[发明专利]一种基于WOA-VMD算法的信号去噪方法

说明书

本发明公开了一种基于WOA‑VMD算法的信号去噪方法，具体为：根据鲸鱼优化算法分别建立目标包围、发泡网攻击以及猎物搜寻的数学模型，然后进行初始化参数，在取值范围内初始化鲸鱼的位置向量，根据位置向量对原始振动信号进行VMD分解，然后计算每个鲸鱼位置下的平均包络熵；更新最小平均包络熵，即获得当前群体中最佳个体的位置更新当前鲸群个体的空间位置；输出最佳鲸鱼个体的位置向量，即得VMD的分解参数组合；根据所得到的分解参数组合对信号进行VMD分解，将分解出IMF分量相加得到重构信号，即得去噪后的信号。本发明解决了现有技术中存在的原始VMD算法的分解参数需要根据经验进行人工确定，导致无法得到最优分解结果，从而影响信号的去噪效果的问题。

技术领域

本发明属于信号去噪方法技术领域，涉及一种基于WOA-VMD算法的信号去噪方法。

背景技术

变分模态分解(VMD)已被广泛应用于生物医学图像降噪、旋转机械故障诊断、压力波动信号分析等各个领域。

F.Li,B.Zhang,S.Verma,et al.,Seismic signal denoising usingthresholded variational mode decomposition,Explor.Geophys.49(4)(2018)450–461提出了一种基于阈值和VMD分解的混合降噪方法，该方法的原理是利用阈值选择IMF来重构信号，从而达到去噪的目的；Liu Y,Yang G,Li M,et al.Variational ModeDecomposition Denoising Combined the Detrended Fluctuation Analysis[J].SignalProcessing,2016,125(C):349-364.提出了一种结合变模分解(VMD)和去趋势波动分析(DFA)的信号去噪方法，通过一个基于DFA的简单准则来选择分解参数K，以避免过度合并或合并不足对VMD去噪的影响；Lin Qian,Min Kang,Fu.Xiuqing,et al.,Application ofadaptivemorphology in bearing fault diagnosis based on VMD,J.Vib.Shock 36(3)(2017)227–233提出了一种基于互信息的VMD方法(VMD-MI)，该方法基于互信息提取与原始信号有关的模态信号并对原信号进行重构；Ma.Wenping,Yin Shuxin,Jiang Chunlei,etal.,Variational mode decomposition denoising combined with the Hausdorffdistance,Rev.Sci.Instrum.88(3)(2017)035109提出了一种基于VMD和Hausdorff距离的滤波方法，通过计算每个模态分量和原始信号的概率密度函数及其Hausdorff距离来测量每个模态分量的概率密度函数与原始信号的概率密度函数之间的相似度，选择有效分量以实现滤波。可以看出，这些方法的基本思想是利用VMD将信号分解为若干个IMF分量，再通过评估各个IMF分量和原信号的相关程度进行信号重构，以达到信号降噪的目的。实际上，这些方法都没有从VMD分解方法本身的缺陷出发，VMD存在根据主观经验难以设置参数的问题，其分解尺度K和惩罚因子α需要人为提前设定，且这两个参数的选取会对分解精度产生较大影响，因此去噪效果都不理想。

发明内容

本发明的目的是提供一种基于WOA-VMD算法的信号去噪方法，解决了现有技术中存在的原始VMD算法的分解参数需要根据经验进行人工确定，导致无法得到最优分解结果，从而影响信号的去噪效果的问题。

本发明所采用的技术方案是，一种基于WOA-VMD算法的信号去噪方法，具体按照如下步骤实施：

步骤1，根据鲸鱼优化算法分别建立目标包围、发泡网攻击以及猎物搜寻的数学模型；

步骤2，初始化步骤1建立的数学模型中的参数；

步骤3，在取值范围内初始化鲸鱼的位置向量，根据位置向量对原始振动信号进行VMD分解，然后计算每个鲸鱼位置下的平均包络熵；