгоритми матимуть певний ефект усунення шумів на зашумлені сигнали, але вони також мають деякі недоліки. Традиційне вейвлет-знищення має проблеми з тим, як вибрати бази вейвлетів і кількість рівнів розкладання. Запропоновано алгоритм обробки сигналу, декомпозицію емпіричного режиму. Цьому алгоритму не потрібно встановлювати базову функцію, але він вироблятиме модальне накладення, яке призведе до зміщення двох суміжних форм сигналу внутрішньої модальної функції під час реконструкції. Тут ще багато шуму. U et al. запропонував для цього алгоритм колективного емпіричного режиму, додавши допоміжний білий шум, щоб зменшити вплив модального псевдоніму, але він не може гарантувати, що білий шум, введений у процесі декомпозиції, може повністю усунути P1. Варіативна модальна декомпозиція — це новий алгоритм модальної декомпозиції. Алгоритм реалізує ефективне розділення властивих модальних функцій шляхом визначення частотного центру та смуги пропускання кожної властивої модальної функції [має міцну теоретичну основу та може краще вирішити проблему модального псевдоніму. Відповідно до теорії алгоритму VMD, перед використанням розкладання VMD на вихідному сигналі знешумлення необхідно заздалегідь встановити кількість модальних компонентів fc і коефіцієнт штрафного терміну% розкладання VMD. Значення fc і значення 'value безпосередньо пов’язані з кінцевим результатом декомпозиції. Якщо значення c занадто мале, розкладання сигналу буде недостатнім. Якщо значення занадто велике, генеруватимуться помилкові компоненти сигналу, що спричинить перешкоди для аналізу корисних компонентів вихідного сигналу. Якщо a занадто велике, пропускна здатність модального сигналу буде меншою, і навпаки, якщо a менша, пропускна здатність сигналу Таким чином, визначення значення і відіграє життєво важливу роль в алгоритмі VMD, але більшість параметрів алгоритму VMD встановлюються на основі людського досвіду як порівняння. [У відповідь на вищезазначені проблеми пропонується новий метод, заснований на параметрах V MD fc і a, що приймає середню квадратичну помилку реконструйованого сигналу як функцію пристосування. алгоритму та знаходить оптимальну суму для досягнення мети зменшення шуму.

 

2 Основні принципи. Принцип роботи VM D — це нерекурсивний адаптивний алгоритм обробки сигналів. Варіаційна задача з обмеженням пропускної здатності, що відповідає алгоритму V MD

 

 

Алгоритм синус косинус

Алгоритм синуса та косинуса) — це новий тип алгоритму оптимізації ройового інтелекту підводний гідрофонний перетворювач . При використанні алгоритму SCA для пошуку оптимізації його можна розділити на два процеси. По-перше, це процес дослідження. Алгоритм оптимізації швидко досліджує можливу область у просторі пошуку, комбінуючи випадкове рішення серед усіх випадкових рішень, а другий є паралельним процесом. , Випадкове рішення поступово змінюється, і швидкість його зміни нижча за швидкість процесу дослідження, тому його конкретне оновлення.

 

Алгоритм рою частинок

 

Алгоритм роя частинок (є алгоритмом оптимізації інтелекту роя. В алгоритмі PSO напрямок і відстань руху частинки визначаються швидкістю частинки, а динамічне коригування швидкості частинки здійснюється на основі досвіду руху самої та інших частинок. Таким чином, оптимізація частинки в розв’язному просторі додатково реалізується так, що в кожній ітерації процесу, швидкість і положення частинки оновлюються шляхом оновлення індивідуального екстремуму. У формулі швидкість i-ї частинки в d-вимірі є індивідуальним оптимальним значенням i-ї частинки в i-му вимірі i-та ітерація; друга ітерація; w - коефіцієнти інерції, які є невід'ємними числами;

 

Принцип Wavelet Soft Threshold Denoising

Принцип вейвлет-м’якого порогового зменшення шуму: спочатку зашумлений сигнал розкладається ортогонально, а вейвлет-коефіцієнти отримуються після розкладання? Потім встановіть поріг A і порівняйте. Якщо величина десять і А, коефіцієнт в основному створюється шумом; якщо коефіцієнт в основному створюється сигналом. Нарешті, зворотне вейвлет-перетворення виконується на вейвлет-коефіцієнтах для отримання сигналу війни після усунення шумів. Формула оцінки м'якого порогу.

 

Алгоритм SCA-PSO-VMD-WT, запропонований у цій статті, базується на аналізі та теоретичній основі. У цьому документі пропонується алгоритм SCA-PSO-VMD-WT для зменшення шуму. Зашумлений сигнал розкладається за допомогою V MD для отримання модального компонента, і визначається, чи є модальний компонент шумовим компонентом, і зашумлений модальний компонент вибирається для вейвлет-порогового усунення шуму, а потім сигнал реконструюється за допомогою відділення водню для отримання знешумленого сигналу. Середньоквадратична помилка (RMSE) реконструйованого сигналу береться як функція придатності SC AP SO, щоб знайти оптимальні fc і a для досягнення мети зменшення шуму. Запропонований SCA-P SO-VM D-WT Алгоритм зменшення шуму в основному поділяється на W кроків: установіть параметр f методу гри, максимальну кількість ітерацій встановлено на 30, кількість популяції встановлено на 20,2 позицію ініціалізації та швидкість. У цьому документі параметри VMD ft і a використовуються як вектор позиції алгоритму. Оновіть позицію та швидкість, щоб обчислити значення функції придатності. Використовуйте формулу, щоб оновити положення, використовуйте формулу, щоб оновити швидкість, і виведіть оптимальні та глобальні оптимальні значення функції фітнесу.

 

 

Імітаційний експеримент

Програмне забезпечення, яке використовувалося в експерименті в цій статті, — Matlab R20 14. Сигнал моделювання — sj jM 0 речень. Щоб зробити симуляційний експеримент більш реалістичним, до сигналу симуляції додається випадковий шум. Однак rtr r — під час дослідження океану інтенсивність шуму підводних акустичних сигналів є змінною через вплив океанографії та діяльності людини. Щоб змоделювати цю ситуацію, у цій статті буде додано білий шум Гауса, індикаторами оцінки ефекту шумозаглушення в цьому документі є середньоквадратична помилка (RMSE) і співвідношення сигнал/шум (SNHJ. для порівняння, одночасно.

 

Алгоритм

 

Алгоритм і результат усунення шумів алгоритму. На малюнку 1 показано вихідний сигнал і шумовий сигнал під різними децибелами. малюнок. Ефекти усунення шумів від різних алгоритмів усунення шумів. У таблиці 1 наведено порівняння показників оцінки шумозаглушення.

 

Порівнявши рисунок 1 з малюнком 2-малюнком 6, виявлено, що чотири алгоритми можуть ефективно видаляти гаусівський і білий шуми в зашумленому сигналі при різних децибелах, але шумозаглушувальний ефект алгоритму VMD-WT слабкий, а метод VMD-WT зашумлення решітки полягає у виконанні вейвлет-порогового зняття шумів після розкладання зашумленого сигналу. за допомогою VMD, який показує, що вибір параметрів VMD для A: і a має дуже чіткий вплив на f зменшення шуму fi; порівняно з алгоритмом усунення шумів VMD-WT. Ефекти усунення шумів алгоритмів PSO-VMD-WT і SCA-VMD-WT були певною мірою покращені, але з таблиці 1 видно, що алгоритм усунення шумів SCA-PSO-VMD-WT використовується в SNR і RMS. Е має кращі результати. .

 

 

 Вимірювання

Фактичний вимірювальний експеримент із векторним гідрофоном MEMS був проведений дослідниками з Ключової лабораторії Північного університету Китаю у другому водосховищі Фенхе. Гідрофон ST був закріплений на березі, датчик був розміщений на буксирі, а відстань між буксиром і масивом була поступово збільшена, вибирайте різні позиції, щоб залишитися на якорі, використовуйте перетворювач для передачі сигналу, а потім виконайте збір даних. Цей експеримент перехоплює сигнали 8000 Гц і 10000 Гц у 1000 точках, щоб отримати шумозаглушення. Попередній виміряний сигнал. На рисунках 7 і 8 представлені виміряні сигнали та їх частотні спектри 800 Гц і 1000 Гц відповідно, а також сигнал усунення шумів і їхні частотні спектри.

Спостерігаючи за малюнком 7, виявляється, що: вхідний сигнал 80 Гц має менший високочастотний шум, а форма хвилі гладка після усунення шумів. Ефект шумозаглушення цього алгоритму хороший. Спостереження за малюнком 8 виявляє, що вхідний сигнал HZ має більше спектральних задирок, що вказує на шум T. Шум великий, основні характеристики сигналу джерела звуку зберігаються після усунення шумів, і ефект усунення шумів у цього алгоритму хороший. .

 

 

на закінчення

Націлений на проблему випадкового шуму в сигналі підводного акустичного датчика , у цій статті пропонується метод усунення шумів SC AP SO-V MD-WT. В експерименті з моделюванням шляхом порівняння показників оцінки алгоритмів VMD-WT, PSO-VMD-WT і SCA-VMD-WT при різних децибелах виявлено, що SCA-PSO-VMD-WT, запропонований у цій статті, чудовий шумовий алгоритм: алгоритми PVMD-WT, PSO-VMD-WT і SCA-VMD-WT. Таким чином, запропонований у цьому документі алгоритм усунення шумів SCA-PSO-VMD-WT можна використовувати для усунення шумів у виміряних даних сигналу. Результати показують, що: Ефект усунення шумів алгоритму SCA-PSO-VMD-WT очевидний, що вказує на те, що метод, запропонований у цій статті, має ефект усунення шумів. Мати певну довідку.