CN111638501A - 一种自适应匹配随机共振的谱线增强方法 - Google Patents
一种自适应匹配随机共振的谱线增强方法 Download PDFInfo
- Publication number
- CN111638501A CN111638501A CN202010416151.0A CN202010416151A CN111638501A CN 111638501 A CN111638501 A CN 111638501A CN 202010416151 A CN202010416151 A CN 202010416151A CN 111638501 A CN111638501 A CN 111638501A
- Authority
- CN
- China
- Prior art keywords
- signal
- factor
- noise
- potential well
- stochastic resonance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003595 spectral effect Effects 0.000 title claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013016 damping Methods 0.000 claims description 15
- 230000005236 sound signal Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000003775 serotonin noradrenalin reuptake inhibitor Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000003623 enhancer Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Discrete Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种自适应匹配随机共振的谱线增强方法,在一种势阱约束的广义二阶非线性模型下,建立了自适应匹配随机共振的优化方法,提升了低采样下对谱线的增强性能。本发明通过自适应匹配随机共振的谱线增强方法,能够有效提升对信号的滤波性能,进一步突破了常规自适应谱线增强器方法的增强性能,可以有效应用于实时远程探测系统中。
Description
技术领域
本发明涉及信号处理领域,尤其是一种自适应滤波方法。
背景技术
21世纪以来,世界各国在政治、经济、军事方面围绕海洋领域的竞争愈演愈烈,世界各国均提出了相应的海洋发展战略,对海洋资源的保护、开发、利用已成为世界共同关注的焦点。当前,我国的国家核心利益主要体现在经济发展和安全权益两个方面,经济建设是改革开放以来的中心任务,而维护海洋权益是新时期实现海洋强国的根本保证。因此,研究先进的微弱信号处理方法对远距离水中目标探测和识别具有巨大的研究价值和现实意义。
自适应谱线增强器是处理噪声的一种通用信号处理手段,被广泛应用于各个领域,然而其滤波性能有限,对于强背景噪声的处理能力仍显不足。近年来,随机共振的弱信号处理方法因其对弱信号的增强特性而被国内外研究机构所关注。随机共振并非像传统的弱信号处理方法(高阶谱分析、小波分析和经验模态分解分析等)那样通过滤除噪声的方式降噪,而是设法利用噪声,通过将强背景噪声信号输入特殊的非线性系统(共振系统),从而将噪声的部分能量转化为噪声的能量,使得削弱小噪声能量的同时增强了信号的输出,可以有效地用于微弱小信号增强,但是对于实时系统处理多频等问题存在局限性,难以达到理想的应用效果。
发明内容
为了克服现有技术的不足,本发明提供一种自适应匹配随机共振的谱线增强方法。在一种势阱约束的广义二阶非线性模型下,建立了自适应匹配随机共振的优化方法,提升了低采样下对谱线的增强性能,本发明提供自适应匹配随机共振的谱线增强方法。
本发明解决其技术问题所采用的技术方案的具体步骤如下:
第一步:利用声呐采集海洋中的声信号,记为r(t),即为输入信号;输入信号同时含有单频线谱信号与噪声信号的混合,即:
r(t)=s(t)+n(t) (1)
其中s(t)=Acos(2πf0t),A为输入信号幅值,f0为输入信号频率,n(t)为海洋背景噪声信号;
第二步:噪声强度估计,采用最大似然估计的方法,分别对各重构信号进行噪声方差估计,计算公式如下:
第三步:构造二阶杜芬非线性系统:
第四步:构造自适应匹配随机共振优化模型:
其中,式中K为势阱约束因子,h=1/fs为时间尺度因子,fs为采样频率,π为圆周率,e为自然常数,分别表示最优的阻尼因子、时间尺度因子与势阱约束因子,Kmax为势阱约束因子的上限值,SNRI为输出信噪比增益;
第五步:阻尼因子、时间尺度因子、势阱约束因子初始化设定,设定参数搜索范围;
第六步:使用四阶龙格库塔方法对公式(3)进行数值求解,初值定为(0,0),步长h=1/fs,fs为采样频率,得到输出序列x,计算信噪比增益值,通过遗传算法优化三个参数,直至信噪比增益不变或迭代次数最大时得到最优值与
所述势阱约束因子的上限值Kmax取值为200。
所述输出信噪比增益计算步骤如下:
信噪比SNR计算:对时间序列进行N点离散傅里叶变换DFT,获得各频率对应的功率Si,i表示1到N之间的任意值,则信噪比的计算公式如下:
其中Ps为信号的功率值,Ps为除信号以外所有噪声的平均功率;
根据公式(5)分别计算得到输入序列与输出序列的信噪比SNRin和SNRout,则信噪比增益由公式SNRI=SNRout-SNRin计算得到。
第五步中,所述阻尼因子的搜索区间为(0,1],时间尺度因子的搜索区间为(0,0.8],势阱约束因子的区间为[0.01,200]。
本发明的有益效果通过自适应匹配随机共振的谱线增强方法,能够有效提升对信号的滤波性能,进一步突破了常规自适应谱线增强器方法的增强性能,可以有效应用于实时远程探测系统中。
附图说明
图1是本发明对实测数据的谱线增强性能分析对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为了克服现有技术的不足,在一种势阱约束的广义二阶非线性模型下,建立了自适应匹配随机共振的优化方法,提升了低采样下对谱线的增强性能,本发明提供自适应匹配随机共振的谱线增强方法。
本发明解决其技术问题所采用的技术方案的具体实施过程如下:
第一步:利用声呐采集海洋中的声信号,记为r(t),即为输入信号;输入信号同时含有单频线谱信号与噪声信号的混合,即
r(t)=s(t)+n(t) (1)
其中s(t)=Acos(2πf0t),A为输入信号幅值,f0为输入信号频率,n(t)为海洋背景噪声信号。
第二步:噪声强度估计,采用最大似然估计的方法,分别对各重构信号进行噪声方差估计,计算公式如下:
第三步:构造二阶杜芬非线性系统:
第四步:构造自适应匹配随机共振优化模型:
其中,式中K为势阱约束因子,h=1/fs为时间尺度因子,fs为采样频率,π为圆周率,e为自然常数,其值约为2.71828,分别表示最优的阻尼因子、时间尺度因子与势阱约束因子,Kmax为势阱约束因子的上限值,本发明取200。SNRI为输出信噪比增益,输出信噪比增益计算方法如下:
信噪比SNR计算:对时间序列进行N点DFT(离散傅里叶变换),获得各频率对应的功率Si,i表示1到N之间的任意值,则信噪比的计算公式如下:
其中Ps为信号的功率值,Ps为除信号以外所有噪声的平均功率。
根据公式(5)分别计算得到输入序列与输出序列的信噪比SNRin和SNRout,则信噪比增益可以由如下公式SNRI=SNRout-SNRin计算得到。
第五步:阻尼因子、时间尺度因子、势阱约束因子初始化设定,设定参数搜索范围。本发明中,阻尼因子的搜索区间为(0,1],时间尺度因子的搜索区间为(0,0.8],势阱约束因子的经验区间为[0.01,200]。
第六步:四阶龙格库塔方法对公式(3)进行数值求解,初值定为(0,0),步长h=1/fs,fs为采样频率,得到输出序列x,计算信噪比增益值,通过遗传算法优化三个参数,至信噪比增益不变或迭代次数最大时得到最优值与对于遗传算法寻优的主要参数设置如下:种群:3、种群个体100、迭代最大次数10,交叉概率0.95,变异概率0.01。
通过本发明给出的自适应匹配随机共振的谱线增强方法,能够有效提升对信号的滤波性能,对实测数据的谱线增强性能分析对比如图1所示,相比常规自适应谱线增强器方法,功率谱密度可以提升10dB。该方法进一步突破了谱线增强的性能,可以应用于实时远程探测系统中。
Claims (4)
1.一种自适应匹配随机共振的谱线增强方法,其特征在于包括下述步骤:
第一步:利用声呐采集海洋中的声信号,记为r(t),即为输入信号;输入信号同时含有单频线谱信号与噪声信号的混合,即:
r(t)=s(t)+n(t) (1)
其中s(t)=Acos(2πf0t),A为输入信号幅值,f0为输入信号频率,n(t)为海洋背景噪声信号;
第二步:噪声强度估计,采用最大似然估计的方法,分别对各重构信号进行噪声方差估计,计算公式如下:
第三步:构造二阶杜芬非线性系统:
第四步:构造自适应匹配随机共振优化模型:
其中,式中K为势阱约束因子,h=1/fs为时间尺度因子,fs为采样频率,π为圆周率,e为自然常数,分别表示最优的阻尼因子、时间尺度因子与势阱约束因子,Kmax为势阱约束因子的上限值,SNRI为输出信噪比增益;
第五步:阻尼因子、时间尺度因子、势阱约束因子初始化设定,设定参数搜索范围;
第六步:使用四阶龙格库塔方法对公式(3)进行数值求解,初值定为(0,0),步长h=1/fs,fs为采样频率,得到输出序列x,计算信噪比增益值,通过遗传算法优化三个参数,直至信噪比增益不变或迭代次数最大时得到最优值与
2.根据权利要求1所述的一种自适应匹配随机共振的谱线增强方法,其特征在于:所述势阱约束因子的上限值Kmax取值为200。
4.根据权利要求1所述的一种自适应匹配随机共振的谱线增强方法,其特征在于:
第五步中,所述阻尼因子的搜索区间为(0,1],时间尺度因子的搜索区间为(0,0.8],势阱约束因子的区间为[0.01,200]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416151.0A CN111638501B (zh) | 2020-05-17 | 2020-05-17 | 一种自适应匹配随机共振的谱线增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416151.0A CN111638501B (zh) | 2020-05-17 | 2020-05-17 | 一种自适应匹配随机共振的谱线增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111638501A true CN111638501A (zh) | 2020-09-08 |
CN111638501B CN111638501B (zh) | 2023-06-16 |
Family
ID=72328922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010416151.0A Active CN111638501B (zh) | 2020-05-17 | 2020-05-17 | 一种自适应匹配随机共振的谱线增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111638501B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221714A (zh) * | 2021-04-29 | 2021-08-06 | 西北工业大学 | 一种自适应线谱增强器和随机共振联合的线谱检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6008642A (en) * | 1997-08-25 | 1999-12-28 | The United States Of America As Represented By The Secretary Of The Navy | Stochastic resonance detector for weak signals |
US20050071156A1 (en) * | 2003-09-30 | 2005-03-31 | Intel Corporation | Method for spectral subtraction in speech enhancement |
CN103475431A (zh) * | 2013-09-09 | 2013-12-25 | 南京邮电大学 | 一种低信噪比条件下的基于最佳随机共振的频谱感知方法 |
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
CN110376575A (zh) * | 2019-08-19 | 2019-10-25 | 西北工业大学 | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 |
-
2020
- 2020-05-17 CN CN202010416151.0A patent/CN111638501B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6008642A (en) * | 1997-08-25 | 1999-12-28 | The United States Of America As Represented By The Secretary Of The Navy | Stochastic resonance detector for weak signals |
US20050071156A1 (en) * | 2003-09-30 | 2005-03-31 | Intel Corporation | Method for spectral subtraction in speech enhancement |
CN103475431A (zh) * | 2013-09-09 | 2013-12-25 | 南京邮电大学 | 一种低信噪比条件下的基于最佳随机共振的频谱感知方法 |
CN105825197A (zh) * | 2016-03-29 | 2016-08-03 | 西安交通大学 | 一种线性化势阱壁的路径扩展随机共振微弱特征提取方法 |
CN110376575A (zh) * | 2019-08-19 | 2019-10-25 | 西北工业大学 | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 |
Non-Patent Citations (3)
Title |
---|
张刚等: "α噪声下自适应非线性耦合双稳随机共振弱信号检测", 《电子测量与仪器学报》 * |
杨文忠等: "基于随机共振的强噪背景下船舶辐射噪声检测", 《指挥控制与仿真》 * |
王雪: "基于归一化随机共振的水下微弱目标检测方法", 《电声技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221714A (zh) * | 2021-04-29 | 2021-08-06 | 西北工业大学 | 一种自适应线谱增强器和随机共振联合的线谱检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111638501B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376575B (zh) | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 | |
WO2021056727A1 (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
CN107274908B (zh) | 基于新阈值函数的小波语音去噪方法 | |
CN108921014B (zh) | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 | |
CN112735456B (zh) | 一种基于dnn-clstm网络的语音增强方法 | |
CN116403590B (zh) | 基于小波变换与生成对抗网络的仿生信号处理方法 | |
CN111161171B (zh) | 爆破振动信号基线漂零校正和消噪方法、装置、设备及系统 | |
CN103995950A (zh) | 基于空域相关修正阈值的变小波系数局部放电信号消噪方法 | |
CN115359771B (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
CN116502042A (zh) | 基于变分模态分解与改进小波阈值的电能质量扰动去噪方法 | |
CN111638501A (zh) | 一种自适应匹配随机共振的谱线增强方法 | |
CN111628750B (zh) | 一种阱内匹配随机共振的非线性滤波方法 | |
CN114091538B (zh) | 一种基于信号特征的判别损失卷积神经网络智能降噪方法 | |
CN112183225A (zh) | 一种基于概率潜在语义分析的水下目标信号特征提取方法 | |
Li | Speech denoising based on improved discrete wavelet packet decomposition | |
CN117111155B (zh) | 一种基于集成框架的微地震数据去噪方法 | |
CN112183407B (zh) | 一种基于时频域谱减法的隧道地震波数据去噪方法及系统 | |
CN111929666B (zh) | 一种基于序贯环境学习的弱水声目标线谱自主提取方法 | |
CN115859054A (zh) | 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法 | |
LU502454B1 (en) | A Bearing Fault Identification Method and System Based on EEMD Sparse Decomposition | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
CN112926504A (zh) | 一种基于降噪自编码器的声发射信号去噪方法 | |
Yang et al. | Noise Modeling and Deep Learning Noise Suppression of Mud Signal | |
CN114035238A (zh) | 基于双树复小波变换的超前地质预报方法 |
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 |