CN112784811A - 一种全局最优超声信号去噪方法 - Google Patents
一种全局最优超声信号去噪方法 Download PDFInfo
- Publication number
- CN112784811A CN112784811A CN202110178657.7A CN202110178657A CN112784811A CN 112784811 A CN112784811 A CN 112784811A CN 202110178657 A CN202110178657 A CN 202110178657A CN 112784811 A CN112784811 A CN 112784811A
- Authority
- CN
- China
- Prior art keywords
- fruit fly
- parameter
- population
- iteration
- ith
- 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 48
- 241000255588 Tephritidae Species 0.000 claims abstract description 200
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 235000012907 honey Nutrition 0.000 claims description 36
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 35
- 238000013519 translation Methods 0.000 claims description 20
- 239000000523 sample Substances 0.000 claims description 15
- 238000002604 ultrasonography Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 241000255925 Diptera Species 0.000 claims description 3
- 235000009508 confectionery Nutrition 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 8
- 230000007547 defect Effects 0.000 description 19
- 238000012360 testing method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种全局最优超声信号去噪方法,包括步骤:一、超声回波信号的获取和存储;二、超声回波信号去噪:201、基于参数寻优的稀疏分解,202、寻找最优时频参数,203、迭代停止条件判断。本发明采用基于参数寻优的稀疏分解方法寻找最佳匹配原子,同时结合自适应迭代停止条件和自适应搜索步长,能有效提高去噪后信号的信噪比,加快去噪的速度,同时引入跳脱参数,避免果蝇优化依赖于每次迭代选出来的最佳味道浓度的位置,将最佳味道浓度陷于局部最优,提高搜索能力,确保重构信号误差小。
Description
技术领域
本发明属于超声信号去噪技术领域,具体涉及一种全局最优超声信号去 噪方法。
背景技术
在超声检测中,超声探头可以将电信号转换为超声信号,通过耦合剂传 入被检测材料,当超声波在传播过程中遇到缺陷,会发生反射、折射等现象。 通过对回波分析,可以估计缺陷的位置、大小。但是在实际检测中,超声波 在材料内部传播时会与缺陷、界面、边界等相互作用,产生透射、散射等现 象导致能量衰减、模式转换等问题,导致回波中包含大量噪声,很难将缺陷 回波分离出来,影响对缺陷的准确评价。
对超声信号去噪常用的方法是将信号在特定的基函数上进行分解,例如 小波变换和傅里叶变换等,基函数的特征决定了信号的特征。超声信号具有 非平稳性,波形随时间发生变化,在单一的、有限数量的基函数上分解信号, 得到的信号仅仅依赖于基函数的特征,信号自身的特征则被忽略,容易失真。 稀疏分解是另一种被广泛应用的信号处理方法,方法提出了过完备字典的概 念,将信号在字典中的原子上分解,基函数是过完备的,可以根据信号特征 灵活选取,提高去噪效果。近几年提出的稀疏分解算法有LASSO、稀疏贝叶斯学习、贪婪基追踪、非凸正则化、匹配追踪等。其中匹配追踪算法算法被 广泛用于超声信号去噪,但是其仍存在不足,这是因为匹配追踪算法在匹配 原子时是贪婪搜索的,这会导致最初选择的原子不是最稀疏的,后续原子的 选择都是在给最初的原子进行补偿。为此提出了正交匹配追踪,对每一次匹 配到的最佳原子进行正交化化处理,则残差与选择过的原子都是正交的,同 一个原子不会被选择两次。与匹配追踪算法相比,正交匹配追踪算法不会重 复选择同一个原子,迭代次数少,但是其引入了正交化,每一次迭代的计算 量较大,计算复杂度升高。
针对算法运行时间长的问题,可以将字典的有限离散参数空间变为无限 连续参数空间,在连续空间进行稀疏分解,可以适应超声信号的非平稳性, 加快匹配追踪的速度,提高重构回波精度。这可以通过群搜索算法实现,其 中包括人工鱼群算法、人工蜂群算法、粒子群算法等。但是这些算法复杂度 高,计算量大,运行时间长。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一 种全局最优超声信号去噪方法,采用基于参数寻优的稀疏分解方法寻找最 佳匹配原子,同时结合自适应迭代停止条件和自适应搜索步长,能有效提 高去噪后信号的信噪比,加快去噪的速度,同时引入跳脱参数,避免果蝇 优化依赖于每次迭代选出来的最佳味道浓度的位置,将最佳味道浓度陷于 局部最优,提高搜索能力,确保重构信号误差小,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种全局最优超声 信号去噪方法,其特征在于,该方法包括以下步骤:
步骤一、超声回波信号的获取和存储:采用信号采集设备获取超声回 波信号f(t),并将超声回波信号f(t)存储在计算机中,信号采集设备获取超 声回波信号f(t)为待处理信号且f(t)=[f(t1),f(t2),...,f(tn),...,f(tN)],其中,n为 采样时刻编号且n=1,2,...,N,N为信号的长度,f(tn)为f(t)在tn时刻的采样 点;
步骤二、超声回波信号去噪:采用计算机对超声回波信号f(t)进行去 噪,过程如下:
步骤201、基于参数寻优的稀疏分解:调用正交匹配追踪算法模块对 步骤一中的超声回波信号f(t)进行分解,即得到K个 最佳匹配原子,为K个最佳匹配原子中第k个最佳匹配原子,k是正 整数且k=1,2,...,K,为超声回波信号f(t)第k次迭代后的残差量,ak为第k次迭代产生的残差在对应的最佳匹配原子上的投影;
其中,为Gabor原子且为高 斯窗函数且rk为的时频参数且rk=(sk,uk,vk,wk),sk为 第k次迭代中的尺度参数,uk为第k次迭代中的平移参数,vk为第k次迭 代中的频率参数,wk为第k次迭代中的相位参数;
所述参数寻优算法模块为果蝇优化算法模块,参数寻优的过程如下:
步骤2021、参数初始化:采用计算机设定果蝇种群体的最大迭代次数maxgen和种群大小sizepop;
步骤2022、生成果蝇位置:采用计算机随机生成两个果蝇种群的初始 位置,两个果蝇种群的初始位置均为四维向量,两个果蝇种群分别用X和 Y表示,并赋予果蝇种群X的初始位置果蝇种群Y的初 始位置为随机生成的果蝇种群X的初始位置时 频参数的初始值,为随机生成的果蝇种群Y的初始位置时频参 数的初始值;
步骤2023、给定果蝇搜索的方向和步长:每个果蝇从初始位置离开, 开始搜索最佳味道浓度蜜源的位置,调用自适应步长模块,根据公式 确定果蝇种群X中第i个果蝇此时的位置Xi和果蝇种群Y中 第i个果蝇此时的位置Yi,i为果蝇编号且i=1、2、3、...、sizepop,Lg为果蝇的搜索步长,g是果蝇优化算法当前迭代次数,g=1、2、3、...、maxgen;
其中,为果蝇种群X中第i个果 蝇的尺度参数且为果蝇种群X中第i个果蝇的平移参数且 为果蝇种群X中第i个果蝇的频率参数且为果 蝇种群X中第i个果蝇的相位参数且为果蝇种群Y中第i 个果蝇的尺度参数且为果蝇种群Y中第i个果蝇的平移参数 且为果蝇种群Y中第i个果蝇的频率参数且为 果蝇种群Y中第i个果蝇的相位参数且
步骤2024、确定最佳蜜源的大小和位置:根据公式计算果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中 时频参数到原点的有效距离,其中,为果蝇种群X中第i个果蝇和果蝇 种群Y中第i个果蝇搜索到的蜜源中尺度参数到原点的有效距离,为果 蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中平移参 数到原点的有效距离,为果蝇种群X中第i个果蝇和果蝇种群Y中第i 个果蝇搜索到的蜜源中频率参数到原点的有效距离,为果蝇种群X中第 i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中相位参数到原点的有 效距离;
将果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇的尺度参数判 别式平移参数判别式频率参数判别式相位参数判别式代入并与第k-1次迭代所得残差内 积运算,此时smelli作为蜜源的味道浓度值并保存在蜜源位置味道浓度集合 中;
步骤2025、获取果蝇的位置和味道浓度:在蜜源位置味道浓度集合中 获取时频参数范围内最大味道浓度smellbest和果蝇的位置bestindex,群体中的 其他果蝇朝着味道浓度最高的蜜源飞去;
当此时的smelli优于上一次的smelli-1时,跳脱参数c清零,执行步骤 2026;
当此时的smelli不优于上一次的smelli-1时,跳脱参数c进行累计,并判 断跳脱参数c是否大于跳脱参数阈值p,当跳脱参数c小于跳脱参数阈值 p时,执行步骤2026;当跳脱参数c不小于跳脱参数阈值p时,对当前数 目果蝇混沌映射,并根据公式和 对步骤2023中果蝇种群X的初始位置 和果蝇种群Y的初始位置进行混沌映射,获 取果蝇种群X的初始更新位置和果蝇种群Y的初始更新位置将果蝇种群X的初始更新位置和果蝇种群Y的 初始更新位置视为果蝇种群X的初始位置和果蝇种群Y的初始 位置,执行步骤2026;
其中,跳脱参数c为非负整数,跳脱参数阈值p的取值范围为50~80;
步骤2026、多次循环2023至步骤2025,直至果蝇种群体的最大迭代 次数maxgen迭代完毕或时频参数范围内最大味道浓度smellbest不变,获取最 优时频参数和最佳匹配原子;
步骤203、迭代停止条件判断:经过k次迭代,此时得到重构信号fk(t) 和重构信号fk(t)的信噪比SNRk,再进行第k+1次迭代得到重构信号fk+1(t)和 重构信号fk+1(t)的信噪比SNRk+1,调用迭代停止条件模块判断是否可以停止 迭代,若满足条件则停止迭代,输出超声回波信号f(t)去噪信号;若不满 足条件则返回步骤202继续分解。
上述的一种全局最优超声信号去噪方法,其特征在于:所述时频参数 范围包括尺度参数范围、平移参数范围、频率参数范围、相位参数范围, 所述尺度参数范围为平移参数范围为[1,N],频率参数范围为 相位参数范围为[0,π],其中,f0为超声回波信号f(t)的超声探头 的中心频率。
上述的一种全局最优超声信号去噪方法,其特征在于:所述果蝇的搜 索步长其中,L0为初始步长,T为步长收 敛系数且α为正交匹配追踪算法的迭代次数,β为步长收敛因子 且β取0.1~0.25,γ为非均匀变异因子且γ取0.6,r为0-1之间的随机数。
本发明与现有技术相比具有以下优点:
1、本发明采用基于参数寻优的稀疏分解方法寻找最佳匹配原子,同时 结合自适应迭代停止条件和自适应搜索步长,能有效提高去噪后信号的信 噪比,信号去噪的速度大幅加快,相比于传统稀疏分解,该方法能在更短时 间内完成信号去噪,实现信号实时去噪,便于推广使用。
2、本发明能够根据重构信号和其信噪比自适应停止迭代,该方法具有很 强的鲁棒性,能够克服传统迭代停止条件无法选择迭代停止阈值的问题,可 靠稳定,使用效果好。
3、本发明方法步骤简单,改进了果蝇优化算法的搜索步长,提出的自适 应步长相比于随机步长,在搜索过程中搜索精度更高,同时引入跳脱参数, 避免果蝇优化依赖于每次迭代选出来的最佳味道浓度的位置,将最佳味道 浓度陷于局部最优,提高搜索能力,确保重构信号误差小,不容易漏掉味 道浓度高的蜜源,克服了随机步长容易陷入局部最优的问题,便于推广使用。
综上所述,本发明采用基于参数寻优的稀疏分解方法寻找最佳匹配原 子,同时结合自适应迭代停止条件和自适应搜索步长,能有效提高去噪后 信号的信噪比,加快去噪的速度,同时引入跳脱参数,避免果蝇优化依赖 于每次迭代选出来的最佳味道浓度的位置,将最佳味道浓度陷于局部最 优,提高搜索能力,确保重构信号误差小,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明采集含缺陷试块的缺陷和底面回波所用系统的连接关系 示意图。
附图标记说明:
1—信号采集设备; 2—计算机; 3—含缺陷试块;
4—超声探头。
具体实施方式
如图1至图2所示,本发明的一种全局最优超声信号去噪方法,包括 以下步骤:
步骤一、超声回波信号的获取和存储:采用信号采集设备1获取超声 回波信号f(t),并将超声回波信号f(t)存储在计算机2中,信号采集设备1 获取超声回波信号f(t)为待处理信号且f(t)=[f(t1),f(t2),...,f(tn),...,f(tN)],其 中,n为采样时刻编号且n=1,2,...,N,N为信号的长度,f(tn)为f(t)在tn时刻 的采样点;
实际实施时,制作标准的含缺陷试块3,标准的含缺陷试块3的形状为 长方体,其长和宽均为5D,标准的含缺陷试块3的高度范围为λ为 超声波在含缺陷试块3中的波长,当超声探头4为直探头时,D是直探头的 直径;当超声探头4是斜探头时,D是斜探头的较长边的边长,缺陷是一个 直径2mm的平底孔,孔的高度为30mm。
实际使用时,超声探头4是型号为2.5Z20N的圆形直探头,直探头的直 径D为20mm,中心频率是2.5MHz;标准的含缺陷试块的材料是45钢,超声 波在标准的含缺陷试块中的传播速度为5920m/s,标准是含缺陷试块的高度 为65mm,长和宽均为100mm。
如图2所示,将超声探头3放在含缺陷试块的顶部中心处,用信号采集 设备1获取缺陷和底面的超声回波信号f(t),并将超声回波信号f(t)存储在计 算机2中。
本实施例中,信号采集设备1优选的采用CTS-4020超声探伤仪。
步骤二、超声回波信号去噪:采用计算机2对超声回波信号f(t)进行 去噪,过程如下:
步骤201、基于参数寻优的稀疏分解:调用正交匹配追踪算法模块对 步骤一中的超声回波信号f(t)进行分解,即得到K个 最佳匹配原子,为K个最佳匹配原子中第k个最佳匹配原子,k是正 整数且k=1,2,...,K,为超声回波信号f(t)第k次迭代后的残差量, ak为第k次迭代产生的残差在对应的最佳匹配原子上的投影;
其中,为Gabor原子且为高 斯窗函数且rk为的时频参数且rk=(sk,uk,vk,wk),sk为 第k次迭代中的尺度参数,uk为第k次迭代中的平移参数,vk为第k次迭 代中的频率参数,wk为第k次迭代中的相位参数;
本实施例中,所述时频参数范围包括尺度参数范围、平移参数范围、 频率参数范围、相位参数范围,所述尺度参数范围为平移参数范 围为[1,N],频率参数范围为相位参数范围为[0,π],其中,f0为 超声回波信号f(t)的超声探头的中心频率。
所述参数寻优算法模块为果蝇优化算法模块,参数寻优的过程如下:
步骤2021、参数初始化:采用计算机2设定果蝇种群体的最大迭代次 数maxgen和种群大小sizepop;
本实施例中,采用越界回折的方法保证果蝇在参数范围内寻优,对果 蝇搜索到的新蜜源的进行边界检测,若超出了参数范围的上下边界,则对 新蜜源的四个元素均进行越界回折操作,越界回折后获得蜜源作为新蜜 源,保证搜索的效率和精度。
步骤2022、生成果蝇位置:采用计算机2随机生成两个果蝇种群的初 始位置,两个果蝇种群的初始位置均为四维向量,两个果蝇种群分别用X 和Y表示,并赋予果蝇种群X的初始位置果蝇种群Y的 初始位置为随机生成的果蝇种群X的初始位置 时频参数的初始值,为随机生成的果蝇种群Y的初始位置时频 参数的初始值;
步骤2023、给定果蝇搜索的方向和步长:每个果蝇从初始位置离开, 开始搜索最佳味道浓度蜜源的位置,调用自适应步长模块,根据公式 确定果蝇种群X中第i个果蝇此时的位置Xi和果蝇种群Y中 第i个果蝇此时的位置Yi,i为果蝇编号且i=1、2、3、...、sizepop,Lg为果蝇的搜索步长,g是果蝇优化算法当前迭代次数,g=1、2、3、...、maxgen;
其中,为果蝇种群X中第i个果 蝇的尺度参数且为果蝇种群X中第i个果蝇的平移参数且 为果蝇种群X中第i个果蝇的频率参数且为果 蝇种群X中第i个果蝇的相位参数且为果蝇种群Y中第i 个果蝇的尺度参数且为果蝇种群Y中第i个果蝇的平移参数 且为果蝇种群Y中第i个果蝇的频率参数且为 果蝇种群Y中第i个果蝇的相位参数且
本实施例中,所述果蝇的搜索步长其 中,L0为初始步长,T为步长收敛系数且α为正交匹配追踪算法的 迭代次数,β为步长收敛因子且β取0.1~0.25,γ为非均匀变异因子且γ取 0.6,r为0-1之间的随机数。
本实施例中,随机数r是由随机数rand产生的。
步骤2024、确定最佳蜜源的大小和位置:根据公式计算果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中 时频参数到原点的有效距离,其中,为果蝇种群X中第i个果蝇和果蝇 种群Y中第i个果蝇搜索到的蜜源中尺度参数到原点的有效距离,为果 蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中平移参 数到原点的有效距离,为果蝇种群X中第i个果蝇和果蝇种群Y中第i 个果蝇搜索到的蜜源中频率参数到原点的有效距离,为果蝇种群X中第 i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中相位参数到原点的有 效距离;
将果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇的尺度参数判 别式平移参数判别式频率参数判别式相位参数判别式代入并与第k-1次迭代所得残差内 积运算,此时smelli作为蜜源的味道浓度值并保存在蜜源位置味道浓度集合 中;
步骤2025、获取果蝇的位置和味道浓度:在蜜源位置味道浓度集合中 获取时频参数范围内最大味道浓度smellbest和果蝇的位置bestindex,群体中的 其他果蝇朝着味道浓度最高的蜜源飞去;
当此时的smelli优于上一次的smelli-1时,跳脱参数c清零,执行步骤 2026;
当此时的smelli不优于上一次的smelli-1时,跳脱参数c进行累计,并判 断跳脱参数c是否大于跳脱参数阈值p,当跳脱参数c小于跳脱参数阈值 p时,执行步骤2026;当跳脱参数c不小于跳脱参数阈值p时,对当前数 目果蝇混沌映射,并根据公式和 对步骤2023中果蝇种群X的初始位置 和果蝇种群Y的初始位置进行混沌映射,获 取果蝇种群X的初始更新位置和果蝇种群Y的初始更新位置将果蝇种群X的初始更新位置和果蝇种群Y的 初始更新位置视为果蝇种群X的初始位置和果蝇种群Y的初始 位置,执行步骤2026;
其中,跳脱参数c为非负整数,跳脱参数阈值p的取值范围为50~80;
步骤2026、多次循环2023至步骤2025,直至果蝇种群体的最大迭代 次数maxgen迭代完毕或时频参数范围内最大味道浓度smellbest不变,获取最 优时频参数和最佳匹配原子;
步骤203、迭代停止条件判断:经过k次迭代,此时得到重构信号fk(t) 和重构信号fk(t)的信噪比SNRk,再进行第k+1次迭代得到重构信号fk+1(t)和 重构信号fk+1(t)的信噪比SNRk+1,调用迭代停止条件模块判断是否可以停止 迭代,若满足条件则停止迭代,输出超声回波信号f(t)去噪信号;若不满 足条件则返回步骤202继续分解。
本实施例中,给定阈值ε的大小决定了超声信号稀疏分解的程度,若 选取的过大,则会导致信号过匹配,若选取的过小,则会导致信号中的噪 声还没有完全去除就停止迭代。
本发明使用时,采用基于参数寻优的稀疏分解方法寻找最佳匹配原 子,同时结合自适应迭代停止条件和自适应搜索步长,能有效提高去噪后 信号的信噪比,信号去噪的速度大幅加快,相比于传统稀疏分解,该方法能 在更短时间内完成信号去噪,实现信号实时去噪;能够根据重构信号和其信 噪比自适应停止迭代,该方法具有很强的鲁棒性,能够克服传统迭代停止条 件无法选择迭代停止阈值的问题;改进了果蝇优化算法的搜索步长,提出的 自适应步长相比于随机步长,在搜索过程中搜索精度更高,同时引入跳脱参 数,避免果蝇优化依赖于每次迭代选出来的最佳味道浓度的位置,将最佳味 道浓度陷于局部最优,提高搜索能力,确保重构信号误差小,不容易漏掉味 道浓度高的蜜源,克服了随机步长容易陷入局部最优的问题。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡 是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效 结构变化,均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种全局最优超声信号去噪方法,其特征在于,该方法包括以下步骤:
步骤一、超声回波信号的获取和存储:采用信号采集设备(1)获取超声回波信号f(t),并将超声回波信号f(t)存储在计算机(2)中,信号采集设备(1)获取超声回波信号f(t)为待处理信号且f(t)=[f(t1),f(t2),...,f(tn),...,f(tN)],其中,n为采样时刻编号且n=1,2,...,N,N为信号的长度,f(tn)为f(t)在tn时刻的采样点;
步骤二、超声回波信号去噪:采用计算机(2)对超声回波信号f(t)进行去噪,过程如下:
步骤201、基于参数寻优的稀疏分解:调用正交匹配追踪算法模块对步骤一中的超声回波信号f(t)进行分解,即得到K个最佳匹配原子,为K个最佳匹配原子中第k个最佳匹配原子,k是正整数且k=1,2,...,K,为超声回波信号f(t)第k次迭代后的残差量,ak为第k次迭代产生的残差在对应的最佳匹配原子上的投影;
其中,为Gabor原子且 为高斯窗函数且rk为Grk(t)的时频参数且rk=(sk,uk,vk,wk),sk为第k次迭代中的尺度参数,uk为第k次迭代中的平移参数,vk为第k次迭代中的频率参数,wk为第k次迭代中的相位参数;
所述参数寻优算法模块为果蝇优化算法模块,参数寻优的过程如下:
步骤2021、参数初始化:采用计算机(2)设定果蝇种群体的最大迭代次数maxgen和种群大小sizepop;
步骤2022、生成果蝇位置:采用计算机(2)随机生成两个果蝇种群的初始位置,两个果蝇种群的初始位置均为四维向量,两个果蝇种群分别用X和Y表示,并赋予果蝇种群X的初始位置果蝇种群Y的初始位置 为随机生成的果蝇种群X的初始位置时频参数的初始值,为随机生成的果蝇种群Y的初始位置时频参数的初始值;
步骤2023、给定果蝇搜索的方向和步长:每个果蝇从初始位置离开,开始搜索最佳味道浓度蜜源的位置,调用自适应步长模块,根据公式确定果蝇种群X中第i个果蝇此时的位置Xi和果蝇种群Y中第i个果蝇此时的位置Yi,i为果蝇编号且i=1、2、3、...、sizepop,Lg为果蝇的搜索步长,g是果蝇优化算法当前迭代次数,g=1、2、3、...、maxgen;
其中, 为果蝇种群X中第i个果蝇的尺度参数且 为果蝇种群X中第i个果蝇的平移参数且 为果蝇种群X中第i个果蝇的频率参数且 为果蝇种群X中第i个果蝇的相位参数且 为果蝇种群Y中第i个果蝇的尺度参数且 为果蝇种群Y中第i个果蝇的平移参数且 为果蝇种群Y中第i个果蝇的频率参数且 为果蝇种群Y中第i个果蝇的相位参数且
步骤2024、确定最佳蜜源的大小和位置:根据公式计算果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中时频参数到原点的有效距离,其中,为果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中尺度参数到原点的有效距离,为果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中平移参数到原点的有效距离,为果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中频率参数到原点的有效距离,为果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇搜索到的蜜源中相位参数到原点的有效距离;
将果蝇种群X中第i个果蝇和果蝇种群Y中第i个果蝇的尺度参数判别式平移参数判别式频率参数判别式相位参数判别式代入并与第k-1次迭代所得残差内积运算,此时smelli作为蜜源的味道浓度值并保存在蜜源位置味道浓度集合中;
步骤2025、获取果蝇的位置和味道浓度:在蜜源位置味道浓度集合中获取时频参数范围内最大味道浓度smellbest和果蝇的位置bestindex,群体中的其他果蝇朝着味道浓度最高的蜜源飞去;
当此时的smelli优于上一次的smelli-1时,跳脱参数c清零,执行步骤2026;
当此时的smelli不优于上一次的smelli-1时,跳脱参数c进行累计,并判断跳脱参数c是否大于跳脱参数阈值p,当跳脱参数c小于跳脱参数阈值p时,执行步骤2026;当跳脱参数c不小于跳脱参数阈值p时,对当前数目果蝇混沌映射,并根据公式和对步骤2023中果蝇种群X的初始位置和果蝇种群Y的初始位置进行混沌映射,获取果蝇种群X的初始更新位置和果蝇种群Y的初始更新位置将果蝇种群X的初始更新位置和果蝇种群Y的初始更新位置视为果蝇种群X的初始位置和果蝇种群Y的初始位置,执行步骤2026;
其中,跳脱参数c为非负整数,跳脱参数阈值p的取值范围为50~80;
步骤2026、多次循环2023至步骤2025,直至果蝇种群体的最大迭代次数maxgen迭代完毕或时频参数范围内最大味道浓度smellbest不变,获取最优时频参数和最佳匹配原子;
步骤203、迭代停止条件判断:经过k次迭代,此时得到重构信号fk(t)和重构信号fk(t)的信噪比SNRk,再进行第k+1次迭代得到重构信号fk+1(t)和重构信号fk+1(t)的信噪比SNRk+1,调用迭代停止条件模块判断是否可以停止迭代,若满足条件则停止迭代,输出超声回波信号f(t)去噪信号;若不满足条件则返回步骤202继续分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178657.7A CN112784811B (zh) | 2021-02-09 | 2021-02-09 | 一种全局最优超声信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178657.7A CN112784811B (zh) | 2021-02-09 | 2021-02-09 | 一种全局最优超声信号去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784811A true CN112784811A (zh) | 2021-05-11 |
CN112784811B CN112784811B (zh) | 2023-06-23 |
Family
ID=75761407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178657.7A Active CN112784811B (zh) | 2021-02-09 | 2021-02-09 | 一种全局最优超声信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784811B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109186589A (zh) * | 2018-07-19 | 2019-01-11 | 中国矿业大学 | 一种基于阵列式惯性单元的采煤机定位方法 |
CN109682892A (zh) * | 2018-12-26 | 2019-04-26 | 西安科技大学 | 一种基于时频分析的信号去燥方法 |
-
2021
- 2021-02-09 CN CN202110178657.7A patent/CN112784811B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109186589A (zh) * | 2018-07-19 | 2019-01-11 | 中国矿业大学 | 一种基于阵列式惯性单元的采煤机定位方法 |
CN109682892A (zh) * | 2018-12-26 | 2019-04-26 | 西安科技大学 | 一种基于时频分析的信号去燥方法 |
Non-Patent Citations (1)
Title |
---|
李大中;赵杰;孙立江;张坤;: "果蝇优化小波阈值超声检测信号去噪", 中国测试, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN112784811B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110865357B (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
CN112861731B (zh) | 一种基于参数寻优的超声信号去噪方法 | |
CN109871733B (zh) | 一种自适应海杂波信号去噪方法 | |
CN113449683B (zh) | 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 | |
CN115015907B (zh) | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 | |
CN105527617B (zh) | 一种基于鲁棒主元分析的探地雷达数据背景去除方法 | |
CN107037136B (zh) | 一种管道换热污垢阵列式超声检测方法 | |
CN102393423A (zh) | 基于自适应阈值正交小波变换的兰姆波去噪方法 | |
CN112255607B (zh) | 一种海杂波的抑制方法 | |
CN115236206B (zh) | 基于多路径匹配追踪算法改进的高频超声去噪方法及系统 | |
CN115840879A (zh) | 一种增材制造构件超声检测回波信号处理方法及系统 | |
CN110515063A (zh) | 基于迭代平稳离散小波变换的水声信号处理方法和装置 | |
CN114117912A (zh) | 一种数据模型双驱动下的海杂波建模与抑制方法 | |
Zhang et al. | A reverberation noise suppression method of sonar image based on shearlet transform | |
CN112784811A (zh) | 一种全局最优超声信号去噪方法 | |
CN109669169A (zh) | 一种海杂波背景下的微弱目标信号检测方法 | |
CN106249241B (zh) | 一种自适应杂波功率统计算法 | |
CN109087246A (zh) | 一种基于稀疏重构的超声图像重构方法 | |
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 | |
CN112327260B (zh) | 一种sar回波数据中脉冲式干扰信号的抑制方法和装置 | |
CN101396278A (zh) | 一种去除实时超声图像斑点噪声的方法 | |
CN110442827B (zh) | 一种频率估计方法、装置、系统及计算机可读存储介质 | |
CN113375065A (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
CN114170239A (zh) | 基于分级搜索的大视场自适应壁滤波方法及系统 | |
CN112230200A (zh) | 一种基于激光雷达回波信号的改进型组合降噪方法 |
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 |