CN106330343B - 一种基于小波包和模糊理论的水声信标信号提取方法 - Google Patents
一种基于小波包和模糊理论的水声信标信号提取方法 Download PDFInfo
- Publication number
- CN106330343B CN106330343B CN201510392978.1A CN201510392978A CN106330343B CN 106330343 B CN106330343 B CN 106330343B CN 201510392978 A CN201510392978 A CN 201510392978A CN 106330343 B CN106330343 B CN 106330343B
- Authority
- CN
- China
- Prior art keywords
- sequence
- wavelet packet
- signal
- beacon
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
本发明涉及一种基于小波包和模糊理论的水声信标信号提取方法,首先采用小波包的方法对信号频段进行细化,然后采用模糊阈值的方法进行小波包分解系数量化,提出噪声信号比最大值用以表征小波包序列中信号相对噪声的强度,并给出其计算方法和信标频率分布概率的简单计算方法,并将噪声信号比最大值与信标频率分布概率一起作为模糊输入,为了计算方便,模糊输出不再采用传统的曲线表示形式,而是定义模糊输出为0或1两个固定数值,建立模糊规则,利用模糊阈值对小波包进行量化并重构,此方法实现了多频率信标的自主提取,能够在复杂海洋条件下更加快速、清晰的提取信标信号,提高了信标信号的探测距离。
Description
技术领域
本发明涉及信号特征提取和模糊技术领域,特别涉及一种基于小波包和模糊理论的水声信标信号提取方法。
背景技术
水声信标是一种最常用的海洋声学仪器。它安装在水下载体上,按照一定规律发射信号,可与水声定位系统配合实现水下载体定位,也可为水下载体引航。近年来,其应用已不仅限于军事目的,在海洋渔业安全、海洋开发和海洋科考中的应用也日益广泛。
受到复杂海洋环境的影响,水声信标信号的快速准确提取是水声信号处理领域公认的难题,它是军事上实现水声装备现代化和武器智能化的关键技术,也是民用和商用领域增加产品科技含量,提升产品性能的法宝。
目前,对声信标信号的提取除了采用常规滤波方法,小波包、模糊理论等方法也逐渐得到应用。号称“数学显微镜”的小波包能将复杂的水声信号按频率细化,实现微弱信号的提取,但是其最终结果受系数量化阈值影响较大,对于非常微弱且多变的水声信号而言,阈值很难准确反映当前信号状态,从而导致信号提取失败。模糊理论可使小波包量化阈值按照模糊输入动态变化,从而使阈值反映信号的真实情况,该方法已经用于图像去噪,但模糊输出产生的阈值复杂多变,应用到水声信标信号提取领域较困难,因此急需一种将小波包和模糊理论结合起来提取远距离微弱水声信标信号的方法。
发明内容
本发明的目的在于提供一种基于小波包和模糊理论的水声信标信号提取方法,该方法将小波包和模糊理论相结合,对在远距离和嘈杂水域环境下提取的微弱水声信标信号进行处理,能够快速、准确地得出结果。
本发明解决技术问题采用的技术方案是:一种基于小波包和模糊理论的水声信标信号提取方法,其特征在于包括以下步骤:
一种基于小波包和模糊理论的水声信标信号提取方法,其特征在于包括以下步骤:
A、获取信号并根据信标频率进行滤波预处理,并对水下探测设备进行混频及降采样操作;
B、对步骤A获取的信号进行基于mallat的小波包分解,
计算不同小波包基下的小波包熵值,选取小波包熵值最小的小波包基作为最优小波包基,然后,利用最优小波包基对信号进行小波包分解,设定系统采样率为,信标频率为,对第一步得到的信号进行小波包分解,分解层数为N,在第N层上得到序列组,其下标代表各序列在序列组中的位置,其中表示该序列是序列组中第r个序列,序列共有个;
C、对步骤B得到的序列组进行信标频率分布概率计算,
D、对步骤B得到的序列组进行噪声信号比最大值计算,
先对序列组中的每个小波包序列进行单子带重构,设序列组中第i个序列单子带重构序列为,其中,n为原始信号长度,也是各重构序列的长度,针对每个重构序列,查找序列中数据最大值,用表示,并将以为中心信标发射长度内的数据视为信号,其余全部视为噪声,针对中的噪声数据,查找噪声数据最大值,用表示,然后用表示第i个序列的噪声信号比最大值,其计算方法如下式所示:
E、利用步骤C和D的结果进行基于模糊阈值的小波包分解系数量化,
综合步骤B、C和D的结果,建立、与的对应关系,针对步骤B得到的序列,选取其对应的信标频率分布概率以及噪声信号比最大值为模糊输入,设定信标频率分布概率隶属度函数,设定噪声信号比最大值隶属度函数,设定模糊输出为0或1这两个固定的数值,设序列的模糊输出为模糊阈值,则可用下式表示:
建立其模糊规则如下:
F、对步骤E得到的序列组进行基于mallat的小波包重构,提取信标信号,
本发明的有益效果是:采用小波包分解重构的方法增强了对微弱水声信号的提取效果,同时采用模糊阈值的方法,用噪声信号比最大值来表征小波序列中信号相对噪声的强度,并给出其计算方法以及信标频率分布概率的简单计算方法,将噪声信号比最大值与信标频率分布概率一起作为模糊输入,模糊输出采用设定固定值的方法,使小波包变换模糊阈值的计算变得方便快捷。本发明能够适应不同频率信标的需要,进一步有效抑制了海洋噪声对信号的影响,增强了信号提取能力,提高了信标信号的探测距离。
附图说明
图1是本发明信标频率分布概率隶属度函数图;
图2是本发明噪声信号比最大值隶属度函数图;
图3是本发明的一个实例的探测系统原理示意图;
图4是本发明基于小波包和模糊理论的水声信标信号提取方法流程框图;
图5原始信号图;
图6是本发明基于小波包和模糊理论的水声信标信号提取方法的小波包重构信号图;
图7是匹配滤波信号图。
具体实施方式
下面结合附图对本发明作进一步说明:
本发明利用水声定位设备采集置于水中的水声信标信号,水声定位设备采集到信号后,依据本发明所述的原理编写程序,并在显控终端显示最终结果。
实现本发明方法所采用的设备如图3所示,探测物1装有声信标,声信标入水后自动启动工作,以1秒为周期发射声脉冲信号,换能器2在水中接收声信标发出的声信号,并传送回探测主机3,在探测主机3是由信号调理模块4、信号采集模块5、信号处理模块6、显控终端7构成。信号调理模块4完成对接收到的声信号的调理,包括信号放大,滤波,然后,信号经信号采集模块5完成AD采样后到达信号处理模块6,信号处理模块6主要是将本发明基于小波包和模糊理论的水声信标信号提取方法在DSP中编程实现,最后,将本发明处理后的信号在显控终端7显示。
本实施例设定的水声信标频率为40800Hz,声信标探测系统的采样率为312500Hz,为了能够听到声信标的声音,将信号混频至1000Hz,降采样至4000Hz。
实施本发明的具体步骤如下(见流程图4):
1、将探测物1和换能器2放入水中,开启探测主机3,采集1秒钟数据,将信号采集模块5采集的信号导出,并存为dat格式;
2、用MATLAB对步骤1采集的数据进行分析。首先,按照设备要求,对采集到的信号进行混频和降采样,然后,对降采样后的数据进行四层小波包分解,并求取不同小波包基下的小波包熵,当小波包基为sym16时,小波包熵最小,因此,选取sym16作为小波包分解的小波包基,按照此结果修改信号处理模块6中相应程序;
3、探测主机再次采集1秒钟数据,在信号处理模块6中,用sym16对混频、降采样后的数据进行四层分解;降采样后采样率为4000Hz,信标信号频率为1000Hz,分解后的小波序列组为,其中下标代表各序列在序列组中的位置,如表示该序列是序列组中第r个序列,序列共有16个;
4、针对步骤3得到的小波包序列组计算信标频率分布概率;
由采样率为4000Hz,计算小波包序列的频率间隔为,由公式(2)计算,信号应该出现在第8个频段,频率范围为875-1000Hz,由于信标频率1000Hz是下一个频段1000-1125Hz的起点,因此,认为频段9也是信号该出现的频段,考虑信标本身误差以及信标信号经换能器接收产生的频移影响,信号还可能出现在750-875Hz或1125-1250Hz序列中,构造信标频率分布概率如下式:
其中,表示序列组中第个序列的信标频率分布概率,信标在7、8、9、10中均有可能出现,其分布概率均应大于0,这里不计算分布概率的具体数值,尽管在这几个频段分布的概率不一定相同,统一用表示(且);、、、分别对应小波序列组、、、;
6、利用步骤4和步骤5的结果,计算模糊阈值,利用模糊阈值进行小波包分解系数量化;
根据本发明提出的模糊阈值求取方法设定信标频率分布概率隶属度函数(如附图1),设定噪声信号比最大值隶属度函数(如附图2),求取模糊阈值。如果所有均为0,则令且。按照公式(4),将步骤3所得小波包分解序列组中各序列分别与其对应的模糊阈值相乘,产生新的序列组,
7、对步骤6得到的进行基于mallat的小波包重构,提取信标信号,得到重构后的信号波形图,见图6。从波形图中在1秒的时间内可以清晰的看到一段突起的波形,即为成功提取到信标信号,此后,无需再次选择小波包基,重复步骤3至步骤7。
本实施例中,当探测目标在2440米远处,本发明基于小波包和模糊理论的水声信标信号提取方法与原始信号以及匹配滤波的实验结果对比,原始信号图见图5,本发明基于小波包和模糊理论的水声信标信号提取方法的小波包重构信号图见图6,匹配滤波信号图见图7。从图中可以看出,利用已有方法,原始信号完全找不到信标信号,匹配滤波提取的信标信号通过对周期的判断可知是错误的。而本发明基于小波包和模糊理论的水声信标信号提取方法能够清晰的提取信标信号,通过判断其信号周期以及信号长度等手段对信号进行进一步的识别工作,确定了该信号为真实的信标信号,验证了提取方法的有效性。本发明不但实现了多频率信标的自主提取,还能够在复杂海洋条件下更加快速、清晰的提取信标信号,提高了信标信号的探测距离。
Claims (1)
1.一种基于小波包和模糊理论的水声信标信号提取方法,其特征在于包括以下步骤:
A、获取信号并根据信标频率进行滤波预处理,并对水下探测设备进行混频及降采样操作;
B、对步骤A获取的信号进行基于mallat的小波包分解,
计算不同小波包基下的小波包熵值,选取小波包熵值最小的小波包基作为最优小波包基,然后,利用最优小波包基对信号进行小波包分解,设定系统采样率为,信标频率为,对第一步得到的信号进行小波包分解,分解层数为N,在第N层上得到序列组,其下标代表各序列在序列组中的位置,其中表示该序列是序列组中第r个序列,序列共有个;
C、对步骤B得到的序列组进行信标频率分布概率计算,
D、对步骤B得到的序列组进行噪声信号比最大值计算,
先对序列组中的每个小波包序列进行单子带重构,设序列组中第i个序列单子带重构序列为,其中,n为原始信号长度,也是各重构序列的长度,针对每个重构序列,查找序列中数据最大值,用表示,并将以为中心信标发射长度内的数据视为信号,其余全部视为噪声,针对中的噪声数据,查找噪声数据最大值,用表示,然后用表示第i个序列的噪声信号比最大值,其计算方法如下式所示:
E、利用步骤C和D的结果进行基于模糊阈值的小波包分解系数量化,
综合步骤B、C和D的结果,建立、与的对应关系,针对步骤B得到的序列,选取其对应的信标频率分布概率以及噪声信号比最大值为模糊输入,设定信标频率分布概率隶属度函数,设定噪声信号比最大值隶属度函数,设定模糊输出为0或1这两个固定的数值,设序列的模糊输出为模糊阈值,则可用下式表示:
建立其模糊规则如下:
F、对步骤E得到的序列组进行基于mallat的小波包重构,提取信标信号,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510392978.1A CN106330343B (zh) | 2015-07-07 | 2015-07-07 | 一种基于小波包和模糊理论的水声信标信号提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510392978.1A CN106330343B (zh) | 2015-07-07 | 2015-07-07 | 一种基于小波包和模糊理论的水声信标信号提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106330343A CN106330343A (zh) | 2017-01-11 |
CN106330343B true CN106330343B (zh) | 2020-04-17 |
Family
ID=57728392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510392978.1A Expired - Fee Related CN106330343B (zh) | 2015-07-07 | 2015-07-07 | 一种基于小波包和模糊理论的水声信标信号提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106330343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923541B (zh) * | 2021-09-13 | 2023-07-18 | 广州杰赛科技股份有限公司 | 一种危化品监测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201901A (zh) * | 2006-12-13 | 2008-06-18 | 中国科学院沈阳自动化研究所 | 基于模糊小波包分解的小波特征提取方法 |
CN102361475A (zh) * | 2011-06-15 | 2012-02-22 | 南京信息工程大学 | 基于混沌支持向量机优化的小波加权多模盲均衡方法 |
CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
CN104615877A (zh) * | 2015-01-28 | 2015-05-13 | 辽宁工程技术大学 | 一种基于小波包进行信号去噪的方法 |
-
2015
- 2015-07-07 CN CN201510392978.1A patent/CN106330343B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201901A (zh) * | 2006-12-13 | 2008-06-18 | 中国科学院沈阳自动化研究所 | 基于模糊小波包分解的小波特征提取方法 |
CN102361475A (zh) * | 2011-06-15 | 2012-02-22 | 南京信息工程大学 | 基于混沌支持向量机优化的小波加权多模盲均衡方法 |
CN103033567A (zh) * | 2012-12-31 | 2013-04-10 | 江苏大学 | 一种基于导波的管道缺陷信号识别方法 |
CN104615877A (zh) * | 2015-01-28 | 2015-05-13 | 辽宁工程技术大学 | 一种基于小波包进行信号去噪的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106330343A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909784B (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别装置 | |
CN105572649B (zh) | 基于稀疏傅里叶变换的雷达目标检测方法 | |
RU2553279C1 (ru) | Регистрация радиолокационных импульсов посредством цифрового радиолокационного приемника | |
CN110927706A (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
Duk et al. | Target detection in sea-clutter using stationary wavelet transforms | |
CN108549078B (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
CN114782745B (zh) | 一种基于机器学习的海洋声速剖面分类方法及装置 | |
CN102590856A (zh) | 基于小波频谱分析的位场异常分离方法 | |
CN109741759B (zh) | 一种面向特定鸟类物种的声学自动检测方法 | |
CN115206334B (zh) | 一种极地声信号增强和识别方法 | |
CN106330343B (zh) | 一种基于小波包和模糊理论的水声信标信号提取方法 | |
CN103308829A (zh) | 一种gis单次局放信号提取与触发时刻调整方法 | |
Jin et al. | Offshore ship recognition based on center frequency projection of improved EMD and KNN algorithm | |
CN110596458B (zh) | Demon谱谐波线谱和基频自动估计方法 | |
Lei et al. | Compressed sensing multiscale sample entropy feature extraction method for underwater target radiation noise | |
CN102663420B (zh) | 基于小波包变换和灰色预测模型的高光谱图像分类方法 | |
RU2282209C1 (ru) | Способ и устройство обнаружения сложных широкополосных частотно-модулированных сигналов с фильтрацией в масштабно-временной области | |
Zeng et al. | Underwater sound classification based on Gammatone filter bank and Hilbert-Huang transform | |
RU2351005C1 (ru) | Способ оценки параметров сигнала и устройство для реализации способа (варианты) | |
CN109188473B (zh) | 基于盲分离技术的北斗卫星微弱信号高精度快速捕获方法 | |
CN111709279B (zh) | 一种利用svd-emd算法分离微地震噪声混合信号的算法 | |
Ni et al. | Polyphase-modulated radar signal recognition based on time-frequency amplitude and phase features | |
CN112764109B (zh) | 偶极横波反射波的分离提取方法及装置 | |
CN106629929B (zh) | 一种节能环保污水设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200417 Termination date: 20210707 |
|
CF01 | Termination of patent right due to non-payment of annual fee |