[发明专利]一种基于参数优化VMD的激光雷达回波信号降噪方法

权利要求书

1.一种基于参数优化VMD的激光雷达回波信号降噪方法，其特征在于，包括以下步骤：

步骤1：通过示波器采样原始激光雷达回波信号x(t)；

步骤2：设定VMD分解参数范围；

步骤3：将最小能量损失系数作为目标函数，利用蝗虫优化算法获取最优VMD分解参数；

步骤4：利用步骤3得到的最优VMD分解参数，对原始激光雷达回波信号x(t)进行VMD分解，得到多个最优模态分量信号；

步骤5：计算每个最优模态分量信号与原始激光雷达回波信号x(t)之间的豪斯多夫距离，筛选出相关模态分量信号；

步骤6：应用小波去噪方法为每个相关模态分量信号进一步降噪，之后将进一步降噪之后的相关模态分量信号叠加完成回波信号的重构，得到降噪处理后的激光雷达回波信号。

2.如权利要求1所述的基于参数优化VMD的激光雷达回波信号降噪方法，其特征在于，所述步骤2中，VMD分解参数包括分解模态分量个数K和二次惩罚因子α。

3.如权利要求2所述的基于参数优化VMD的激光雷达回波信号降噪方法，其特征在于，所述步骤3包括以下步骤：

步骤3.1：初始化蝗虫优化算法种群个数N、最大迭代次数L，初始化蝗虫种群X_i(i＝1,...N)，设置初始迭代次数l为1；

步骤3.2：在VMD分解参数范围内，对回波信号进行VMD分解，得到N组初始模态分量信号，其中每个蝗虫个体对应一组初始模态分量信号；

步骤3.3：计算每个蝗虫个体的适应度值，即为各组初始模态分量信号与原始激光雷达回波信号x(t)之间的能量损失系数，并保存最小适应度值T和对应的分解参数；

步骤3.4：判断蝗虫优化算法是否满足迭代终止条件：蝗虫优化算法的当前迭代次数l是否大于等于预先设定的最大迭代次数L，若满足l≥L则进入步骤3.5，否则令l＝l+1，并返回步骤3.2；

步骤3.5：找到所有迭代过程中最小适应度值并将对应的分解参数/作为最佳VMD分解参数。

4.如权利要求3所述的基于参数优化VMD的激光雷达回波信号降噪方法，其特征在于，所述步骤3.2包括以下步骤：

步骤3.2.1：VMD的分解过程为方程(1)所描述的约束变分问题的构造与求解：

式中，u_k为VMD分解后的第k个模态分量信号，ω_k为第k个模态分量信号的中心频率，t表示时间，δ(t)为狄拉克函数，表示括号内的式子对t求导，引入公式(2)所示的增广Lagrange函数，/

其中，α为二次惩罚因子，λ为Lagrange乘子；

步骤3.2.2：利用乘子交替迭代法求解方程(2)的鞍点，所述鞍点即为式(1)的最优解，具体步骤包括：

首先，预先指定分解模态分量个数K的个数，并初始化分量的频率，得到初始分量频率与之对应的初始中心频率/以及初始Lagrange乘数/

然后，根据公式(3)和(4)分别更新分量频率和中心频率/

其中，为第k个模态分量信号频率，/为原始激光雷达回波信号x(t)的频谱，n为当前迭代次数；

根据公式(5)更新Lagrange乘数

其中，τ为Lagrange乘数的更新参数，取τ＝10^-3；

步骤3.2.3：判断更新迭代后的分量频率是否满足收敛方程(6)的条件，若不满足，则继续更新，若满足，则迭代结束，进而得到VMD分解后的分量信号；

式中，ε为收敛准则容差值，取ε＝10^-6。

5.如权利要求4所述的基于参数优化VMD的激光雷达回波信号降噪方法，

其特征在于，所述步骤3.3中能量损失系数e按公式(7)计算：

式中，∑u_k(k＝1,2,...,K)为各模态分量信号的叠加，即为重构信号。