[发明专利]一种水声信号的粒子滤波降噪方法

说明书

技术领域

本发明属于水声信号处理技术领域，涉及一种水声信号的粒子滤波降噪方法。

背景技术

文献“非高斯背景条件下水声信号粒子滤波性能分析,火力与指挥控制,2014,Vol.39(4),p34-37,41”公开了一种非高斯背景条件下水声信号粒子滤波性能分析方法。该方法是利用假定的水声信号数学模型进行粒子滤波，但是需要说明的是，并未对实际水声信号进行粒子滤波降噪处理。

发明内容

本发明的目的在于克服上述现有方法的不足，提供一种水声信号的粒子滤波降噪方法，以四种不同类别的舰船辐射噪声作为实际水声信号，建立了基于遗传算法的实际水声信号的数学模型，提出了基于粒子滤波的水声信号降噪处理方法，并对实际舰船信号进行降噪处理。

为达到上述目的，本发明采用以下技术方案：

一种水声信号的粒子滤波降噪方法，包括以下步骤：

步骤(a)、利用遗传算法对实测水声信号建立数学模型；

步骤(b)、根据水声信号的遗传算法建模过程及原理，得出水声信号的状态方程；同时，将建模所得的数学模型转化为水声信号的观测方程；

步骤(c)、利用粒子滤波对实测水声信号进行降噪，给出降噪前后的时序波形和相空间吸引子轨迹，具体步骤如下：

1)、初始化k＝0

从初始分布p(x₀)中采样得到N个初始粒子

2)、重要性采样

从重要性密度函数q(x_0:k|y_1:k)中采样产生粒子

3)、重要性权值

当i＝2,…,N时，

归一化权值

4)、重采样

从中根据重要性权值重新采样得到新的N个粒子并重新分配权值

5)、状态估计均值

步骤(d)、计算降噪前与降噪后的噪声强度，Lyapunov指数，关联维数和K₂熵。

进一步，所述步骤(a)建立数学模型具体包括以下步骤：

1)、使用Volterra模型作为预测模型，如下：

对于N个变量的M阶的Volterra模型，一共有1+N+N^2+…+N^M项，在Volterra模型的基础上，选择一定的项来组成新的模型，组成模型的项的选择由遗传算法完成；

2)、对每一项进行编码，对于模型的项采用以下通用公式(2)表示：

式中，对于项用向量a＝(n₁,n₂,…,n_M)^T来表示；多个向量组成一个矩阵，表示一个模型，矩阵的每个列向量表示模型的一个项，矩阵的列数即为模型的项数；

3)、使用最小二乘法来计算模型系数，在得到模型系数后，使用评价数据来计算模型的预测误差，使用该误差作为模型好坏的评价；

交叉繁殖：将两个模型的项按照一定的规律分别排序，在两个序列中各随机选择一个交叉点，然后交换序列的后半部分，得到两个新的模型，作为交叉繁殖的后代；

变异：将随机生成模型的一个项随机替换掉模型原来的一个项，完成变异。

本发明的有益效果是：

本发明鉴于粒子滤波常用于非线性、非高斯动态系统最优估计，完全突破了Kalman滤波理论框架，提出了适用于滤除水声信号中噪声的新方法。利用粒子滤波对实测的水声信号进行降噪，给出降噪前后的信号时域波形及相空间吸引子轨迹；计算降噪前与降噪后的噪声强度，Lyapunov指数，关联维数，Kolmogorov熵等特征参数，定量分析粒子滤波对实际水声信号的降噪效果。

通过对含噪Lorenz模型和实测水声信号进行降噪处理，得到了较为满意的结果。结果，表明采用粒子滤波降噪方法对水声信号进行降噪处理是一种行之有效的方法，它在水声信号的混沌处理研究中具有重要作用。

附图说明

图1第一类水声信号的实测数据与一步预测数据；

a)实测数据与一步预测数据(2048点)；

b)实测数据与一步预测数据(300点)；

图2第二类水声信号的实测数据与一步预测数据；

a)实测数据与一步预测数据(2048点)；

b)实测数据与一步预测数据(300点)；

图3第三类水声信号的实测数据与一步预测数据；

a)实测数据与一步预测数据(2048点)；