CN114462458B - 一种舰船水下信号降噪及目标增强方法 - Google Patents
一种舰船水下信号降噪及目标增强方法 Download PDFInfo
- Publication number
- CN114462458B CN114462458B CN202210370777.1A CN202210370777A CN114462458B CN 114462458 B CN114462458 B CN 114462458B CN 202210370777 A CN202210370777 A CN 202210370777A CN 114462458 B CN114462458 B CN 114462458B
- Authority
- CN
- China
- Prior art keywords
- signal
- function
- intrinsic mode
- noise
- ship
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T70/00—Maritime or waterways transport
- Y02T70/10—Measures concerning design or construction of watercraft hulls
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种舰船水下信号降噪及目标增强方法,属于海洋信息技术领域,该方法通过模态分解获取信号的本征概率密度函数,根据与高斯函数的偏差,对信号进行重构,实现对舰船水下噪声的降噪和特征增强。本发明方法不存在参数和阈值等选取的影响,无需先验知识,适用范围广,能有效地对舰船水下信号进行降噪和目标特征增强,提高后续的识别性能。
Description
技术领域
本发明属于海洋信息技术领域,具体涉及一种基于本征概率密度函数的舰船水下信号降噪及目标增强方法。
背景技术
海上舰船目标的准确识别对海上船舶监测及航线规划、海上权益维护具有重要的现实意义。目前,水下辐射噪声是舰船识别中常用到的信号之一。
舰船航行过程中产生的噪声信号在水下会以声波的形式向四周传播。声波传播会受到海洋水体环境和海面、海底的边界的影响,是一个复杂的物理过程,表现在两个方面:一个是传播时声信道会对信号产生调制作用,导致信号的能量损失和畸变;另一个是海洋、内波和锋面等物理海洋动态现象会引入噪声,掩盖有用信号。随着减振降噪技术和材料科学的发展,船舶辐射噪声变得越来越微弱,这使得有效准确地从海洋背景噪声中识别出船舶辐射噪声愈发困难。
目前舰船声学的识别主要依靠人耳听取经过降噪、增强处理后的水下噪声信号,依据直觉和经验人工判断相应的类型、螺旋桨转速、叶片数等舰船的物理信息。识别的效果主要取决于信号的降噪和特征增强处理。
特征增强的主要目的是尽可能地降低接收信号中的噪声成分,增强信号中的目标成分来提升数据质量,提高识别性能。目前,国内外研究者提出了多种方法来增强目标信号,主要有:滤波技术、信号变换技术和信号分解技术。滤波技术依赖于信号的统计特征,只能处理线性、平稳信号,无法应对目标信号和噪声频带重合的情况,不适用于处理船舶噪声信号。信号变换技术主要是利用多种变换方法,将信号时频局部化以应对目标的非平稳特性,却存在参数和阈值等选取的影响,需要先验知识,适用范围和增强性能受限。信号分解技术主要有经验模态分解(EMD)及其改进算法和变分法模态分解(VMD)算法,同样面临着依赖先验信息,适用范围和性能受限的问题。
发明内容
本发明要解决的技术问题在于提供一种基于本征概率密度函数的舰船水下信号降噪及目标增强方法,该方法通过模态分解获取信号的本征概率密度函数,根据与高斯函数的偏差,对信号进行重构,实现对舰船水下噪声的降噪和特征增强。
本发明是通过如下技术方案来解决技术问题的:
一种舰船水下信号降噪及目标增强方法,所述方法具体包括以下步骤:
第一步,提取总长度为T的一段噪声信号s,得到标准化的噪声信号st;标准化操作的步骤为将不同数据样本的采样率统一为FSstd,其中FSstd大于20kHz;然后去掉信号的直流分量:st=s-mean(s),其中mean()表示取均值操作;最后将信号功率归一化:st=st/std(st),其中std()表示取标准差操作;
第二步,计算信号的本征模态函数;首先对信号st进行模态分解,模态分解的方法包括:模态分解后,表示为:
其中,ci(t)是第i个本征模态函数(IMF)分量;
进一步,对于舰船噪声,公式(1)中的N大于8。
第三步,计算本征模态函数的概率密度函数;对前8个本征模态函数,求得其核函数估计出的概率密度函数fi(x);
其中,K()为核函数,h为平滑参数。
进一步,公式(2)中的核函数选用正态分布对应的高斯函数,则
第四步,求解信号本征模态函数的概率密度函数与高斯函数的偏差;选取偏差绝对值最大值超过0.04的本征模态函数;当选出的本征模态函数个数不超过3时,则选取偏差均值最大的3个本征模态函数;
第五步,将选出的本征模态函数在时域上相加,即可完成对舰船水下信号降噪及目标增强的处理。
本发明与现有技术相比的有益效果是:
本发明方法运用了信号本征概率密度函数与高斯函数的偏差来衡量船舶噪声中的目标特征,摆脱了对先验信息的需求;偏差表征了信号中偏离正态分布的情况,这往往对应着舰船的物理结构(以螺旋桨驱动为主)对水体的外力作用,能有效获取目标成分。该方法不存在着参数和阈值等选取的影响,无需先验知识,适用范围广,能有效地对舰船水下信号进行降噪和目标特征增强,提高后续的识别性能。
附图说明
图1是本发明方法的处理步骤;
图2是舰船信号分解得到的本征模态函数图;
图3是每个本征模态函数的概率密度函数与高斯函数的对比图;
图4是增强处理前后的信号DEMON谱的对比图;
具体实施方式
下面通过实施例来对本发明的技术方案做进一步解释,但本发明的保护范围不受实施例任何形式上的限制。
实施例1
这里以1艘船舶的水下噪声信号为例,把信号进行分帧,每一帧的长度为10秒,帧与帧之间重合9秒。对于每帧数据,本发明方法的处理步骤(见图1)如下:
第一步标准化操作。将总长度为10秒的一帧噪声信号s,执行标准化操作得到标准化的噪声信号st。由于采样率已经一致,故不再需要统一采样率工作。去掉信号的直流分量:st=s-mean(s),其中mean()表示取均值操作;信号的功率归一化:st=st/std(st),其中std()表示取标准差操作。经过标准化后,信号的时域波形如图2中Data所示。
第二步,计算信号的本征模态函数。首先对信号st进行模态分解,模态分解的方法包括:经验模态分解法(EMD),集合经验模态分解法(EEMD),或者自适应性噪声完备集合经验模态分解法(CEEM-EMD)。这里选用EEMD对这些舰船信号进行分解。模态分解后,信号可以表示为:其中,ci(t)是本征模态函数(IMF)分量。如图2所示,为信号分解后的结果,其中Data为原始信号,IMFi为第i个本征模态函数,Residual为分解后的残余分量,右侧数值为各本征模态函数和残余分量对应的频率。
第三步,计算本征模态函数的概率密度函数。对每一个本征模态函数,求得其概率密度函数:其中,K()为核函数,h为平滑参数。通常选用正态分布对应的高斯函数为核函数,h=100。每一个本征模态函数的概率密度函数如图3中灰色实线所示。
第四步,求解信号本征概率密度函数与高斯函数的偏差。求解信号本征概率密度函数与高斯函数的偏差。选取偏差最值超过0.04的本征模态函数;当选出的本征模态函数个数小于3时,则选取偏差均值最大的3个本征模态函数。图3中给出了每一个本征模态函数的概率密度函数(灰色实线)与高斯函数(黑线虚线)的对比。根据图3的结果可以看出,对于该信号选出的本征模态函数分别为IMF2、IMF3和IMF4。
第五步,将选出的本征模态函数在时域上进行叠加,对信号进行重构。增强处理前后的信号的DEMON谱如图4所示,增强处理的效果十分明显。根据图4的结果可以看出,原始信号DEMON谱的峰值位置如图4上部分的实心点所示,与实际目标严重偏离(空心点所示);增强处理后的信号DEMON谱的峰值位置如图4下部分的空心点所示,与实际目标没有偏离。
Claims (3)
1.一种舰船水下信号降噪及目标增强方法,其特征在于所述方法具体包括以下步骤:
第一步,提取总长度为T的一段噪声信号s,得到标准化的噪声信号st;标准化操作的步骤为将不同数据样本的采样率统一为FSstd,其中FSstd大于20kHz;然后去掉信号的直流分量:st=s-mean(s),其中mean()表示取均值操作;最后将信号功率归一化:st=st/std(st),其中std()表示取标准差操作;
第二步,计算信号的本征模态函数;首先对信号st进行模态分解,模态分解的方法包括:模态分解后,表示为:
其中,ci(t)是第i个本征模态函数分量;
第三步,计算本征模态函数的概率密度函数;对前8个本征模态函数,求得其核函数估计出的概率密度函数fi(x);
其中,K()为核函数,h为平滑参数;
第四步,求解信号本征模态函数的概率密度函数与高斯函数的偏差;选取偏差绝对值最大值超过0.04的本征模态函数;当超过0.04的本征模态函数个数小于3时,则选取偏差最大的3个;
第五步,将选出的本征模态函数在时域上相加,即可完成对舰船水下信号降噪及目标增强的处理。
2.根据权利要求1所述的一种舰船水下信号降噪及目标增强方法,其特征在于对于舰船噪声,公式(1)中的N大于8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370777.1A CN114462458B (zh) | 2022-04-11 | 2022-04-11 | 一种舰船水下信号降噪及目标增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370777.1A CN114462458B (zh) | 2022-04-11 | 2022-04-11 | 一种舰船水下信号降噪及目标增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114462458A CN114462458A (zh) | 2022-05-10 |
CN114462458B true CN114462458B (zh) | 2022-07-08 |
Family
ID=81417369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210370777.1A Active CN114462458B (zh) | 2022-04-11 | 2022-04-11 | 一种舰船水下信号降噪及目标增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462458B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111505649A (zh) * | 2020-04-14 | 2020-08-07 | 西北工业大学 | 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102252672B (zh) * | 2011-04-28 | 2012-10-10 | 哈尔滨工程大学 | 一种用于水下导航的非线性滤波方法 |
CN106645943A (zh) * | 2016-09-14 | 2017-05-10 | 哈尔滨工业大学 | 一种基于小波理论和eemd的微弱信号的去噪方法 |
CN107315996A (zh) * | 2017-05-19 | 2017-11-03 | 燕山大学 | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 |
CN107464226B (zh) * | 2017-07-31 | 2019-10-15 | 东南大学 | 一种基于改进二维经验模态分解算法的图像去噪方法 |
CN108229382A (zh) * | 2017-12-29 | 2018-06-29 | 广州供电局有限公司 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
CN109446928B (zh) * | 2018-10-10 | 2021-04-02 | 南京航空航天大学 | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 |
CN109977914B (zh) * | 2019-04-08 | 2021-06-15 | 哈尔滨工业大学 | 基于vmd的自适应降噪方法 |
CN110135316B (zh) * | 2019-05-07 | 2019-12-31 | 中国人民解放军海军潜艇学院 | 一种舰船辐射噪声中低频线谱的自动检测和提取方法 |
CN111007569A (zh) * | 2019-12-11 | 2020-04-14 | 中国人民解放军96901部队23分队 | 一种集成经验模态分解的样本熵阈值微地震信号降噪方法 |
CN111325696B (zh) * | 2020-03-03 | 2023-07-07 | 杭州瑞利海洋装备有限公司 | 一种基于正态分布区间估计的水声图像混响抑制方法 |
CN111552182B (zh) * | 2020-05-11 | 2022-09-23 | 鲁东大学 | 一种基于干扰观测器的船舶动力定位***的抗干扰饱和控制方法 |
CN111681667B (zh) * | 2020-06-23 | 2021-05-04 | 青岛科技大学 | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 |
CN112183280B (zh) * | 2020-09-21 | 2022-03-08 | 西安交通大学 | 基于emd和压缩感知的水声目标辐射噪声分类方法及*** |
CN113180659B (zh) * | 2021-01-11 | 2024-03-08 | 华东理工大学 | 一种基于三维特征和空洞全卷积网络的脑电情感识别方法 |
CN113077813B (zh) * | 2021-03-22 | 2022-03-01 | 自然资源部第一海洋研究所 | 一种基于全息谱和深度学习的舰船噪声识别方法 |
CN114118528A (zh) * | 2021-11-03 | 2022-03-01 | 中国舰船研究设计中心 | 基于线性与非线性滤波器组合的船舶航迹实时预报方法 |
-
2022
- 2022-04-11 CN CN202210370777.1A patent/CN114462458B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111505649A (zh) * | 2020-04-14 | 2020-08-07 | 西北工业大学 | 一种拖曳式被动阵列声呐低信噪比舰船运动目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114462458A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800700B (zh) | 一种基于深度学习的水下声信号目标分类识别方法 | |
CN103236260B (zh) | 语音识别*** | |
CN100543842C (zh) | 基于多统计模型和最小均方误差实现背景噪声抑制的方法 | |
CN104657948B (zh) | 一种用于海洋探测的激光水下成像图像去噪和增强方法 | |
Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
CN113077813B (zh) | 一种基于全息谱和深度学习的舰船噪声识别方法 | |
Wang et al. | Feature extraction of underwater target in auditory sensation area based on MFCC | |
CN106328120B (zh) | 公共场所异常声音特征提取方法 | |
CN106356058B (zh) | 一种基于多频带特征补偿的鲁棒语音识别方法 | |
Lu et al. | Fundamental frequency detection of underwater acoustic target using DEMON spectrum and CNN network | |
Ashraf et al. | Underwater ambient-noise removing GAN based on magnitude and phase spectra | |
CN111914641A (zh) | 一种基于模态强度匹配分析的目标深度辨识方法及*** | |
CN114462458B (zh) | 一种舰船水下信号降噪及目标增强方法 | |
Li | Speech denoising based on improved discrete wavelet packet decomposition | |
Ashraf et al. | Ambient-noise free generation of clean underwater ship engine audios from hydrophones using generative adversarial networks | |
CN110931039A (zh) | 一种基于小波的无线语音降噪装置及方法 | |
US20060178881A1 (en) | Method and apparatus for detecting voice region | |
CN114298094B (zh) | 一种基于主成分分析的线谱自动提取方法 | |
CN114462457B (zh) | 基于本征概率密度函数的舰船水下噪声深度学习识别方法 | |
CN112034440B (zh) | 一种基于波数谱能量累积分布的目标深度辨识方法及*** | |
CN111638501B (zh) | 一种自适应匹配随机共振的谱线增强方法 | |
CN106997766B (zh) | 一种基于宽带噪声的同态滤波语音增强方法 | |
CN103487794B (zh) | 一种基于小波包变换的水底混响抑制方法 | |
CN109448750B (zh) | 一种提高生物雷达语音质量的语音增强方法 | |
Ju et al. | A self-noise cancellation method for unmanned underwater vehicle based on sparse shrinkage algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |