Un nouvel algorithme de débroussage conjoint de l'hydrophone vectoriel MMS

Introduction

Dans l'exploration de l'océan, par l'analyse et le traitement du signal reçu par l'hydrophone, la catégorie cible de la source sonore et son angle, sa position et d'autres paramètres d'état sont obtenus. Cependant, différents bruits et interférences seront inévitablement mélangés dans l'hydrophone lors de la collecte de données. Par conséquent, afin de détecter, identifier et localiser davantage le signal, l'influence de ces interférences de bruit doit être éliminée autant que possible. Il existe de nombreux algorithmes principaux pourtransducteur acoustique sous-marinDénoissage du signal: méthode de filtrage de Fourier traditionnelle, méthode de transformation en ondelettes et méthode de décomposition en mode empirique. Ces algorithmes auront tous un certain effet de débraillé sur les signaux bruyants, mais ils ont également quelques lacunes. Le débroussage des ondelettes traditionnel a des problèmes dans la façon de sélectionner les bases d'ondelettes et le nombre de niveaux de décomposition. Un algorithme de traitement du signal, décomposition en mode empirique, est proposé. Cet algorithme n'a pas besoin de définir la fonction de base, mais il produira un aliasing modal, ce qui entraînera l'alias des deux formes d'onde de fonction modale intrinsèques adjacentes lors de la reconstruction. Il y a encore beaucoup de bruit mélangé. U et al. a proposé un algorithme de mode empirique collectif pour cela, ajoutant du bruit blanc auxiliaire pour réduire l'influence de l'aliasing modal, mais il ne peut garantir que le bruit blanc introduit dans le processus de décomposition peut complètement éliminer P1. La décomposition modale variationnelle est un nouvel algorithme de décomposition modale. L'algorithme réalise la séparation effective des fonctions modales inhérentes en déterminant le centre de fréquence et la bande passante de chaque fonction modale inhérente [a une base théorique solide et peut mieux résoudre le problème de l'aliasing modal. Selon la théorie de l'algorithme VMD, avant d'utiliser la décomposition de VMD sur le signal de débrassement d'origine, le nombre de composants modaux FC et le pour terme de pénalité pour% de la décomposition VMD doivent être fixés à l'avance. La valeur de FC et la valeur de \"\" sont directement liées au résultat de décomposition finale. Si la valeur de C est trop petite, la décomposition du signal sera insuffisante. Si la valeur est trop grande, les composants de faux signaux seront générés, ce qui entraînera une interférence à l'analyse des composants utiles du signal d'origine. Si A est trop grand, la bande passante du modal sera plus petite, au contraire, si A est plus petit, la bande passante du modal sera plus grande. Par conséquent. , la détermination de la valeur et joue un rôle vital dans l'algorithme VMD, mais la plupart des paramètres de l'algorithme VMD sont définis sur la base de l'expérience humaine. Il est donc proposé. L'algorithme optimise les paramètres V MD FC et A, prend l'erreur quadratique moyenne du signal reconstruit comme fonction de fitness de l'algorithme, et trouve la somme optimale pour atteindre le but de la réduction du bruit.

2 principes de base. Le principe de la VM D est un algorithme adaptatif non réécursif pour le traitement du signal. Problème variationnel contraint la bande passante correspondant à l'algorithme V MD

Algorithme sinus

Algorithme sinus et cosintransducteur hydrophone sous-marin. Lorsque vous utilisez l'algorithme SCA pour rechercher l'optimisation, il peut être divisé en deux processus. Le premier est un processus d'exploration. L'algorithme d'optimisation explore rapidement la région réalisable dans l'espace de recherche en combinant une solution aléatoire parmi toutes les solutions aléatoires, et la seconde est un processus parallèle. , La solution aléatoire change progressivement, et sa vitesse de changement est inférieure à la vitesse du processus d'exploration, donc sa mise à jour spécifique.

Algorithme d'essaim de particules

Algorithme d'essaim de particules (est un algorithme d'optimisation de l'intelligence d'essaims. Dans l'algorithme PSO, la direction et la distance du mouvement des particules sont déterminées par la vitesse de la particule, et l'ajustement dynamique de la vitesse des particules est effectué en fonction de l'expérience de mouvement de l'expérience de mouvement de lui-même et d'autres particules. De cette façon, l'optimisation de la particule dans l'espace résoluble est plus en outre réalisée de sorte que dans chaque processus d'itération, la vitesse et la position de la particule sont mises à jour en mettant à jour l'extrême individuel et l'extrême global. La mise à jour spécifique processus. Dans la formule, c'est la RTH itération. Lorsque la vitesse de la i-ème particule dans la dimension D est la valeur optimale individuelle de la i-ème particule dans la dimension d dans la ith itération; c'est la Round entier de la i-ème particule dans la dimension D dans la ith itération. La valeur optimale; est la deuxième itération ?: La position de la particule dans la dimension D; w est le poids d'inertie; C1 et C2 un concernant les facteurs d'accélération, qui sont des constantes non négatives; Nombres aléatoires entre 0.

Principe du seuil doux en ondelettes

Le principe du seuil doux en ondelettes: Premièrement, le signal bruyant est décomposé orthogonalement et les coefficients d'ondelettes sont obtenus après décomposition? Réglez ensuite un seuil A et comparez. Si l'ampleur de dix et a, le coefficient est principalement produit par le bruit; Si le coefficient est principalement produit par le signal. Enfin, la transformée en ondelettes inverses est effectuée sur les coefficients d'ondelettes pour obtenir la guerre du signal après le débraillé. La formule d'estimation du seuil souple.

L'algorithme SCA-PSO-VMD-WT proposé dans cet article est basé sur l'analyse et la base théorique. Cet article propose l'algorithme SCA-PSO-VMD-WT pour la réduction du bruit. Le signal bruyant est décomposé par V MD pour obtenir le composant modal, et si le composant modal est un composant de bruit est déterminé, et le composant modal bruyant est sélectionné pour le débraillage du seuil d'ondelet Signal débrouillé. L'erreur quadratique moyenne (RMSE) du signal reconstruit est considérée comme la fonction de fitness de SC A-P afin de trouver le FC optimal et A pour atteindre le but de la réduction du bruit. Le SCA-P SO-V-V-WT proposé La réduction du bruit de l'algorithme est principalement divisée en W Étapes: Définissez le paramètre de la méthode du jeu F, le nombre maximum d'itérations est réglé sur 30, le numéro de population est défini sur une position et une vitesse d'initialisation de 20,2 . Dans cet article, les paramètres VMD FT et A sont utilisés comme vecteur de position de l'algorithme ．Update la position et la vitesse pour calculer la valeur de la fonction de fitness. Utilisez la formule pour mettre à jour la position, utilisez la formule pour mettre à jour la vitesse et publiez les valeurs optimales et globales de fonctions de fitness optimales.

Expérience de simulation

Le logiciel utilisé dans l'expérience de cet article est MATLAB R20 14 Le signal de simulation est SJ JM 0 phrases. Afin de rendre l'expérience de simulation plus réaliste, un bruit aléatoire est ajouté au signal de simulation. Cependant, RTR R - dans l'exploration de l'océan, l'intensité du bruit des signaux acoustiques sous-marines est variable en raison de l'influence de l'océanographie océanique et des activités humaines. Afin de simuler cette situation, cet article sera complété par le bruit blanc gaussien, les indicateurs d'évaluation de l'effet de débrassement dans cet article sont une erreur quadratique moyenne (RMSE) et un rapport signal / bruit (snhj. Pour comparaison, à AT le même temps.

Algorithme

L'algorithme et le résultat du débroussage de l'algorithme. La figure 1 montre le signal d'origine et le signal bruyant sous différents décibels. Chiffre. Les effets de débroussage de différents algorithmes de débraillement. Le tableau 1 montre la comparaison des indices d'évaluation du débrage.

En comparant la figure 1 avec la figure 2-figure 6, il est constaté que les quatre algorithmes peuvent éliminer efficacement le bruit gaussien et blanc dans le signal bruyant sous différents décibels, mais l'effet de débrassement de l'algorithme de débrassement VMD-WT est médiocre, et le VMD - La méthode de la grille WT Deninging est d'effectuer un débroussage de seuil en ondelettes après avoir décomposé le signal bruyant par VMD, qui montre que le choix des paramètres VMD pour A: et a a un effet très clair sur le déniisation du signal F FI; Par rapport à l'algorithme de débrassement VMD-WT, les effets de débrassement des algorithmes PSO-VMD-WT et SCA-VMD-WT ont été améliorés dans une certaine mesure, mais à partir du tableau 1, on peut voir que le SCA-PSO-VMD -Le algorithme de dénomination WT est utilisé dans SNR et RMS. E a de meilleurs résultats. .

La mesure

L'expérience de mesure réelle de l'hydrophone vectoriel MEMS a été réalisée par des chercheurs du laboratoire clé de l'Université du Nord de Chine dans le deuxième réservoir de Fenhe. L'hydrophone St a été fixé sur la rive, le transducteur a été placé sur le remorqueur, et la distance entre le remorque le recueil. Cette expérience intercepte les signaux de 8000 Hz et 1 0000 Hz à 1 000 points pour obtenir le débroussage. Le signal mesuré précédent. La figure 7 et la figure 8 sont les signaux mesurés et leurs spectres de fréquence de 800 Hz et 1000 Hz, respectivement, et le signal de débraillé et leurs spectres de fréquence.

L'observation de la figure 7 révèle que: le signal d'entrée de 80 Hz a un bruit moins haute fréquence, et la forme d'onde est lisse après le débroussage. L'effet de débraillé de cet algorithme est bon. L'observation de la figure 8 constate que le signal d'entrée de Hz a des terrifiants plus spectraux, ce qui indique que le bruit T. Le bruit est important, les caractéristiques de base du signal de source sonore sont conservées après le débarras et l'effet de débrassement de cet algorithme est bon. .

en conclusion

Visant le problème du bruit aléatoire dans le signal ducapteur acoustique sous-marin, Cet article propose la méthode SC A-P SO-V MD-WT Dennising. Dans l'expérience de simulation, en comparant les indicateurs d'évaluation des algorithmes VMD-WT, PSO-VMD-WT et SCA-VMD-WT sous différents décibels, il est constaté que le SCA-PSO-VMD-WT a proposé dans cet article un excellent bruit Algorithme: PVMD-WT, Algorithmes PSO-VMD-WT et SCA-VMD-WT. Par conséquent, l'algorithme SCA-PSO-VMD-WT proposé dans cet article peut être utilisé pour dénicher les données de signal mesurées. Les résultats montrent que: l'effet de débraillé de l'algorithme SCA-PSO-VMD-WT est clair, ce qui indique que la méthode proposée dans cet article a un effet de débarras. Avoir une certaine référence.