CN110855374B - 一种水声目标辐射噪声调制特征提取方法 - Google Patents

Abstract

本发明公开了一种水声目标辐射噪声调制特征提取方法，首先采用基于参数优化的VMD算法，解决了人为设定VMD算法参数的盲目性以及随机性问题，实现参数的自适应设定；其次选择使用具有最小包络熵值的IMF作为最佳分量进行包络解调，能更高效地提取出调制线谱特征；最后对包络解调后得到的包络信号进行1(1/2)维谱分析，抑制其中的高斯噪声以及清除信号中所含有的非相位耦合的谐波项，从而加强调制线谱的基频以及倍频成分，解决了强噪声干扰下水声目标辐射噪声信号调制特征提取困难的问题。本发明更为稳定可靠，相比于传统DEMON谱分析提取方法调制特征提取能力更强，因此该方法在舰船等水声目标辐射噪声调制特征提取中具有良好的应用前景。

Description

一种水声目标辐射噪声调制特征提取方法

技术领域

本发明属于水声信号处理领域，具体涉及一种水声目标辐射噪声调制特征提取方法。

背景技术

舰船等水声目标辐射噪声中主要成分包括机械噪声、螺旋桨噪声以及水动力噪声，其包含了较多水声目标运动信息，特别是螺旋桨噪声，螺旋桨节拍对水声目标辐射噪声信号存在振幅调制，这种幅度调制信号实质即包络信号，调制线谱与螺旋桨轴频、叶频以及水声目标的航速有关，因此，若能从水声目标辐射噪声信号中准确地提取调制特征对于水声目标运动信息的获取以及水声目标的分类识别具有重大意义。

水声目标辐射噪声由于产生机理较为复杂，本身具有非平稳和非线性等特征，传统的信号处理方法在处理此类问题时，具有一定的局限性，并且受海洋噪声污染严重，因此声纳系统采集到的水声目标辐射噪声信号包含了大量的背景噪声，就导致水声目标辐射噪声中调制线谱往往更难以提取。针对EMD以及EEMD等递归方式分解算法存在模态混叠与端点效应等问题，Dragomiretskiy于2014年提出来了变分模态分解(VMD)，相比于前两者，VMD在处理非线性非平稳信号以及克服模态混叠上性能更好，有利于解决强背景噪声干扰下的水声目标辐射噪声信号调制线谱检测难度大等问题。但是VMD算法性能主要受分解层数K以及惩罚因子α影响并且数值需要人为设定，需要采用算法对其进行优化，从而确定最优参数搭配。并且，直接利用VMD算法分解原始信号所得到的固有模态分量(IMF分量)会存在大量噪声干扰，包络解调后调制特征不明显，因此，如何在强背景噪声干扰下从辐射噪声中更好地提取出调制特征也是需要解决的问题。

发明内容

本发明的目的在于提供一种水声目标辐射噪声调制特征提取方法，以克服现有方法在强背景噪声干扰下辐射噪声调制特征提取困难等问题。

为达到上述目的，本发明采用如下技术方案：

一种水声目标辐射噪声调制特征提取方法，包括以下步骤：

步骤1)、获取舰船辐射噪声原始信号，采用粒子群算法对VMD算法中的分解层数与惩罚因子进行寻优；

步骤2)、将粒子群算法寻优得到的最佳分解层数与最佳惩罚因子作为VMD算法的输入参数，并利用VMD算法将舰船辐射噪声原始信号分解为若干固有模态分量；

步骤3)、计算各固有模态分量的包络熵值，选取对应最小包络熵值的固有模态分量作为最佳分量；

步骤4)、对最佳分量进行Hilbert包络解调分析得到包络信号；

步骤5)、对解调所得的包络信号进行1(1/2)谱分析，得到辐射噪声调制线谱，完成水声目标辐射噪声信号调制特征提取。

进一步的，步骤1)中，采用水听器采集舰船辐射噪声原始信号。

进一步的，采用粒子群算法对VMD算法中的分解层数与惩罚因子进行寻优具体步骤如下：

(1-1)初始化粒子群优化算法参数，选取固有模态分量的包络熵作为适应度函数，以局部极小包络熵值最小化作为寻优目标；

(1-2)以待寻优参数分解层数K与惩罚因子α作为粒子的位置x(K,α)，设定粒子的位置范围与速度范围，初始化粒子种群并随机初始化种群中各粒子位置与速度；

(1-3)当种群中粒子i位置为x_i(K_i,α_i)时，利用VMD算法解析信号并计算所得固有模态分量的包络熵，选取其中极小包络熵值E_eimin作为粒子i适应度函数值；

(1-4)对比种群中各粒子的适应度函数值，更新种群的个体极值pbest和全局极值gbest；

(1-5)利用所得的个体极值pbest和全局极值gbest更新种群中各粒子的位移与速度；

(1-6)重复步骤(1-3)～(1-5)迭代求解，直至满足全局极值收敛或达到最大迭代次数得出最优适应度值以及对应的粒子位置x_best，输出得到最优分解层数K_best与惩罚因子α_best参数。

进一步的，步骤2)中，利用VMD算法将舰船辐射噪声原始信号分解为若干固有模态分量具体包括以下步骤：

建立约束变分问题模型：

式中：K为固有模态分量的数量，f为输入的信号，{u_k}:＝{u₁,u₂,u₃...,u_K}表示分解得到的K个有限带宽的固有模态分量，{ω_k}:＝{ω₁,ω₂,ω₃...,ω_K}表示各个固有模态分量中心频率；

由上式得到增广Lagrange表达式为：

式中：α为惩罚因子，λ为Lagrange算子；

求解增广Largrange函数鞍点，采用交替方向乘子算法求取方程(2)中的鞍点从而得到估计的固有模态分量u_k及相应的中心频率ω_k

进一步的，步骤5)对解调所得的包络信号进行1(1/2)谱分析为：

式中：X(ω)为x(t)的傅立叶变换，X^*(ω)为X(ω)的复共轭。

进一步的，步骤(1-1)所述的包络熵计算公式为：

式中：p_j为a(j)的归一化形式，a(j)为原始信号经过Hilbert包络解调后得到的包络信号。

进一步的，步骤(1-5)利用所得的个体极值pbest和全局极值gbest更新种群中各粒子的位移与速度计算公式如下：

式中：

为第k次迭代粒子i速度矢量d维分量，

第k次迭代粒子x位置矢量d维分量，w为惯性因子，c₁与c₂为加速度常数；r₁与r₂为随机函数，r₁与r₂均取值于[0,1]。

进一步的，采用交替方向乘子算法求取鞍点的具体步骤如下：

(7-1)初始化第1次迭代中的固有模态分量

第1次迭代中的中心频率

以及第1次迭代中的Lagrange算子λ¹，并设定次数n＝0；

(7-2)进入VMD算法主体循环，n＝n+1；

(7-3)更新第i次迭代的固有模态分量

与第i次迭代的中心频率

直至达到预设的分解层数，更新如式(6)～(7)：

式中：n表示为当前的迭代次数，

为第n次迭代的

频域函数，

为Lagrange算子的频域函数，

为当前剩余量的维纳滤波。

(7-4)根据式(8)更新Lagrange算子λ；

式中：τ为噪声容限参数。

(7-5)重复步骤(7-3)～(7-4)，直到满足迭代停止条件，即

式中：r为设定阈值。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种水声目标辐射噪声调制特征提取方法，首先采用基于参数优化的VMD算法，一方面VMD算法克服了传统递归分解方式算法容易出现模态混叠以及端点效应等问题，另一方面其中利用粒子群算法以包络熵最小化作为寻优目标迭代求解出最优分解层数K以及惩罚因子α搭配解决了人为设定VMD算法参数的盲目性以及随机性问题，实现参数的自适应设定，较人为设定参数更为可靠；其次选择使用具有最小包络熵值的IMF作为最佳分量进行包络解调，为固有模态的分量选择提供了依据，能更高效地提取出调制线谱特征；最后对包络解调后得到的包络信号进行1(1/2)维谱分析，旨在抑制其中的高斯噪声以及清除信号中所含有的非相位耦合的谐波项，从而加强调制线谱的基频以及倍频成分，解决了强噪声干扰下水声目标辐射噪声信号调制特征提取困难的问题。本发明相比于传统人为设定参数VMD算法更为稳定可靠，相比于传统DEMON谱分析提取方法调制特征提取能力更强，因此该方法在舰船等水声目标辐射噪声调制特征提取中具有良好的应用前景。

附图说明

图1为本发明流程图；

图2为粒子群优化算法流程图；

图3为舰船辐射噪声实测信号时域波形图以及Hilbert包络谱图；

图4为粒子群算法寻优结果；

图5为以最佳参数作为输入参数，VMD算法分解舰船辐射噪声信号的结果；

图6为最优固有模态分量经过Hilbert包络解调结果，图中为螺旋桨转频；

图7为最优固有模态分量包络解调后经过1(1/2)维谱分析结果。

具体实施方式

结合附图和具体步骤对本发明进行进一步详细说明，如图1所示，一种水声目标辐射噪声调制特征提取方法，具体如下：

步骤1：利用水听器采集舰船辐射噪声原始信号；

步骤2：采用粒子群算法对VMD算法中的分解层数K与惩罚因子α进行寻优得到最佳分解层数K_best与最佳惩罚因子α_best；

步骤3：将粒子群算法寻优得到的最佳分解层数K_best与最佳惩罚因子α_best作为VMD算法的输入参数，并利用VMD算法将舰船辐射噪声原始信号分解为若干固有模态分量；

步骤4：计算各固有模态分量的包络熵值，选取对应最小包络熵值的固有模态分量作为最佳分量；

步骤5：对最佳分量进行Hilbert包络解调分析，得到包络信号；

步骤6：对解调所得的包络信号进行1(1/2)谱分析，得到辐射噪声调制线谱，完成水声目标辐射噪声信号调制特征提取。

图2为所述的采用粒子群算法对VMD算法中的分解层数K与惩罚因子α进行寻优流程图，具体步骤如下：

(2-1)初始化粒子群优化算法参数，选取固有模态分量的包络熵作为适应度函数，以局部极小包络熵值最小化作为寻优目标；

(2-2)以待寻优参数分解层数K与惩罚因子α作为粒子的位置x(K,α)，设定粒子的位置范围与速度范围，初始化粒子种群并随机初始化种群中各粒子位置与速度；

(2-3)当种群中粒子i位置为x_i(K_i,α_i)时，利用VMD算法解析信号并计算所得固有模态分量的包络熵，选取其中极小包络熵值E_eimin作为粒子i适应度函数值；

(2-4)对比种群中各粒子的适应度函数值，更新种群的个体极值pbest和全局极值gbest；

(2-5)利用所得的个体极值pbest和全局极值gbest更新种群中各粒子的位移与速度；

(2-6)粒子群优化算法重复步骤(2-3)～(2-5)迭代求解，直至满足全局极值收敛或达到最大迭代次数得出最优适应度值以及对应的粒子位置x_best，并输出最优分解层数K_best与惩罚因子α_best参数。

步骤3所述的利用VMD算法将辐射噪声信号分解为若干固有模态分量过程具体为：当成求解公式(1)的约束变分问题：

式中：K代表IMF的数量，f为输入的信号，{u_k}:＝{u₁,u₂,u₃...,u_K}表示分解得到的K个有限带宽的IMF分量，{ω_k}:＝{ω₁,ω₂,ω₃...,ω_K}表示各个IMF中心频率。

为了解决上述约束性变分问题，引入了惩罚因子α和Lagrange算子λ，将上式从约束性变分问题变为求解增广Largrange函数“鞍点”问题，由此得到增广Lagrange表达式为：

求解增广Largrange函数鞍点，采用交替方向乘子算法求取方程(2)中的鞍点从而得到估计的固有模态分量u_k及相应的中心频率ω_k。

步骤6所述的对解调所得的包络信号进行1(1/2)谱分析为：

式中：X(ω)为x(t)的傅立叶变换，X^*(ω)为X(ω)的复共轭。

具体的，步骤(2-1)所述的包络熵计算公式为：

具体的，步骤(2-5)所述的利用所得的个体极值pbest和全局极值gbest更新种群中各粒子的位移与速度计算公式如下：

式中：

为第k次迭代粒子i速度矢量d维分量，

第k次迭代粒子x位置矢量d维分量，w为惯性因子，c₁与c₂为加速度常数，r₁与r₂为随机函数介于[0,1]之间。

采用交替方向乘子算法(ADMM)求取方程(2)中的“鞍点”的具体步骤如下：

(7-1)初始化第1次迭代中的固有模态分量

第1次迭代中的中心频率

以及第1次迭代中的Lagrange算子λ¹，并设定次数n＝0；

(7-2)进入VMD算法主体循环，n＝n+1；

(7-3)更新第i次迭代的固有模态分量

与第i次迭代的中心频率

直至达到预设的分解层数，更新如式(6)～(7)：

式中：n表示为当前的迭代次数，

为第n次迭代的

频域函数，

为Lagrange算子的频域函数，

为当前剩余量的维纳滤波。

(7-4)根据式(5)更新Lagrange算子λ：

式中：τ为噪声容限参数。

(7-5)重复步骤(4-3)～(4-4)，直到满足迭代停止条件，即

式中：r为设定阈值。

实施例：

针对如图3所示水声目标辐射噪声实测信号波形图，已知实验中水声目标的螺旋桨轴频为1.7Hz。

第一步：利用水听器采集舰船辐射噪声信号，图3为原始辐射噪声信号时域波形图和Hilbert包络谱图，由图3可知，由于背景噪声较强，提取到的调制特征不明显，无法从Hilbert包络谱中提取出水声目标的螺旋桨轴频及倍频成分；

第二步：利用粒子群算法寻优VMD参数，首先初始化粒子群优化算法中各参数，以待优化的分解层数以及惩罚因子作为粒子位移x(K,α)，设定分解层数K范围为[2,7]中的整数，惩罚因子α范围为[1000,7000]中的整数，粒子种群数量为10，迭代次数为30次，以包络熵为适应度函数，包络熵值最小化为寻优目标；然后粒子群算法迭代求解，直至满足适应度值收敛或者达到最大迭代次数；最后获得最优参数组合，由图4可知，粒子群算法在第8次迭代之后收敛，此时得到VMD算法最优参数组合(K_best,α_best)为(6,6000)；

第三步：将粒子群优化算法的结果作为VMD算法的输入参数，利用粒子群算法将信号分解为6个IMF分量，分解结果如图5所示；

第四步：计算各IMF分量的包络熵，计算结果如表1所示，由表1可以看出与最小包络熵值对应的IMF分量为IMF1，因此选用IMF1为最佳分量；

表1 VMD算法分解信号所得各IMF分量的包络熵值

第五步：利用最优IMF分量IMF1进行Hilbert包络解调分析，分析结果如图6所示，由图6可以发现舰船螺旋桨轴频的5倍频成分以及其他倍频，但是信噪比还比较低，存在噪声干扰；

第六步：利用IMF1 Hilbert包络解调所得到的包络信号进行1(1/2)维谱分析，分析结果如图7所示，由图5可以看出，舰船螺旋桨轴频的5倍频成分以及其他倍频得到加强，信噪比得到了提高，一些非相位耦合谐波分量得到了剔除，调制特征已经被很好地提取出来。

Claims (5)

1.一种水声目标辐射噪声调制特征提取方法，其特征在于，包括以下步骤：

步骤1)、获取舰船辐射噪声原始信号，采用粒子群算法对VMD算法中的分解层数与惩罚因子进行寻优；采用粒子群算法对VMD算法中的分解层数与惩罚因子进行寻优，具体步骤如下：

(1-1)初始化粒子群优化算法参数，选取固有模态分量的包络熵作为适应度函数，以局部极小包络熵值最小化作为寻优目标；所述的包络熵计算公式为：

式中：p_j为a(j)的归一化形式，a(j)为原始信号经过Hilbert包络解调后得到的包络信号；

(1-2)以待寻优参数分解层数K与惩罚因子α作为粒子的位置x(K,α)，设定粒子的位置范围与速度范围，初始化粒子种群并随机初始化种群中各粒子位置与速度；

(1-3)当种群中粒子i位置为x_i(K_i,α_i)时，利用VMD算法解析信号并计算所得固有模态分量的包络熵，选取其中极小包络熵值E_eimin作为粒子i适应度函数值；

(1-4)对比种群中各粒子的适应度函数值，更新种群的个体极值pbest和全局极值gbest；

(1-5)利用所得的个体极值pbest和全局极值gbest更新种群中各粒子的位移与速度；

(1-6)重复步骤(1-3)～(1-5)迭代求解，直至满足全局极值收敛或达到最大迭代次数得出最优适应度值以及对应的粒子位置x_best，输出得到最优分解层数K_best与惩罚因子α_best参数；

步骤2)、将粒子群算法寻优得到的最佳分解层数与最佳惩罚因子作为VMD算法的输入参数，并利用VMD算法将舰船辐射噪声原始信号分解为若干固有模态分量；利用VMD算法将舰船辐射噪声原始信号分解为若干固有模态分量具体包括以下步骤：

建立约束变分问题模型：

式中：K为固有模态分量的数量，f为输入的信号，{u_k}:＝{u₁,u₂,u₃...,u_K}表示分解得到的K个有限带宽的固有模态分量，{ω_k}:＝{ω₁,ω₂,ω₃...,ω_K}表示各个固有模态分量中心频率；

由上式得到增广Lagrange表达式为：

式中：α为惩罚因子，λ为Lagrange算子；

求解增广Largrange函数鞍点，采用交替方向乘子算法求取方程(2)中的鞍点从而得到估计的固有模态分量u_k及相应的中心频率ω_k；

步骤3)、计算各固有模态分量的包络熵值，选取对应最小包络熵值的固有模态分量作为最佳分量；

步骤4)、对最佳分量进行Hilbert包络解调分析得到包络信号；

步骤5)、对解调所得的包络信号进行1(1/2)谱分析，得到辐射噪声调制线谱，完成水声目标辐射噪声信号调制特征提取。

2.根据权利要求1所述的一种水声目标辐射噪声调制特征提取方法，其特征在于，步骤1)中，采用水听器采集舰船辐射噪声原始信号。

3.根据权利要求1所述的一种水声目标辐射噪声调制特征提取方法，其特征在于，步骤5)对解调所得的包络信号进行1(1/2)谱分析为：

式中：X(ω)为x(t)的傅立叶变换，X^*(ω)为X(ω)的复共轭。

4.根据权利要求1所述的一种水声目标辐射噪声调制特征提取方法，其特征在于，步骤(1-5)利用所得的个体极值pbest和全局极值gbest更新种群中各粒子的位移与速度计算公式如下：

式中：

为第k次迭代粒子i速度矢量d维分量，

第k次迭代粒子x位置矢量d维分量，w为惯性因子，c₁与c₂为加速度常数；r₁与r₂为随机函数，r₁与r₂均取值于[0,1]。

5.根据权利要求3所述的一种水声目标辐射噪声调制特征提取方法，其特征在于，采用交替方向乘子算法求取鞍点的具体步骤如下：

(7-1)初始化第1次迭代中的固有模态分量

第1次迭代中的中心频率

以及第1次迭代中的Lagrange算子λ¹，并设定次数n＝0；

(7-2)进入VMD算法主体循环，n＝n+1；

(7-3)更新第i次迭代的固有模态分量

与第i次迭代的中心频率

直至达到预设的分解层数，更新如式(5)～(6)：

式中：n表示为当前的迭代次数，

为第n次迭代的

频域函数，

为Lagrange算子的频域函数，

为当前剩余量的维纳滤波；

(7-4)根据式(7)更新Lagrange算子λ；

式中：τ为噪声容限参数；

(7-5)重复步骤(7-3)～(7-4)，直到满足迭代停止条件，即

式中：r为设定阈值。

Images