CN113591652A - 一种基于优化变分模态分解的电磁信号处理方法和装置 - Google Patents
一种基于优化变分模态分解的电磁信号处理方法和装置 Download PDFInfo
- Publication number
- CN113591652A CN113591652A CN202110831694.3A CN202110831694A CN113591652A CN 113591652 A CN113591652 A CN 113591652A CN 202110831694 A CN202110831694 A CN 202110831694A CN 113591652 A CN113591652 A CN 113591652A
- Authority
- CN
- China
- Prior art keywords
- whale
- modal
- individual
- optimal
- value
- 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.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 241000283153 Cetacea Species 0.000 claims abstract description 168
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 14
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 5
- 230000009182 swimming Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 18
- 208000032365 Electromagnetic interference Diseases 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种基于优化变分模态分解的电磁信号处理方法和装置，该方法包括：将待处理的电磁信号进行等距分段；利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α；使用所述K和所述α对分段后的所述电磁信号进行变分模态分解处理，得到K个模态分量；从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号，其中，所述阈值为去趋势波动分析中的标度指数值。通过本申请解决了VMD中靠主观经验设置参数难以消除不同人文电磁干扰的问题，从而自适应选取重构信号所需的参数，提升了去噪效果及信噪比。
Description
技术领域
本申请涉及到电磁领域，具体而言，涉及一种基于优化变分模态分解的电磁信号处理方法和装置。
背景技术
噪声是限制电磁勘探应用效果的主要因素，噪声也严重制约了数据质量，导致视电阻率-相位曲线过度失真，极大地影响了地下电性结构的可解释性及采集数据本身的可靠性。因此，在强干扰地区开展电磁信号去噪研究将提升数据的质量，并能从不同程度污染的电磁法数据中获取真实的电性结构。
针对智能优化与信号处理在电磁信号去噪处理中的应用，经验模态分解(EMD)、局域均值分解(LMD)等算法消除了常见的人文电磁干扰，改善了受干扰的电磁数据的质量。由于EMD、LMD算法存在模态混叠，导致分解效果失真。因此，变分模态分解(Variational ModeDecomposition,VMD)是一种完全非递归、自适应的信号分解方法，该方法通过迭代搜寻变分模型的最优解来确定每个分量的中心频率和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离，同时也有效克服了EMD、LMD算法存在的不足。当VMD应用于电磁信号处理时，该算法参数中的模态分量个数K和惩罚因子α无法自适应获取，导致了无法最优分解信号及获取不真实的重构信号，从而降低了去噪效果。
在现有技术中，VMD中的模态分量个数K和惩罚因子α需人为预先设置参数，这种基于主观经验设置参数的方法难以消除不同人文电磁干扰的影响。
发明内容
本申请实施例提供了一种基于优化变分模态分解的电磁信号处理方法和装置，以至少解决VMD中靠主观经验设置参数难以消除不同人文电磁干扰的问题。
根据本申请的一个方面，提供了一种基于优化变分模态分解的电磁信号处理方法和装置，包括：将待处理的电磁信号进行等距分段；利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α；使用所述K和所述α对分段后的所述电磁信号进行变分模态分解VMD处理，得到K个模态分量；从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号，其中，所述阈值为去趋势波动分析中的标度指数值。
进一步地，利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α包括：确定鲸鱼种群规模，随机生成X只鲸鱼的位置，将[K，α]设置为鲸鱼的位置向量，其中，所述K为模态个数与所述α为惩罚因子；计算每只鲸鱼的适应度函数值，确定当前适应度值最优的鲸鱼个体；在定义最优鲸鱼位置后，别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程；对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置；满足最大迭代次数，终止搜寻，输出全局最优解；否则继续进行迭代。
进一步地，所述适应度函数如下：
式中，N表示个数，pi表示第i个经Hilbert变换的包络信号，E表示包络熵值。
进一步地，确定当前适应度值最优的鲸鱼个体的计算如下：
式中，
表示鲸鱼个体与最优鲸鱼位置之间的距离，
表示摆动因子，
表示第t代中最优鲸鱼的位置，
表示第t代中鲸鱼个体的位置，| |表示绝对值，
表示[0,1]之间的随机数，
表示收敛因子，
表示随迭代次数的增加从2线性递减至0的值。
进一步地，别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程通过如下计算：
式中，
表示鲸鱼到食物的距离，
表示鲸鱼捕食的数学模型，
分别表示鲸鱼摇摆包围捕食和螺旋姿势游动吐气泡捕食，b表示螺旋形常数，l表示[0,1]之间的随机数，e表示指数因子，p表示[0,1]之间的随机数。
进一步地，对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置通过如下计算：
式中，Bu表示单个鲸鱼个体上限向量，Bl表示单个鲸鱼个体下限向量，
表示镜像独立鲸鱼个体的位置，
表示当前种群中随机一只鲸鱼的位置，
表示全局最优解。
进一步地，所述的全局最优解为优化VMD参数的最优组合
进一步地，所述K的取值范围为2～15，所述α的取值范围为10～5000。
进一步地，从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号包括：
式中，argmax表示为取最大值的参量，y表示标度指数，θ表示阈值为0.75，J表示标度指数大于等于阈值的个数，cz(t)表示t时刻的重构信号，uj表示第j个模态分量。
根据本申请的另一个方面，还提供了一种基于优化变分模态分解的电磁信号处理装置，其特征在于，包括至少一个模块，其中，所述至少一个模块用于执行上述的方法。
在本申请实施例中，采用了将待处理的电磁信号进行等距分段；利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α；使用所述K和所述α对分段后的所述电磁信号进行变分模态分解VMD处理，得到K个模态分量；从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号，其中，所述阈值为去趋势波动分析中的标度指数值。通过本申请解决了VMD中靠主观经验设置参数难以消除不同人文电磁干扰的问题，从而自适应选取重构信号所需的参数，提升了去噪效果及信噪比。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的方法的主流程图；
图2是根据本申请实施例的改进鲸鱼优化算法的流程图。
图3是根据本申请实施例的模拟含噪信号的经改进鲸鱼优化算法搜寻最佳VMD参数的收敛效果示意图；
图4是根据本申请实施例的模拟含噪信号经优化VMD后的模态分量效果示意图；
图5是根据本申请实施例的模拟含噪信号经VMD处理和优化VMD处理效果对比示意图；
图6是根据本申请实施例的实测信号经VMD处理和优化VMD处理效果对比示意图；
图7a和图7b是根据本申请实施例的实测点EL22189的视电阻率-相位曲线图，其中，图7a为原始视电阻率方向，图7b为本申请实施例的方法处理后的视电阻率方向；
图8是根据本申请实施例的基于优化变分模态分解的电磁信号处理方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于优化变分模态分解的电磁信号处理方法和装置，图8是根据本申请实施例的基于优化变分模态分解的电磁信号处理方法的流程图，如图8所示，该流程包括如下步骤：
步骤S102，将待处理的电磁信号进行等距分段；
步骤S104，利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α；
在该步骤中，确定鲸鱼种群规模，随机生成X只鲸鱼的位置，将[K，α]设置为鲸鱼的位置向量，其中，所述K为模态个数与所述α为惩罚因子；计算每只鲸鱼的适应度函数值，确定当前适应度值最优的鲸鱼个体；在定义最优鲸鱼位置后，别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程；对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置；满足最大迭代次数，终止搜寻，输出全局最优解；否则继续进行迭代。
例如，所述适应度函数如下：
式中，N表示个数，pi表示第i个经Hilbert变换的包络信号，E表示包络熵值。确定当前适应度值最优的鲸鱼个体X*的计算如下：
式中，
表示鲸鱼个体与最优鲸鱼位置之间的距离，
表示摆动因子，
表示第t代中最优鲸鱼的位置，
表示第t代中鲸鱼个体的位置，||表示绝对值，
表示[0,1]之间的随机数，
表示收敛因子，
表示随迭代次数的增加从2线性递减至0的值。
别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程通过如下计算：
式中，
表示鲸鱼到食物的距离，
表示鲸鱼捕食的数学模型，
分别表示鲸鱼摇摆包围捕食和螺旋姿势游动吐气泡捕食，b表示螺旋形常数，l表示[0,1]之间的随机数，e表示指数因子，p表示[0,1]之间的随机数。
对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置通过如下计算：
式中，Bu表示单个鲸鱼个体上限向量，Bl表示单个鲸鱼个体下限向量，
表示镜像独立鲸鱼个体的位置，
表示当前种群中随机一只鲸鱼的位置，
表示全局最优解。
步骤S106，使用所述K和所述α对分段后的所述电磁信号进行变分模态分解处理，得到K个模态分量；
步骤S108，从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号，其中，所述阈值为去趋势波动分析中的标度指数值。
通过上述步骤，解决了VMD中靠主观经验设置参数难以消除不同人文电磁干扰的问题，从而自适应选取重构信号所需的参数，提升了去噪效果及信噪比。
在本实施例中提供了一种基于优化变分模态分解的电磁信号处理方法和装置，该方法通过结合智能优化VMD算法，采取迭代寻优最佳分解参数，克服人为经验的参数设置，以及自适应选取重构信号所需的模态分量个数，以期提升去噪效果及信噪比。
在本实施例中，提供了如下步骤：
步骤1：基于改进鲸鱼优化算法搜寻VMD中的最佳模态个数K与惩罚因子α；其中，将待处理的电磁信号进行等间距分段，利用最小包络熵作为改进鲸鱼优化算法的适应度函数，循环迭代得到最佳K和α。
在该步骤中，可以采用如下的步骤来进行循环迭代：
步骤1-1：参数初始化，确定鲸鱼种群规模，随机生成X只鲸鱼的位置，将VMD中[K，α]设置为鲸鱼的位置向量。
步骤1-2：计算每只鲸鱼的适应度函数值，确定当前适应度值最优的鲸鱼个体。
该适应度函数如下：
式中，N表示个数，pi表示第i个经Hilbert变换的包络信号，E表示包络熵值。
当前适应度值最优的鲸鱼个体的计算如下：
式中，
表示鲸鱼个体与最优鲸鱼位置之间的距离，
表示摆动因子，
表示第t代中最优鲸鱼的位置，
表示第t代中鲸鱼个体的位置，||表示绝对值，
表示[0,1]之间的随机数，
表示收敛因子，
表示随迭代次数的增加从2线性递减至0的值。
步骤1-3：在定义最优鲸鱼位置后，别的鲸鱼个体朝向鲸鱼位置游去从而更新自身的位置，进行鲸鱼捕食的过程；
别的鲸鱼个体朝向鲸鱼位置游去从而更新自身的位置，进行鲸鱼捕食的过程如下：
式中，
表示鲸鱼到食物的距离，
表示鲸鱼捕食的数学模型，
分别表示鲸鱼摇摆包围捕食和螺旋姿势游动吐气泡捕食，b表示螺旋形常数，l表示[0,1]之间的随机数，e表示指数因子，p表示[0,1]之间的随机数。
步骤1-4：对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置；
全局最优的鲸鱼个体及位置的计算如下：
式中，Bu表示单个鲸鱼个体上限向量，Bl表示单个鲸鱼个体下限向量，
表示镜像独立鲸鱼个体的位置，
表示当前种群中随机一只鲸鱼的位置，
表示全局最优解。
步骤1-5：满足最大迭代次数，终止搜寻，输出全局最优解；否则重复步骤1-2～1-5，继续进行迭代。
步骤2：基于优化VMD的电磁信号分解；其中，将分段后的电磁信号进行优化VMD处理，得到最佳的K个模态分量；例如，优化VMD中最佳K的取值范围为2～15，α的取值范围为10～5000。
步骤3：基于去趋势波动分析的优化VMD重构方法；其中，利用去趋势波动分析中的标度指数值作为阈值，选择大于阈值的模态分量进行叠加获取重构有用信号。
基于去趋势波动分析的优化VMD重构方法的过程可以如下：
式中，argmax表示为取最大值的参量，y表示标度指数，θ表示阈值为0.75，J表示标度指数大于等于阈值的个数，cz(t)表示t时刻的重构信号，uj表示第j个模态分量；
全局最优解为优化VMD参数的最优组合
基于去趋势波动分析的优化VMD重构方法是将最优分解K个模态分量的情况下，选取每个模态分量的标度指数大于等于阈值的模态分量进行叠加，获取重构有用信号。
下面结合附图对本实施例进行说明。
如图1所示，本实施例公开了一种基于优化变分模态分解的电磁信号处理方法和装置，包括如下：
步骤1：基于改进鲸鱼优化算法搜寻VMD中的最佳模态个数K与惩罚因子α；
其中，将待处理的电磁信号进行等间距分段，利用最小包络熵作为鲸鱼优化算法的适应度函数，循环迭代得到最佳K和α；本实施例中，图2所示为改进鲸鱼优化算法的流程图，根据算法流程进行模态个数K与惩罚因子α的搜寻，结合图3模拟含噪信号，利用最小包络熵作为适应度函数进行搜寻最佳VMD参数及分析收敛性。本实施例中，针对模拟含噪信号进行VMD参数优化，计算得到适应度函数值即最小包络熵值为2.891，迭代次数为7即K取7时，获得最优参数组合[7,2904]。
步骤2：基于优化VMD的电磁信号分解；
其中，将分段后的电磁信号进行优化VMD处理，得到最佳的K个模态分量；本实施例中，图4所示为优化VMD后的模态分量效果，此时获得的模态分量为最优模态分量。
步骤3：基于去趋势波动分析的优化VMD重构方法；
其中，利用去趋势波动分析中的标度指数值作为阈值，选择大于阈值的模态分量进行叠加获取重构有用信号。本实施例中，图5和图6分别为模拟含噪信号与实测含噪信号的优化VMD去噪效果，并对比原始VMD去噪效果，明显地发现优化VMD提升了去噪效果。
所述基于改进鲸鱼优化算法搜寻VMD中的最佳K和α的过程如下：
步骤1-1：参数初始化，确定鲸鱼种群规模，随机生成X只鲸鱼的位置，将VMD中[K，α]设置为鲸鱼的位置向量；
步骤1-2：计算每只鲸鱼的适应度函数值，确定当前适应度值最优的鲸鱼个体；
步骤1-3：在定义最优鲸鱼位置后，别的鲸鱼个体朝向鲸鱼位置游去从而更新自身的位置，进行鲸鱼捕食的过程；
步骤1-4：对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置；
步骤1-5：满足最大迭代次数，终止搜寻，输出全局最优解；否则重复步骤1-2～1-5，继续进行迭代；
步骤1-2中适应度函数如下：
式中，N表示个数，pi表示第i个经Hilbert变换的包络信号，E表示包络熵值；
具体的，所述步骤1-2中当前适应度值最优的鲸鱼个体的计算如下：
式中，
表示鲸鱼个体与最优鲸鱼位置之间的距离，
表示摆动因子，
表示第t代中最优鲸鱼的位置，
表示第t代中鲸鱼个体的位置，||表示绝对值，
表示[0,1]之间的随机数，
表示收敛因子，
表示随迭代次数的增加从2线性递减至0的值。
步骤1-3中别的鲸鱼个体朝向鲸鱼位置游去从而更新自身的位置，进行鲸鱼捕食的过程如下：
式中，
表示鲸鱼到食物的距离，
表示鲸鱼捕食的数学模型，
分别表示鲸鱼摇摆包围捕食和螺旋姿势游动吐气泡捕食，b表示螺旋形常数，l表示[0,1]之间的随机数，e表示指数因子，p表示[0,1]之间的随机数；
所述步骤1-4中通过镜像选择策略改进种群的多样性，全局最优的鲸鱼个体及位置的计算如下：
式中，Bu表示单个鲸鱼个体上限向量，Bl表示单个鲸鱼个体下限向量，
表示镜像独立鲸鱼个体的位置，
表示当前种群中随机一只鲸鱼的位置，
表示全局最优解；
具体的，所述步骤2优化VMD中最佳K的取值范围为2～15，α的取值范围为10～5000。
具体的，所述步骤3中基于去趋势波动分析的优化VMD重构方法的过程如下：
式中，argmax表示为取最大值的参量，y表示标度指数，θ表示阈值为0.75，J表示标度指数大于等于阈值的个数，cz(t)表示t时刻的重构信号，uj表示第j个模态分量；
全局最优解为优化VMD参数的最优组合
基于去趋势波动分析的优化VMD重构方法是将最优分解K个模态分量的情况下，选取每个模态分量的标度指数大于等于阈值的模态分量进行叠加，获取重构有用信号。
为了验证本实施例效果的有效性，将VMD方法在模拟含噪信号中的去噪性能进行对比。采用去噪前后的轮廓相似度(NCC)，信噪比(SNR)和均方差(MSE)综合评价。
表1模拟含噪信号的性能参数对比
| 方法/性能参数 | NCC | SNR | MSE |
| VMD | 0.9971 | 20.1669 | 2.6477 |
| 优化VMD | 0.9994 | 23.9409 | 0.0248 |
表1所示为模拟含噪信号的性能参数对比，从表1可以看出，本实施例方法上轮廓相似度(NCC)和信噪比(SNR)均高于VMD方法，均方差低于VMD方法，本实施例方法能提取光滑的轮廓特征，重构信号保留了更丰富的有用信号；而VMD重构信号中仍存在部分残余噪声，导致去噪效果差。
通过对比原始数据和本实施例方法处理后的卡尼亚电阻率的效果进行评价。如图7所示，图7为音频大地电磁实测点EL22189的卡尼亚电阻率ρxy方向曲线对比图。由于原始音频大地电磁实测点在时间域中受强干扰的影响，导致了ρxy方向曲线在低频段上升，在2Hz附近突然下掉，曲线变得紊乱；不难发现，经本实施例方法处理后，实测点的卡尼亚电阻率ρxy方向曲线更为平稳、连续，尤其在低频段，电阻率值处于合理的范围，强干扰得到了有效压制。为此，本实施例方法表明：处理后实测点的特征更接近于天然电磁场的特征规律。
在上述实施例中利用改进鲸鱼优化算法搜寻VMD的模态个数K和惩罚因子α，结合去趋势波动分析中的标度指数自适应选择大于等于标度指数值的模态分量进行叠加，获取重构有用信号。采用改进鲸鱼优化算法的控制参数少，收敛速度快，算法简单易操作进行迭代寻优，实现了VMD参数的智能选取，解决了原始VMD算法基于主观经验选取造成的适用性不强等缺陷，并使之成功应用于电磁信号分解和重构。经过实验结果分析，避免了VMD因人为选取的不足，改善了VMD的分解效果，具有一定的实用价值和创新性。
上述实施例中的基于去趋势波动分析的优化VMD重构方法，通过标度指数值的范围优选出大于等于该值的模态分量进行叠加重构有用信号，减少了主观经验选取模态分量叠加，同时也避免了采集数据长的情况下选取模态分量叠加的自适应性，最大限度地保留原始微弱的电磁有用信号，提升了去噪效率及效果。
上述实施例中的将改进鲸鱼优化算法、VMD算法和去趋势波动分析算法相结合，充分利用它们在智能选取、信号分解、自适应信号重构等方面的优势，将实测电磁信号高精度地分解，从而自适应选取准确的模态分量信号进行重构有用信号，提升了去噪效果的可靠性，为后续电磁法反演、解析提供高质量的电磁数据。
在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。在本实施例中，还提供了一种基于变分模态分解的电磁信号处理装置，包括至少一个模块，其中，所述至少一个模块用于执行上述的方法中的步骤。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于优化变分模态分解的电磁信号处理方法，其特征在于，包括：
将待处理的电磁信号进行等距分段；
利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α；
使用所述K和所述α对分段后的所述电磁信号进行变分模态分解处理，得到K个模态分量；
从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号，其中，所述阈值为去趋势波动分析中的标度指数值。
2.根据权利要求1所述的方法，其特征在于，利用最小包络熵作为改进鲸鱼优化算法的适应度函数，迭代得到模态个数K与惩罚因子α包括：
确定鲸鱼种群规模，随机生成X只鲸鱼的位置，将[K，α]设置为鲸鱼的位置向量，其中，所述K为模态个数与所述α为惩罚因子；
计算每只鲸鱼的适应度函数值，确定当前适应度值最优的鲸鱼个体；
在定义最优鲸鱼位置后，别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程；
对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置；
满足最大迭代次数，终止搜寻，输出全局最优解；否则继续进行迭代。
3.根据权利要求2所述的方法，其特征在于，
所述适应度函数如下：
式中，N表示个数，pi表示第i个经Hilbert变换的包络信号，E表示包络熵值。
4.根据权利要求2所述的方法，其特征在于，确定当前适应度值最优的鲸鱼个体的计算如下：
式中，
表示鲸鱼个体与最优鲸鱼位置之间的距离，
表示摆动因子，
表示第t代中最优鲸鱼的位置，
表示第t代中鲸鱼个体的位置，| |表示绝对值，
表示[0,1]之间的随机数，
表示收敛因子，
表示随迭代次数的增加从2线性递减至0的值。
5.根据权利要求2所述的方法，其特征在于，别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程通过如下计算：
式中，
表示鲸鱼到食物的距离，
表示鲸鱼捕食的数学模型，
分别表示鲸鱼摇摆包围捕食和螺旋姿势游动吐气泡捕食，b表示螺旋形常数，l表示[0,1]之间的随机数，e表示指数因子，p表示[0,1]之间的随机数。
6.根据权利要求2所述的方法，其特征在于，对整个鲸鱼种群进行判断，通过镜像选择策略改进种群的多样性，确定全局最优的鲸鱼个体及位置通过如下计算：
式中，Bu表示单个鲸鱼个体上限向量，Bl表示单个鲸鱼个体下限向量，
表示镜像独立鲸鱼个体的位置，
表示当前种群中随机一只鲸鱼的位置，
表示全局最优解。
7.根据权利要求6所述的方法，其特征在于，所述的全局最优解为优化VMD参数的最优组合
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述K的取值范围为2～15，所述α的取值范围为10～5000。
9.根据权利要求1至7中任一项所述的方法，其特征在于，从所述K个模态分量中选择大于等于阈值的模态分量进行叠加获取重构有用信号包括：
式中，argmax表示为取最大值的参量，y表示标度指数，θ表示阈值为0.75，J表示标度指数大于等于阈值的个数，cz(t)表示t时刻的重构信号，uj表示第j个模态分量。
10.一种基于优化变分模态分解的电磁信号处理装置，其特征在于，包括至少一个模块，其中，所述至少一个模块用于执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110831694.3A CN113591652A (zh) | 2021-07-22 | 2021-07-22 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110831694.3A CN113591652A (zh) | 2021-07-22 | 2021-07-22 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113591652A true CN113591652A (zh) | 2021-11-02 |
Family
ID=78249038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110831694.3A Pending CN113591652A (zh) | 2021-07-22 | 2021-07-22 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591652A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114441111A (zh) * | 2022-01-29 | 2022-05-06 | 常州大学 | 一种管道泄漏次声波信号分析方法及系统 |
| CN114754857A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
| CN114970646A (zh) * | 2022-07-29 | 2022-08-30 | 中南大学 | 一种人工源电磁伪随机信号去趋势和噪声识别方法 |
| CN114970647A (zh) * | 2022-07-29 | 2022-08-30 | 中南大学 | 基于概率神经网络的电磁数据识别方法及系统 |
| CN117056677A (zh) * | 2023-10-10 | 2023-11-14 | 吉林大学 | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 |
| CN117092206A (zh) * | 2023-08-09 | 2023-11-21 | 国网四川省电力公司电力科学研究院 | 电缆铅封区域的缺陷检测方法、计算机设备及存储介质 |
| CN117434593A (zh) * | 2023-09-12 | 2024-01-23 | 中国矿业大学(北京) | 弹性波信号处理方法、装置及设备 |
| CN117520758A (zh) * | 2024-01-08 | 2024-02-06 | 中铁南方投资集团有限公司 | 一种基于变分模态分解的盾构掘进机时序参数降噪方法 |
| CN117691631A (zh) * | 2024-02-04 | 2024-03-12 | 西安热工研究院有限公司 | 一种基于混合储能装置的电力调频方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108845306A (zh) * | 2018-07-05 | 2018-11-20 | 南京信息工程大学 | 基于变分模态分解的激光雷达回波信号去噪方法 |
| CN111985383A (zh) * | 2020-08-14 | 2020-11-24 | 太原理工大学 | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 |
| CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN112597930A (zh) * | 2020-12-28 | 2021-04-02 | 西安理工大学 | 一种基于woa-vmd算法的信号去噪方法 |
-
2021
- 2021-07-22 CN CN202110831694.3A patent/CN113591652A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108845306A (zh) * | 2018-07-05 | 2018-11-20 | 南京信息工程大学 | 基于变分模态分解的激光雷达回波信号去噪方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN111985383A (zh) * | 2020-08-14 | 2020-11-24 | 太原理工大学 | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 |
| CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
| CN112597930A (zh) * | 2020-12-28 | 2021-04-02 | 西安理工大学 | 一种基于woa-vmd算法的信号去噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| DONGDONG WEI 等: "An optimal variational mode decomposition for rolling bearing fault feature extraction", 《MEASUREMENT SCIENCE AND TECHNOLOGY》, pages 1 - 17 * |
| LI JINGNAN 等: "Improved Whale Optimization Algorithm Based on Mirror Selection", 《TRANSACTIONS OF NANJING UNIVERSITY OF AERONAUTICS AND ASTRONAUTICS》, vol. 37, pages 115 - 123 * |
| 张贤: "基于变分模态分解和分形的大地电磁信噪辨识及分离研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 12, pages 011 - 95 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114441111B (zh) * | 2022-01-29 | 2023-09-29 | 常州大学 | 一种管道泄漏次声波信号分析方法及系统 |
| CN114441111A (zh) * | 2022-01-29 | 2022-05-06 | 常州大学 | 一种管道泄漏次声波信号分析方法及系统 |
| CN114754857A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
| CN114754857B (zh) * | 2022-06-14 | 2022-08-23 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
| CN114970646A (zh) * | 2022-07-29 | 2022-08-30 | 中南大学 | 一种人工源电磁伪随机信号去趋势和噪声识别方法 |
| CN114970646B (zh) * | 2022-07-29 | 2022-11-01 | 中南大学 | 一种人工源电磁伪随机信号去趋势和噪声识别方法 |
| CN114970647A (zh) * | 2022-07-29 | 2022-08-30 | 中南大学 | 基于概率神经网络的电磁数据识别方法及系统 |
| CN117092206A (zh) * | 2023-08-09 | 2023-11-21 | 国网四川省电力公司电力科学研究院 | 电缆铅封区域的缺陷检测方法、计算机设备及存储介质 |
| CN117434593A (zh) * | 2023-09-12 | 2024-01-23 | 中国矿业大学(北京) | 弹性波信号处理方法、装置及设备 |
| CN117056677A (zh) * | 2023-10-10 | 2023-11-14 | 吉林大学 | 基于麻雀算法改进变分模态分解的瞬变电磁信号去噪方法 |
| CN117520758A (zh) * | 2024-01-08 | 2024-02-06 | 中铁南方投资集团有限公司 | 一种基于变分模态分解的盾构掘进机时序参数降噪方法 |
| CN117520758B (zh) * | 2024-01-08 | 2024-03-26 | 中铁南方投资集团有限公司 | 一种基于变分模态分解的盾构掘进机时序参数降噪方法 |
| CN117691631A (zh) * | 2024-02-04 | 2024-03-12 | 西安热工研究院有限公司 | 一种基于混合储能装置的电力调频方法和系统 |
| CN117691631B (zh) * | 2024-02-04 | 2024-04-30 | 西安热工研究院有限公司 | 一种基于混合储能装置的电力调频方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113591652A (zh) | 一种基于优化变分模态分解的电磁信号处理方法和装置 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN112597930B (zh) | 一种基于woa-vmd算法的信号去噪方法 | |
| CN113109289A (zh) | 最优小波去噪组合的选取方法及THz光谱去噪方法 | |
| CN113640891B (zh) | 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法 | |
| CN112578471B (zh) | 一种探地雷达杂波噪声去除方法 | |
| CN112464876A (zh) | 电力设备的故障诊断方法、装置、计算机设备和存储介质 | |
| Ashraf et al. | Underwater ambient-noise removing GAN based on magnitude and phase spectra | |
| CN112882115A (zh) | 基于gwo优化小波阈值的大地电磁信号去噪方法及系统 | |
| Liu et al. | Weighted multisteps adaptive autoregression for seismic image denoising | |
| CN117494573B (zh) | 一种风速预测方法、系统及电子设备 | |
| CN112713907B (zh) | 一种基于字典学习的海洋csem降噪方法及系统 | |
| CN117332268A (zh) | 一种改进gan的gis局放数据增强方法及系统 | |
| CN116310851B (zh) | 遥感图像变化检测方法 | |
| CN104699949A (zh) | 一种基于混沌退火小波硬阈值法xlpe电缆局部放电消噪方法 | |
| CN116299219A (zh) | 一种干扰深度特征距离度量联合检测与抑制方法 | |
| CN113379666B (zh) | 基于区间二型模糊集和chmm模型的图像融合方法 | |
| CN113447987B (zh) | 一种确定地层流体饱和度的方法、装置及设备 | |
| CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
| CN114723660A (zh) | 一种布匹缺陷检测方法及系统 | |
| CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
| Alkan et al. | AutoSamp: Autoencoding k-space Sampling via Variational Information Maximization for 3D MRI | |
| Singh et al. | Noise-residue learning convolutional network model for magnetic resonance image enhancement | |
| CN115016009B (zh) | 一种基于优化聚类的csem数据处理方法及装置 | |
| Watzenig et al. | Accelerated Markov chain Monte Carlo sampling in electrical capacitance tomography |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |