CN117974736A - 一种基于机器学习的水下传感器输出信号降噪方法及系统 - Google Patents

Abstract

本发明一种基于机器学习的水下传感器输出信号降噪方法及系统，属于传感器降噪领域；方法步骤包括：通过实验获取纯净的压力传感器信号；将其与噪声模型结合，得到含噪声的压力传感器信号；构建样本数据库，并将数据库划分为训练集、验证集、测试集；构建多层感知机神经网络模型并进行训练，将样本数据库中训练集的含噪声的压力传感器信号作为模型输入，纯净的压力传感器信号作为模型输出，通过反向传播不断调整多层感知机神经网络模型的权重，构建反映输入和输出关系的数学模型，分别设置激活函数、损失函数；模型验证和测试。采用本发明对水下传感器输出信号进行降噪，解决了现有技术中水下传感器输出信号降噪效果差、限制降噪性能等技术问题。

Description

一种基于机器学习的水下传感器输出信号降噪方法及系统

技术领域

本发明属于传感器降噪领域，具体涉及一种基于机器学习的水下传感器输出信号降噪方法及系统。

背景技术

随着科学技术的发展，传感器技术如今发展非常迅速，在航空、航天、航海、物联网、医疗等领域发挥着重要的作用。作为信息采集系统的前端单元，传感器输出信号的精度是一直以来备受关注的对象。

精确的输出信号可以提供可靠的数据和信息，用于后续分析和处理。但在实际测量时，周围环境的影响是无法完全避免的，尤其在水下测量时，环境更加复杂，水下噪声也会叠加到传感器的输出信号当中，最终所获得的信号会受到一定程度的影响。近年来，随着机器学习发展，众多学者开始尝试将机器学习方法应用到图像去噪、音频去噪等方面，取得了较为理想的效果。但是，目前对水下传感器输出信号进行降噪技术还存在以下不足：

（1）傅里叶变换是传感器信号处理中最常用的经典方法，可以将传感器输出的信号在频域和时域之间搭建桥梁。通过分析噪声和纯净传感器信号的频率范围差异，来实现噪声的去除，但是傅里叶变换无法同时表达传感器信号的时间和频率信息，无法获得信号的全局频谱，从而不能获取非平稳信号的局部信号特征，所以傅里叶变换无法很好的处理非平稳信号。

（2）小波阈值去噪是通过将信号从一维的时域映射到二维的时频域，利用小波变换对信号进行分析和重构，实现去除噪声的目的。能很好的表示时域、频域的信息，可以很好处理非平稳信号。小波阈值去噪时需要选择阈值（硬阈值和软阈值），硬阈值有较好的均方差意义，但是降噪后的平滑性不好，信号会出现跳跃，选择软阈值，降噪后的信号不会发生附加震荡，但信号经过降噪后会被压缩。虽然小波阈值去噪可以去除一定的噪声，但是它对阈值依赖性比较强，且需要根据实际信号来选取基函数。

上述传统降噪方法很好的改善了传感器信号的质量，但在实际运用时，它们大部分都需要人工的参与，限制了其降噪的性能。

发明内容

要解决的技术问题：

为了避免现有技术的不足之处，本发明提供一种基于机器学习的水下传感器输出信号降噪方法及系统，通过机器学习将含有噪声的传感器信号中的各种噪声去除，恢复到原始的不含噪声的传感器信号。本发明利用机器学习强大的特征提取能力，对水下传感器输出信号进行降噪，解决了现有技术中水下传感器输出信号降噪效果差、限制降噪性能等技术问题。

本发明的技术方案是：一种基于机器学习的水下传感器输出信号降噪方法，具体步骤如下：

通过实验获取纯净的压力传感器信号；

将纯净的压力传感器信号与噪声模型结合，得到含噪声的压力传感器信号；

基于纯净的压力传感器信号和含噪声的压力传感器信号构建样本数据库，并将数据库划分为训练集、验证集、测试集；

构建多层感知机神经网络模型并进行训练；所述多层感知机神经网络模型的第一层为输入层、第二层和第三层为隐含层、第四层为输出层，各层之间所有神经元采用全连接；将样本数据库中训练集的含噪声的压力传感器信号作为模型输入，纯净的压力传感器信号作为标签，将模型输出的信号预测结果与标签比较得到损失值，再通过反向传播不断调整多层感知机神经网络模型的权重，构建反映输入和输出关系的数学模型，分别设置激活函数、损失函数；

输入验证集，采用训练好的多层感知机神经网络模型对验证集进行信号降噪并输出结果，完成验证；

输入测试集，采用验证后的多层感知机神经网络模型对测试集进行信号降噪并输出结果，完成测试。

本发明的进一步技术方案是：所述获取纯净的压力传感器信号的方法为，

构建圆柱体模型，并将其导入至计算流体动力学的软件；

在流体动力学软件中设置计算域及圆柱体的位置；

通过湍流模型获取圆柱体表面压力信号；

对仿真结果进行验证；

在圆柱尾流区域内构建矩形域，将圆柱尾流区域的压力值变化映射到该矩形域；

提取所述矩形域内随时间变化的压力值，作为纯净的压力传感器信号。

本发明的进一步技术方案是：所述噪声模型为高斯白噪声，用以模拟真实噪声。

本发明的进一步技术方案是：所述样本数据库中所有信号裁剪为5秒，样本按照80%、10%、10%划分为训练集、测试集、验证集。

本发明的进一步技术方案是：所述反向传播不断调整多层感知机神经网络模型的权重采用梯度下降算法，公式如下：

其中，表示模型参数权重；/>表示当前的迭代次数；/>表示学习率，控制步长的大小；/>表示损失函数；/>表示第/>轮迭代中按照均匀分布随机获取到的序号；表示在每次迭代时，当前参数/>下的梯度。

本发明的进一步技术方案是：所述反映输入和输出关系的数学模型，即各层的全连接运算公式如下：

其中，矩阵表示n个传感器信号样本的小批量，并且每个样本都有d个特征；/>分别表示第一个隐藏层和第二个隐藏层的权重，/>表示输出层的权重；分别表示第一个隐藏层和第二个隐藏层的输出；/>表示激活函数；/>分别表示第一个隐藏层和第二个隐藏层的偏置，/>表示输出层的偏置，/>表示多层感知机模型最终的输出结果。

本发明的进一步技术方案是：所述激活函数选择ReLu函数，即修正线性单元，用于将输入的含噪声的压力传感器信号限制在一个非负的范围之内，当输入的值小于0时，输出是0；当输入的值大于等于0时，输出的值等于其本身。

本发明的进一步技术方案是：所述损失函数为均方差损失MSE，用于计算多层感知机神经网络模型输出的预测值与真实值之间的差值，其计算公式如下：

其中，N表示训练集中含噪声的传感器信号样本总数；表示第k个神经网络模型预测的输出信号；label是标签，即纯净的传感器信号。

本发明的进一步技术方案是：所述多层感知机神经网络模型的输出结果，采用信噪比指标来评价传感器信号降噪的效果，信噪比公式如下：

其中，代表压力传感器信号中纯净信号的功率，/>代表压力传感器信号中噪声的功率。

一种基于机器学习的水下传感器输出信号降噪系统，包括数据采集模块、噪声生成模块、信号处理模块及机器学习模块；

所述数据采集模块通过数值模拟检测圆柱绕流尾迹流场区域处的压力响应值，获取纯净的压力传感器信号；

所述噪声生成模块用于提供模拟真实噪声的高斯白噪声；

所述信号处理模块将纯净的压力传感器信号与高斯白噪声结合，得到含噪声的压力传感器信号；

所述机器学习模块将含有噪声的传感器信号中的噪声去除，恢复到原始的不含噪声的传感器信号，完成对水下传感器输出信号的降噪处理。

有益效果

本发明的有益效果在于：

1.本发明构建的神经网络模型能够通过训练权值参数来学习非线性函数，随着信号数据在多个隐藏层中传播，模型可以逐渐学习到更加抽象和高级的特征表示，从而可以适应不同的输入信号数据，具有更强的泛化能力；通过学习从输入数据中提取有用的特征，并对噪声进行建模，以更准确地恢复原始信号。

2.传统的滤波方法通常是基于线性假设，但在真实世界中，信号和噪声之间的关系可能是非线性的。机器学习可以建立更复杂的非线性模型来处理这些情况，从而更好地消除噪声。本发明构建的神经网络传感器信号去噪模型是端对端的对输入数据进行训练，自动学习数据中的特征和模式，得到最终的输出结果，不受稀疏变换基和阈值等参数的影响；在去除噪声的过程中不会产生新的噪声，处理的效果更加稳定。

3.当噪声的特性发生变化时，模型可以通过反向传播算法进行更新和调整，以保持较好的去噪效果。并且从实施例的去噪结果图6和图7可以看出，模型在处理含噪的压力信号数据时，有较好的降噪能力。

附图说明

图1 为本发明实施例所采用的神经网络模型中神经元的结构示意图；

图2 为本发明实施例所采用的多层感知机神经网络结构示意图；

图3 为本发明实施例所创建的圆柱绕流计算域大小示意图；

图4 为本发明实施例圆柱绕流压力云图和压力响应值映射区域大小示意图；

图5 为本发明实施例传感器接收信号去噪模型训练流程图；

图6 为本发明实施例所构建的传感器信号降噪模型去噪结果对比图。

图7 为本发明实施例所构建MLP模型与小波降噪算法降噪效果对比图。

具体实施方式

下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明所述的传感器输出信号降噪主要是从含有噪声的传感器信号中去除各种噪声，恢复到原先的传感器信号，可以用以下的公式进行表示：

其中，是不含有噪声的传感器信号，/>是噪声信号，/>是含有噪声的传感器信号。根据神经网络MLP构建出含噪声信号/>与无噪声信号/>关于映射问题的网络模型为：

其中代表网络的结构，/>代表网络参数的集合。

本发明所要实现的是对压力传感器输出信号进行降噪，由于传感器信号采集过程中无法获得纯净的信号，即不含有噪声的信号，所以本发明通过数值模拟的方法，检测圆柱绕流尾迹流场区域处的压力响应值，作为纯净的压力传感器信号，噪声信号为高斯白噪声，通过合成高斯白噪声与纯净信号，来获得含噪的传感器信号。

基于现有水下传感器输出信号降噪技术的缺陷和不足，本发明提供一种基于机器学习的水下传感器输出信号降噪方法，采用的机器学习方法是多层感知机神经网络，构成神经网络中的基本单元是神经元，也被称作为节点或者是单元。神经元能够接收来自其他神经元的输入或者是外部输入的数据，然后计算出一个输出。每个输入的值都会有一个权重，它的大小取决于这个输入相比其他输入的重要性，随后会在神经元中执行一个函数F，此函数称之为激活函数，这个特定的函数会对神经元所有输入的值和权重进行一个操作。简单模型如图1所示，输入信号是：，对应的权重是/>，神经元会将接收到的输入信号加总起来，然后与神经元的阈值进行比较，如公式：，然后经过激活函数的处理产生神经元的输出/>。

其中，表示输入信号数据的第i个特征，/>表示第i个特征对应的权重，b表示偏置。

常见的激活函数有：Sigmoid函数、ReLu函数以及Tanh函数，本实施例中选用的激活函数是ReLu函数，将输入的与0进行比较，其数学表达式为：

当时，其输出是/>，当/>时，其输出是0。

多层感知机网络模型是拥有很多隐含层的神经网络，可以更好的处理局部最优问题，从大量的数据中获得更加重要的信息，其网络结构如图2所示，第一层即为输入层，用来输入数据；最后一层为输出层，用来输出神经网络处理后的数据；中间两层是隐含层，每层之间都是全连接的，构成的基本单元是神经元。多层感知机网络模型MLP可以通过大量的输入和输出数据样本，利用学习规则——梯度下降算法，通过反向传播不断调整神经网络的权重和阈值，构建出能够反映输入和输出关系的数学模型，这种算法被称为BP(Error BackPropagation)算法，具有强大的非线性映射能力，可逼近任意的连续函数。本发明将含有噪声的传感器压力信号作为神经网络模型的输入，采用两层隐含层，每层隐含层神经元的个数为300，输出层是不含有噪声的传感器压力信号预测值，将纯净的传感器压力信号作为标签，即将纯净信号作为此次模型预测的目标。利用损失函数来计算出预测值和标签之间的距离，通过前向传播和反向传播来更新网络中的参数值，使损失函数的值达到最小，拟合出含噪压力传感器信号和纯净信号之间的映射关系，此映射关系即为训练好的神经网络模型。

本发明一种基于机器学习的水下传感器输出信号降噪方法的具体步骤如下：

步骤1：通过实验获取纯净的压力传感器信号；

步骤2：将纯净的压力传感器信号与噪声模型结合，得到含噪声的压力传感器信号；

步骤3：基于纯净的压力传感器信号和含噪声的压力传感器信号构建样本数据库，并将数据库划分为训练集、验证集、测试集；

步骤4：构建多层感知机神经网络模型并进行训练；所述多层感知机神经网络模型的第一层为输入层、第二层和第三层为隐含层、第四层为输出层，各层之间所有神经元采用全连接；将样本数据库中训练集的含噪声的压力传感器信号作为模型输入，纯净的压力传感器信号作为标签，将模型输出的信号预测结果与标签比较得到损失值，再通过反向传播不断调整多层感知机神经网络模型的权重，构建反映输入和输出关系的数学模型，分别设置激活函数、损失函数；

步骤5：输入验证集，采用训练好的多层感知机神经网络模型对验证集进行信号降噪并输出结果，完成验证；

步骤6：输入测试集，采用验证后的多层感知机神经网络模型对测试集进行信号降噪并输出结果，完成测试。

采用基于机器学习的水下传感器输出信号降噪系统实施上述降噪方法；所述降噪系统包括数据采集模块、噪声生成模块、信号处理模块及机器学习模块；所述数据采集模块通过数值模拟检测圆柱绕流尾迹流场区域处的压力响应值，获取纯净的压力传感器信号；所述噪声生成模块用于提供模拟真实噪声的高斯白噪声；所述信号处理模块将纯净的压力传感器信号与高斯白噪声结合，得到含噪声的压力传感器信号；所述机器学习模块将含有噪声的传感器信号中的噪声去除，恢复到原始的不含噪声的传感器信号，完成对水下传感器输出信号的降噪处理。

以下结合附图和实例对上述技术方案做进一步说明：

本实例利用pytorch构建神经网络模型，在GPU上对训练集进行训练，GPU采用显卡RTX2060S，具体步骤如下：

步骤1：构建直径为10cm的圆柱体模型，将其导入到计算流体动力学CFD软件中。

步骤2：参照图3所示，CFD软件设置的计算域大小是6.5m×3m，圆柱圆心距离左边界1.5m，距离下边界1.5m，计算域大小是6.5m×3m。

步骤3：获取圆柱体表面压力信号；计算域内采用的流体是液态水，密度设置为998.2kg/m³，粘度设置为0.001kg/m⋅s，算例采用湍流模型SSTk-w。计算域左边边界类型设置为速度入口，速度大小为0.2m/s，右边的边界类型设置为压力出口，上下侧设置为滑移壁面，其附近无剪应力，圆柱的表面是无滑移壁面。

步骤4：圆柱表面的升力和阻力每间隔一个时间步记录一次，根据最后模拟出的升力频率和平均阻力计算出斯特劳哈尔数S _r和阻力系数C _d，斯特劳哈尔数是无量纲数，代表着即时惯性力与位移惯性力之比。

其中，是圆柱的特征长度10cm，/>是升力的频率，/>是来流的速度0.2m/s，/>是圆柱受到的阻力，/>是圆柱和流向垂直的截面积，/>表示流体的密度。

步骤5：根据步骤4中斯特劳哈尔数公式，计算出本例中圆柱绕流数值模拟的斯特劳哈尔数S _r为0.19，和阻力系数C _d是1.213。与参考文献《Boundary-layer theory》中的实验值S _r：0.2和C _d：1.20进行对比，CFD计算的误差均在5%以内，证明了本发明中数值模拟方法和结果是正确、可靠的，仿真模拟的压力响应值可用于后续的神经网络模型训练。

步骤6：参照图4所示，在圆柱尾流区域处建立一个长是2.0m，宽是0.3m，间隔是0.01m的矩形域；利用CFD软件中的数据映射器和表功能，将圆柱绕流尾流部分的压力值变换映射到此矩形域内。

步骤7：将步骤6矩形域内随时间变化的压力从CFD软件中提取出来，用于当作纯净的压力传感器信号。

步骤8：本实施例中选用的噪声是高斯白噪声，该噪声服从高斯分布、在频谱上具有均匀能量分布以及样本值之间相互独立的理想随机信号，可以用来模拟现实世界的噪声。

步骤9：向步骤7中获取的纯净压力传感器信号添加高斯白噪声，合成含噪的压力传感器信号。利用合成的含噪压力传感器信号和采集到的纯净压力传感器信号构建数据库，用于后续的MLP神经网络训练。

步骤10：把步骤9构建的数据库中所有信号裁剪为5秒，数据库中样本按照80%、10%和10%划分为训练集，测试集，和验证集，验证集是用来调整模型的超参数，测试集用来测试模型的降噪效果。训练集样本的特征值为含噪的压力传感器信号（模型输入值），标签是纯净的压力传感器信号。构建的MLP模型包含输入层、两个隐藏层和输出层，每层隐含层中节点个数为300个。

模型训练的过程中，输入层会接收输入的含噪声的压力传感器信号，并将其传递给隐藏层，这一步没有实际的运算；

第一个隐藏层接收到输入层的信号数据之后，会将其与连接到该神经元的权重进行加权求和，并把求和的结果输入到激活函数（ReLu）中，以引入非线性变换，激活函数的输出数据会传递给下一层作为输入；具体表示为：

其中，激活函数ReLu在时，其输出是/>，当/>时，其输出是0。矩阵表示n个传感器信号样本的小批量，并且每个样本都有d个特征；/>表示第一个隐藏层的权重，/>表示第一个隐藏层的偏置，/>表示激活函数ReLu，/>分别表示第一个隐藏层的输出。

第二个隐藏层接收到输入（激活函数的输出数据）之后，会进行和第一个隐藏层相同的操作，并将输出数据传递给下一层（输出层）作为输入，公式为：

其中，表示第二个隐藏层的权重；/>表示第二个隐藏层的偏置；/>表示激活函数ReLu；/>表示第二个隐藏层的输出。

隐藏层的输出信号数据传递给输出层之后，会直接进行加权求和并输出结果，公式为：

其中，表示多层感知机模型最终的输出结果，/>表示输出层的权重，/>表示输出层的偏置。

输出层的输出结果会和真实标签（纯净的压力传感器信号）进行比较，从而计算出模型的损失值（即残差），用来衡量预测的结果与真实结果之间的差距；基于损失值，模型会通过反向传播算法，计算每个参数对损失的梯度，并利用梯度优化算法来更新模型的参数，以降低损失值。这些步骤会在模型训练过程中反复进行，直至模型收敛到一个合适的状态，这样模型才能对输入的传感器信号进行降噪。为了防止神经网络过拟合，采用了早停法，即在每一轮训练结束以后，对模型在验证集上的性能进行检测。模型采用了均方误差作为损失函数，用来计算预测的结果与真实值之间的差距，公式如下：

其中，N表示训练集中含噪声的传感器信号样本总数；表示第k个神经网络模型预测的输出信号；label是真实值，即纯净的传感器信号；

步骤11：为了说明模型降噪的效果，本实施例采用信噪比指标来评价传感器信号降噪的效果，信噪比是指有用信号的强度与干扰信号（噪声）的强度的比值，信噪比越大代表噪声的含量越低。信噪比公式如下：

其中，代表压力传感器信号中纯净信号的功率，/>代表压力传感器信号中噪声的功率。

步骤12：模型训练，由步骤10中的误差计算公式可得出训练好的MLP神经网络模型MSE为0.4120，说明传感器信号去噪模型预测结果和真实值偏差较小，模型的拟合效果较好。

步骤13：为了对模型的降噪效果进行验证，使用创建的测试集样本对已训练好的MLP传感器信号降噪模型进行测试，测试的结果如图6中a、b、c、d、e和f所示，图中original_signal表示原先纯净的压力传感器信号，noise_signal表示含噪的压力传感器信号，noise_reduction_signal表示MLP模型去噪后的传感器信号，对比可以发现，MLP神经网络模型可以有效的降低压力传感器信号中含有的噪声，恢复原先的压力传感器信号。

步骤14：为了比较MLP模型与其他降噪方法降噪的效果，运用小波阈值降噪对不同信噪比的传感器信号进行降噪处理。将噪声和纯净的传感器信号合成信噪比为（-2dB，-4dB，0dB，2dB，4dB）的含噪传感器信号，不同算法降噪后的效果对比如图7所示。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于机器学习的水下传感器输出信号降噪方法，其特征在于具体步骤如下：

通过实验获取纯净的压力传感器信号；

将纯净的压力传感器信号与噪声模型结合，得到含噪声的压力传感器信号；

基于纯净的压力传感器信号和含噪声的压力传感器信号构建样本数据库，并将数据库划分为训练集、验证集、测试集；

构建多层感知机神经网络模型并进行训练；所述多层感知机神经网络模型的第一层为输入层、第二层和第三层为隐含层、第四层为输出层，各层之间所有神经元采用全连接；将样本数据库中训练集的含噪声的压力传感器信号作为模型输入，纯净的压力传感器信号作为标签，将模型输出的信号预测结果与标签比较得到损失值，再通过反向传播不断调整多层感知机神经网络模型的权重，构建反映输入和输出关系的数学模型，分别设置激活函数、损失函数；

输入验证集，采用训练好的多层感知机神经网络模型对验证集进行信号降噪并输出结果，完成验证；

输入测试集，采用验证后的多层感知机神经网络模型对测试集进行信号降噪并输出结果，完成测试。

2.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述获取纯净的压力传感器信号的方法为，

构建圆柱体模型，并将其导入至计算流体动力学的软件；

在流体动力学软件中设置计算域及圆柱体的位置；

通过湍流模型获取圆柱体表面压力信号；

对仿真结果进行验证；

在圆柱尾流区域内构建矩形域，将圆柱尾流区域的压力值变化映射到该矩形域；

提取所述矩形域内随时间变化的压力值，作为纯净的压力传感器信号。

3.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述噪声模型为高斯白噪声，用以模拟真实噪声。

4.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述样本数据库中所有信号裁剪为5秒，样本按照80%、10%、10%划分为训练集、测试集、验证集。

5.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述反向传播不断调整多层感知机神经网络模型的权重采用梯度下降算法，公式如下：

其中，表示模型参数权重；/>表示当前的迭代次数；/>表示学习率，控制步长的大小；表示损失函数；/>表示第/>轮迭代中按照均匀分布随机获取到的序号；/>表示在每次迭代时，当前参数/>下的梯度。

6.根据权利要求5所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述反映输入和输出关系的数学模型，即各层的全连接运算公式如下：

其中，矩阵表示n个传感器信号样本的小批量，并且每个样本都有d个特征；分别表示第一个隐藏层和第二个隐藏层的权重，/>表示输出层的权重；分别表示第一个隐藏层和第二个隐藏层的输出；/>表示激活函数；/>分别表示第一个隐藏层和第二个隐藏层的偏置，/>表示输出层的偏置，/>表示多层感知机模型最终的输出结果。

7.根据权利要求6所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述激活函数选择ReLu函数，即修正线性单元，用于将输入的含噪声的压力传感器信号限制在一个非负的范围之内，当输入的值小于0时，输出是0；当输入的值大于等于0时，输出的值等于其本身。

8.根据权利要求7所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述损失函数为均方差损失MSE，用于计算多层感知机神经网络模型输出的预测值与真实值之间的差值，其计算公式如下：

其中，N表示训练集中含噪声的传感器信号样本总数；表示第k个神经网络模型预测的输出信号；label是标签，即纯净的传感器信号。

9.根据权利要求8所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述多层感知机神经网络模型的输出结果，采用信噪比指标来评价传感器信号降噪的效果，信噪比公式如下：

其中，代表压力传感器信号中纯净信号的功率，/>代表压力传感器信号中噪声的功率。

10.一种基于机器学习的水下传感器输出信号降噪系统，其特征在于：用于实施权利要求1-9任一项所述基于机器学习的水下传感器输出信号降噪方法；包括数据采集模块、噪声生成模块、信号处理模块及机器学习模块；

所述数据采集模块通过数值模拟检测圆柱绕流尾迹流场区域处的压力响应值，获取纯净的压力传感器信号；

所述噪声生成模块用于提供模拟真实噪声的高斯白噪声；

所述信号处理模块将纯净的压力传感器信号与高斯白噪声结合，得到含噪声的压力传感器信号；

所述机器学习模块将含有噪声的传感器信号中的噪声去除，恢复到原始的不含噪声的传感器信号，完成对水下传感器输出信号的降噪处理。