CN117434593A - 弹性波信号处理方法、装置及设备 - Google Patents
弹性波信号处理方法、装置及设备 Download PDFInfo
- Publication number
- CN117434593A CN117434593A CN202311172939.1A CN202311172939A CN117434593A CN 117434593 A CN117434593 A CN 117434593A CN 202311172939 A CN202311172939 A CN 202311172939A CN 117434593 A CN117434593 A CN 117434593A
- Authority
- CN
- China
- Prior art keywords
- position vector
- elastic wave
- wave signal
- modal
- vector
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 160
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 19
- 241000283153 Cetacea Species 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 241000361919 Metaphire sieboldi Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请提供一种弹性波信号处理方法、装置及设备。所述弹性波信号处理方法，包括：根据所述弹性波信号，构建变分模态分解模型；所述变分模态分解模型包括模态分解个数参数和惩罚因子参数；所述模态分解个数参数和所述惩罚因子参数组成位置向量；对所述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量；响应于根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定该模态分量为目标信号。通过本申请提供的技术方案，可以有效提高弹性波信号的处理精度和效率。
Description
技术领域
本申请涉及信号处理技术领域，尤其涉及一种弹性波信号处理方法、装置及设备。
背景技术
在煤系地层研究的背景中，由于煤层介质的不均匀性，弹性波将产生漫反射和折射，至使所接受到的反射回波成分复杂。所接收到的原始回波信号中，难以直接判别煤岩界面反射回波波形和首波时间，从而无法准确判断煤层厚度，从而给煤岩界面识别带来较大的困难。针对典型非线性、非平稳信号的处理技术的应用，变分模态分解(VMD)相较于常用的小波阈值法(WT)、经验模态分解(EMD)和局域均值分解(LMD)等算法，作为一种完全非递归、自适应的信号处理方法，在获取IMF分量时摆脱了循环筛分剥离的信号处理方式,而是将信号分解过程转移到变分框架内，通过搜寻约束变分模型最优解来实现信号自适应分解。该方法中模态分量个数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会对分解精度产生较大影响，去噪效果都不理想。如何选定合适的[k，α]参数组合，是利用变分模态分解算法分析原始弹性波信号的关键所在。因此一些元启发式算法被应用在对[k，α]参数组合寻优的问题上，譬如粒子群优化(PSO)、蚁群优化(ACO)、人工蜂群(ABC)、蚯蚓优化算法(EWA)等。这类算法大多存在局部和全局搜索策略差、不平衡挑战和低种群多样性、过早收敛等局限性。
发明内容
有鉴于此，本申请的目的在于提出一种弹性波信号处理方法、装置及设备。
基于上述目的，本申请提供了一种弹性波信号处理方法，包括：
根据所述弹性波信号，构建变分模态分解模型；所述变分模态分解模型包括模态分解个数参数和惩罚因子参数；所述模态分解个数参数和所述惩罚因子参数组成位置向量；
对所述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量；
响应于根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定该模态分量为目标信号。
可选地，所述适应度值通过如下方法得到：
根据所述位置向量，对所述弹性波信号进行分解，得到模态分量；
根据如下公式计算得到所述模态分量的功率谱熵；
其中，H(x)表示所述功率谱熵，Pk表示第k个模态分量的能量占所述弹性波信号总能量的概率密度值，X(k)表示第k个频段的能量，N表示模态分量的个数；
将所述功率谱熵作为所述位置向量的适应度值。
可选地，所述根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定所述最优位置向量为目标位置向量，包括：
根据所述最优位置向量得到至少一个模态分量；
计算所述模态分量与所述弹性波信号的相关系数；所述相关系数的计算公式为：
其中，E表示所述弹性波信号，F表示所述模态分量；
响应于确定任一模态分量对应的相关系数小于预设阈值，确定该模态分量为有效信号；
响应于确定所有模态分量对应的相关系数均大于或等于所述预设阈值且计算所述最优位置向量的迭代次数达到预设数值，确定最大相关系数对应的模态分量为有效信号。
可选地，所述根据所述模态分解个数参数和所述惩罚因子参数组成位置向量并迭代更新所述位置向量，包括：
响应于确定进行首次迭代，随机生成多个位置向量；
响应于确定进行非首次迭代，通过预设算法，从位置向量池中选取多个位置向量；
根据所述位置向量，得到本轮次最优位置向量并更新所述位置向量池。
可选地，所述位置向量池的生成方法包括：
根据所述位置向量，通过如下公式，得到池元素；
其中，Wi表示第i次迭代更新的池元素，B表示二进制随机变量，表示B的逆向量，表示座头鲸种群中最优位置向量邻域中的某一个随机位置，Xw(t)表示座头鲸种群中最差位置向量，δbmx表示座头鲸种群中最佳位置的上限，δbmn表示座头鲸种群中最佳位置的下限；
根据所述池元素，构建所述向量池。
可选地，所述通过预设算法，从位置向量池中选取多个位置向量，包括：
根据所述向量池，通过如下公式，选取所述位置向量；
Xrnd＝rand(δmix-δmin)+δmin；
其中，Xrnd表示所述向量池中的随机位置，表示座头鲸种群中最优位置向量邻域中的某一个随机位置，δbmx表示座头鲸种群中最佳位置的上限，δbmn表示座头鲸种群中最佳位置的下限。
可选地，所述通过预设算法，从位置向量池中选取多个位置向量，包括：
根据所述向量池，通过如下公式，选取所述位置向量；
X(t+1)＝X(t)+A×(C×Prand1-Prand2)；
其中，X(t)表示当前鲸鱼的位置向量，A和C表示预设系数，Prand1和Prand2表示所述向量池中两个随机的位置向量。、
可选地，所述通过预设算法，从位置向量池中选取多个位置向量，包括：
根据所述向量池，通过如下公式，选取所述位置向量；
X(t+1)＝X*(t)-A×D'p；
D′p＝|C×X*(t)-Prand3|；
其中，A和C表示预设系数，X*(t)表示座头鲸种群中最优位置向量，D′p表示鲸鱼与猎物之间的距离，Prand3表示向量池中两个随机的位置向量。
基于同一发明构思，本说明书一个或多个实施例还提供了一种弹性波信号处理装置，包括：
第一计算模块，被配置为根据所述弹性波信号，构建变分模态分解模型；所述变分模态分解模型包括模态分解个数参数和惩罚因子参数；所述模态分解个数参数和所述惩罚因子参数组成位置向量；
第二计算模块，被配置为对所述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量；
第三计算模块，被配置为响应于根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定该模态分量为目标信号。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的弹性波信号处理方法。
从上面所述可以看出，本申请提供的弹性波信号处理方法、装置及设备，通过变分模态分解方法避免模态混叠问题，并通增强型鲸鱼算法求解适应度函数功率谱熵。增强型鲸鱼算法能够通过避免局部优化的方式，再采用功率谱熵作为适应度函数，能够有效提高计算精度和效率。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个或多个实施例的弹性波信号处理方法的流程示意图；
图2为本申请一个或多个实施例的弹性波信号处理装置的结构示意图；
图3为本申请一个实施例的模态分解结果示意图；
图4为本申请一个实施例的相关系数计算结果示意图；
图5为本申请一个或多个实施例的电子设备结构示意图示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术所述，相关技术中主要通过滤波器滤波，小波去噪法、经验模态分解及其改进等方法进行弹性波信号处理。以其中经验模态分解方法为例，虽然可以将原始信号分解为多个分解模态，但是仍然存在模态混叠等问题。相关技术进行信号处理的方法存在处理精度低、效率低等问题。
由此，本申请提出一种弹性波信号处理方法，通过构建变分模态分解模型并求解解决相关技术中存在的模态混叠等问题，并且在搜寻最优解的过程中，通过增强型鲸鱼优化算法搜寻全局最优解。
以下，通过具体的实施例来详细说明本申请一个或多个实施例的技术方案。
参考图1，本申请一个或多个实施例的弹性波信号处理方法，包括以下步骤：
步骤S101：根据上述弹性波信号，构建变分模态分解模型；上述变分模态分解模型包括模态分解个数参数和惩罚因子参数；上述模态分解个数参数和上述惩罚因子参数组成位置向量。
变分模态分解(Variational mode decomposition，VMD)算法中，将输入信号视为是由不同的多个分量模态函数(Intrinsic Mode Functions，IMF)组成。利用完全非递归的模态分解算法，相比于相关技术中利用经验模态分解方法，避免了在信号分解过程中出现模态混叠的现象，且具有自主选择模态个数的优势。
在求解过程中，上述模态分量被定义为调幅调频的分量模态函数，其数学表达式对应为：uk(t)＝Akcos(φk(t))。其中，Ak为信号uk的包络幅值，φk(t)为瞬时相位。
上述模态分量的个数k应满足如下下述三个条件：1)k个模态分量之和与原始信号相等；2)每个模态分量的中心频率是有限带宽；3)各模态分量的带宽之和最小。其对应的约束条件函数为：
其中，{μk}＝{μ1,…,μK}表示分解得到的k个IMF分量，{ωk}＝{ω1,…,ωK}表示各IMF分量对应的中心频率。
通过引入拉格朗日乘子λ，可以将上述约束条件函数与分量模态函数结合，将约束问题转变为非约束问题，构建变分模态分解模型。该变分模态分解模型的表达式为：
其中，λ表示拉格朗日乘子，{μk}＝{μ1,…,μK}表示分解得到的k个IMF分量，{ωk}＝{ω1,…,ωK}表示各IMF分量对应的中心频率，K表示模态分解个数，α表示惩罚因子，f(t)表示t时刻的弹性波信号。
其中，模态分接个数参数和惩罚因子参数直接影响分解得到的IMF分量信号与原始信号之间的相关程度。
因此，在本步骤中，根据上述模态分接个数参数和上述惩罚因子参数组成位置向量，以便在后续步骤中对最优位置向量进行求解。
本申请其中一个实施例，如图3所示，通过上述数学模型，可以将上述弹性波信号分解为多个模态分量。
在一些实施例中，上述模态分解个数参数的取值范围为9～9000，惩罚因子参数的取值范围为3～1000。
步骤S102：对上述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量。
在搜寻最优位置向量的过程中，可以以适应度函数为目标函数，确定适应度值最小的位置向量为最优位置向量。
在一些实施例中，上述适应度函数为：
其中，H(x)表示上述功率谱熵，Pk表示第k个模态分量的能量占上述弹性波信号总能量的概率密度值，X(k)表示第k个频段的能量，N表示模态分量的个数。上述功率谱熵标识能量在各频段分布的复杂度。
在一些实施例中，可以根据上述位置向量，对上述弹性波信号进行分解，得到模态分量；根据上述公式计算得到所述模态分量的功率谱熵；将上述功率谱熵作为上述位置向量的适应度值。
上述适应度值决定了下一轮迭代过程中，利用鲸鱼优化算法计算位置向量的方向。也即，在每一轮迭代中计算适应度值，并将该适应度值应用于下一轮迭代计算位置向量中。
在一些实施例中，可以通过鲸鱼优化算法进行搜寻。
鲸鱼优化算法(Whale optimization algorithm，WOA)是一种模仿自然界中座头鲸捕食行为的新型群体智能优化算法，通过包围猎物、气泡网捕食和搜寻猎物三种方式来寻找最优解。在使用WOA搜索问题解的过程就可以看作是若干个鲸鱼个体不断更新个体位置，直至搜索到满意的解为止。
在进行搜寻之前，首先初始化每个座头鲸的位置X＝(x1,x2,x3,…,xD)。在一些实施例中，上述种群数量可以预设。
包围猎物的方法中，座头鲸可以识别猎物的位置，座头鲸在发现猎物后会不断收缩包围圈，在确定种群最优个体位置信息后，其他个体依据当前种群最优个体更新位置。其中，座头鲸位置更新的数学表达式为：X(t+1)＝X(t)-A×D。其中，D表示该座头鲸和最优解的距离，D＝|C×X*(t)-X(t)|，X*(t)表示t时刻鲸鱼最优位置向量；X(t)表示t时刻鲸鱼个体的位置向量，A和C表示预设的系统系数。
A的数学表达式为：A＝2ar1-a；C的数学表达式为：C＝2r2。其中，r1和r2为0～1之间的随机数，随着迭代次数的增大从2线性减小到0，Tmax表示最大迭代次数。
发泡网攻击与包围猎物建立的数学模型相似。其数学模型为：X(t+1)＝X*(t)+Dpeb1cos(2πl)；Dp＝|X*(t)-X(t)|。其中，Dp表示鲸鱼和猎物之间的距离，Dp＝|X*(t)-X(t)|，X*(t)表示目前最好的位置向量，b表示定义螺旋线的常数，l是-1～1之间的随机数，A表示预设的系统系数，取值范围为[-1,1]。
搜索猎物的方法中，建立的数学模型为：X(t+1)＝Xrand-A×D。其中，D表示鲸鱼与猎物之间的距离，D＝|C×Xrand-X(t)，Xrand表示随机选择的鲸鱼位置向量，A表示预设的系统系数，取值范围为大于或等于1，C表示预设的系统系数。
在实现本申请的过程中，申请人发现，通过鲸鱼优化算法进行位置向量的计算，容易得到局部最优的结果而导致最终结果精度较低。
由此，本申请提出一种增强型鲸鱼优化算法，通过扩大向量池和优化模型的方式得到最优解，提高计算精度。
在一些实施例中，通过池机制增加种群多样性。池机制可以通过一种交叉算子，将最差的解与有希望的解混合在一起，从而增加种群多样性，使得算法能更好的找到所需要的最优解。
在一些实施例中，上述位置向量池的生成方法包括：根据上述位置向量，通过如下公式，得到池元素； 其中，Wi表示第i次迭代更新的池元素，B表示二进制随机变量，/>表示B的逆向量，/>表示座头鲸种群中最优位置向量邻域中的某一个随机位置，Xw(t)表示座头鲸种群中最差位置向量，δbmx表示座头鲸种群中最佳位置的上限，δbmn表示座头鲸种群中最佳位置的下限；根据上述池元素，构建上述向量池。
本申请同时优化了搜寻策略，可以通过三种不同的搜寻策略进行最优解的搜寻。
在一些实施例中，可以采用迁移搜索策略。迁移搜索策略将座头鲸种群中的随机部分迁移至未探索的区域中，可以增加整个种群的多样性，减小局部最佳的捕获，优化全局搜索能力。在一些实施例中，上述通过预设算法，从位置向量池中选取多个位置向量，包括：根据上述向量池，通过如下公式，选取上述位置向量；Xrnd＝rand(δmix-δmin)+δmin；其中，Xrnd表示上述向量池中的随机位置，/>表示座头鲸种群中最优位置向量邻域中的某一个随机位置，δbmx表示座头鲸种群中最佳位置的上限，δbmn表示座头鲸种群中最佳位置的下限。
在一些实施例中，可以采用择优选择策略。在一些实施例中，上述通过预设算法，从位置向量池中选取多个位置向量，包括：根据上述向量池，通过如下公式，选取上述位置向量；X(t+1)＝X(t)+A×(C×Prand1-Prand2)；其中，X(t)表示当前鲸鱼的位置向量，A和C表示预设系数，Prand1和Prand2表示上述向量池中两个随机的位置向量。
在一些实施例中，可以采用密集包围猎物策略。在一些实施例中，上述通过预设算法，从位置向量池中选取多个位置向量，包括：根据上述向量池，通过如下公式，选取上述位置向量；X(t+1)＝X*(t)-A×D'p；Dp'＝|C×X*(t)-Prand3|；其中，A和C表示预设系数，X*(t)表示座头鲸种群中最优位置向量，Dp'表示鲸鱼与猎物之间的距离，Prand3表示向量池中两个随机的位置向量。
在一些实施例中，目标函数也即适应度函数，可以预设。
在一些实施例中，上述适应度值可以通过如下方法得到：根据上述位置向量，对上述弹性波信号进行分解，得到模态分量；根据如下公式计算得到上述模态分量的功率谱熵；其中，H(x)表示上述功率谱熵，Pk表示第k个模态分量的能量占上述弹性波信号总能量的概率密度值，X(k)表示第k个频段的能量，N表示模态分量的个数；将上述功率谱熵作为上述位置向量的适应度值。
步骤S103：响应于根据上述最优位置向量得到的模态分量与上述弹性波信号满足预设条件，确定该模态分量为目标信号。
在一些实施例中，上述根据上述最优位置向量得到的模态分量与上述弹性波信号满足预设条件，确定上述最优位置向量为目标位置向量，包括：根据上述最优位置向量得到至少一个模态分量；计算上述模态分量与上述弹性波信号的相关系数；响应于确定任一模态分量对应的相关系数小于预设阈值，确定该模态分量为有效信号；响应于确定所有模态分量对应的相关系数均大于或等于上述预设阈值且计算上述最优位置向量的迭代次数达到预设数值，确定最大相关系数对应的模态分量为有效信号。
上述相关系数的计算公式为：其中，E表示所述弹性波信号，F表示所述模态分量。在一些实施例中，两个变量的相关系数矩阵是每个对组变量组合的相关系数矩阵，/>在一些实施例中，由于变量E和F始终直接与自身相关，对角线上的元素均为1，即，/>
在一些实施例中，上述迭代次数可以预设。
在一些实施例中，本步骤包括如下步骤：根据上述最优位置向量得到至少一个模态分量；计算上述模态分量与上述弹性波信号的相关系数；响应于确定任一模态分量对应的相关系数小于预设阈值，确定该模态分量为有效信号；响应于确定所有模态分量对应的相关系数均大于或等于上述预设阈值且计算上述最优位置向量的迭代次数达到预设数值，确定最大相关系数对应的模态分量为有效信号。
上述相关系数表示IMF分量与原始信号的相似程度。通过相关系数的限制，可以避免得到的解为局部最优解，最终计算结果精度不高。
以其中一个实施例为例，通过上述变分模态分解模型分解得到的IMF分量与原始信号的相关系数的关系如图4所示。
本申请将增强型鲸鱼优化算法和变分模态分解算法应用于一维数字信号的去噪，提高了信号处理精度和效率。增强型鲸鱼优化算法针对在信号去噪处理的模态分量个数和惩罚因子参数组合选取方面进行了优化，在很大程度上避免了人为选择参数对处理结果的影响，增强了变分模态分解在抑制噪声的同时提取有意义信号分量的性能。本申请方法提供了一种去噪一维数字信号的独特方法。可以有效地从信号中分离噪声，与传统的去噪方法相比，去噪性能有显著增强。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种弹性波信号处理装置。
参考图2，所述弹性波信号处理装置，包括：
第一计算模块11，被配置为根据所述弹性波信号，构建变分模态分解模型；所述变分模态分解模型包括模态分解个数参数和惩罚因子参数；所述模态分解个数参数和所述惩罚因子参数组成位置向量；
第二计算模块12，被配置为对所述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量；
第三计算模块13，被配置为响应于根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定该模态分量为目标信号。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的弹性波信号处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的弹性波信号处理方法。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的弹性波信号处理方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种弹性波信号处理方法，其特征在于，包括：
根据所述弹性波信号，构建变分模态分解模型；所述变分模态分解模型包括模态分解个数参数和惩罚因子参数；所述模态分解个数参数和所述惩罚因子参数组成位置向量；
对所述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量；
响应于根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定该模态分量为目标信号。
2.根据权利要求1所述的弹性波信号处理方法，其特征在于，所述适应度值通过如下方法得到：
根据所述位置向量，对所述弹性波信号进行分解，得到模态分量；
根据如下公式计算得到所述模态分量的功率谱熵；
其中，H(x)表示所述功率谱熵，Pk表示第k个模态分量的能量占所述弹性波信号总能量的概率密度值，X(k)表示第k个频段的能量，N表示模态分量的个数；
将所述功率谱熵作为所述位置向量的适应度值。
3.根据权利要求1所述的弹性波信号处理方法，其特征在于，所述根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定所述最优位置向量为目标位置向量，包括：
根据所述最优位置向量得到至少一个模态分量；
计算所述模态分量与所述弹性波信号的相关系数；所述相关系数的计算公式为：
其中，E表示所述弹性波信号，F表示所述模态分量；
响应于确定任一模态分量对应的相关系数小于预设阈值，确定该模态分量为有效信号；
响应于确定所有模态分量对应的相关系数均大于或等于所述预设阈值且计算所述最优位置向量的迭代次数达到预设数值，确定最大相关系数对应的模态分量为有效信号。
4.根据权利要求1所述的弹性波信号处理方法，其特征在于，所述根据所述模态分解个数参数和所述惩罚因子参数组成位置向量并迭代更新所述位置向量，包括：
响应于确定进行首次迭代，随机生成多个位置向量；
响应于确定进行非首次迭代，通过预设算法，从位置向量池中选取多个位置向量；
根据所述位置向量，得到本轮次最优位置向量并更新所述位置向量池。
5.根据权利要求4所述的弹性波信号处理方法，其特征在于，所述位置向量池的生成方法包括：
根据所述位置向量，通过如下公式，得到池元素；
其中，Wi表示第i次迭代更新的池元素，B表示二进制随机变量，表示B的逆向量，表示座头鲸种群中最优位置向量邻域中的某一个随机位置，Xw(t)表示座头鲸种群中最差位置向量，δbmx表示座头鲸种群中最佳位置的上限，δbmn表示座头鲸种群中最佳位置的下限；
根据所述池元素，构建所述向量池。
6.根据权利要求4或5中任一所述的弹性波信号处理方法，其特征在于，所述通过预设算法，从位置向量池中选取多个位置向量，包括：
根据所述向量池，通过如下公式，选取所述位置向量；
Xrnd＝rand(δmix-δmin)+δmin；
其中，Xrnd表示所述向量池中的随机位置，表示座头鲸种群中最优位置向量邻域中的某一个随机位置，δbmx表示座头鲸种群中最佳位置的上限，δbmn表示座头鲸种群中最佳位置的下限。
7.根据权利要求4或5中任一所述的弹性波信号处理方法，其特征在于，所述通过预设算法，从位置向量池中选取多个位置向量，包括：
根据所述向量池，通过如下公式，选取所述位置向量；
X(t+1)＝X(t)+A×(C×Prand1-Prand2)；
其中，X(t)表示当前鲸鱼的位置向量，A和C表示预设系数，Prand1和Prand2表示所述向量池中两个随机的位置向量。
8.根据权利要求4或5中任一所述的弹性波信号处理方法，其特征在于，所述通过预设算法，从位置向量池中选取多个位置向量，包括：
根据所述向量池，通过如下公式，选取所述位置向量；
X(t+1)＝X*(t)-A×D'p；
D′p＝|C×X*(t)-Prand3|；
其中，A和C表示预设系数，X*(t)表示座头鲸种群中最优位置向量，D′p表示鲸鱼与猎物之间的距离，Prand3表示向量池中两个随机的位置向量。
9.一种弹性波信号处理装置，其特征在于，包括：
第一计算模块，被配置为根据所述弹性波信号，构建变分模态分解模型；所述变分模态分解模型包括模态分解个数参数和惩罚因子参数；所述模态分解个数参数和所述惩罚因子参数组成位置向量；
第二计算模块，被配置为对所述位置向量进行迭代更新，直到得到适应度值最小的最优位置向量；
第三计算模块，被配置为响应于根据所述最优位置向量得到的模态分量与所述弹性波信号满足预设条件，确定该模态分量为目标信号。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172939.1A CN117434593A (zh) | 2023-09-12 | 2023-09-12 | 弹性波信号处理方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172939.1A CN117434593A (zh) | 2023-09-12 | 2023-09-12 | 弹性波信号处理方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117434593A true CN117434593A (zh) | 2024-01-23 |
Family
ID=89547026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172939.1A Pending CN117434593A (zh) | 2023-09-12 | 2023-09-12 | 弹性波信号处理方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117434593A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113591652A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
| CN116561520A (zh) * | 2023-07-06 | 2023-08-08 | 昆明理工大学 | 一种基于woa-vmd-mpe的爆破振动信号降噪方法 |
-
2023
- 2023-09-12 CN CN202311172939.1A patent/CN117434593A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113591652A (zh) * | 2021-07-22 | 2021-11-02 | 中南大学 | 一种基于优化变分模态分解的电磁信号处理方法和装置 |
| CN116561520A (zh) * | 2023-07-06 | 2023-08-08 | 昆明理工大学 | 一种基于woa-vmd-mpe的爆破振动信号降噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| MOHAMMAD H. NADIMI-SHAHRAKI, ET AL: "Enhanced whale optimization algorithm for medical feature selection: A COVID-19 case study", COMPUTERS IN BIOLOGY AND MEDICINE, vol. 148, 16 July 2022 (2022-07-16), pages 1 - 30, XP087161987, DOI: 10.1016/j.compbiomed.2022.105858 * |
| 付晓强 等: "冻结立井爆破理论与实践", 31 December 2021, 厦门大学出版社, pages: 277 - 279 * |
| 杨宗林 等: "参数优化VMD在爆破振动信号分析中的应用", 中北大学学报(自然科学版), vol. 41, no. 05, 16 June 2020 (2020-06-16), pages 467 - 473 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rajakumar | Impact of static and adaptive mutation techniques on the performance of genetic algorithm | |
| El-kenawy et al. | Optimized ensemble algorithm for predicting metamaterial antenna parameters | |
| CN110555450B (zh) | 人脸识别神经网络调整方法和装置 | |
| CN109949255B (zh) | 图像重建方法及设备 | |
| EP3380939B1 (en) | Adaptive artificial neural network selection techniques | |
| CN110070174B (zh) | 一种生成对抗网络的稳定训练方法 | |
| Gusak et al. | Automated multi-stage compression of neural networks | |
| CN112116001B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
| CN110287775B (zh) | 手掌图像裁剪方法、装置、计算机设备及存储介质 | |
| US10853738B1 (en) | Inference circuit for improving online learning | |
| CN107798379B (zh) | 改进量子粒子群优化算法的方法及基于改进算法的应用 | |
| CN111783961A (zh) | 基于激活定点拟合的卷积神经网络训练后量化方法及系统 | |
| CN110555514A (zh) | 神经网络模型搜索方法、图像识别方法和装置 | |
| Risso et al. | Pruning in time (PIT): a lightweight network architecture optimizer for temporal convolutional networks | |
| CN116090536A (zh) | 神经网络的优化方法、装置、计算机设备及存储介质 | |
| CN116468095A (zh) | 神经网络架构搜索方法及装置、设备、芯片、存储介质 | |
| CN109766476A (zh) | 视频内容情感分析方法、装置、计算机设备及存储介质 | |
| CN114358252A (zh) | 目标神经网络模型中的操作执行方法及装置、存储介质 | |
| CN117434593A (zh) | 弹性波信号处理方法、装置及设备 | |
| CN112862712A (zh) | 美颜处理方法、系统、存储介质和终端设备 | |
| Ye et al. | Large scale spectral clustering using sparse representation based on hubness | |
| CN117709409A (zh) | 应用于图像处理的神经网络训练方法及相关设备 | |
| CN113159405B (zh) | 一种基于改进缎蓝园丁鸟算法优化lssvr的风电功率预测方法 | |
| JP2022167044A (ja) | Ｅｍｉ算出プログラム、ｅｍｉ算出方法およびｅｍｉ算出装置 | |
| CN105894029A (zh) | 一种基于费马点求解的自适应运动轨迹数据去噪方法 |
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 |