Sualtı Akustik İzleme Sinyali Özellik Frekans Bandı Çıkarma Yöntemi Araştırması
Şu anda, su altı akustik izleme, deniz araştırması ve araştırmasının önemli yöntemlerinden biridir.İzleme sinyali, esas olarak geniş bant orta ve düşük frekans sinyalleri ve 5 10 Hz deniz yüzeyi dalga gürültüsü gibi dar bant yüksek frekans sinyalleri dahil olmak üzere geniş bir frekans bant aralığına sahiptir; 10 200 kHz Deniz memelileri yukarıdaki frekanslarda ses verir; dar bant merkez frekansı 1 200 kHz veya daha yüksek olan ticari sonar; 1 kHz altında gemi gürültüsü vb. Gerçek su altı sesi izleme sürecinde, kayıt sırasında büyük miktarda karmaşık gürültü bilgisi yukarıdaki çeşitli etkili özellik bilgileriyle karıştırılacaktır. Bu nedenle, bilinmeyen izleme bilgilerinin sınıflandırılması ve çıkarılmasının nasıl en üst düzeye çıkarılacağı, araştırmanın anahtarıdır.
Dalgacık paket algoritması, sinyali çeşitli frekans aralıklarına ayırma avantajına sahiptir, bu nedenle, alt bant eşiği gürültü azaltma, enerji özelliği çıkarma ve Zhong Mengchun gibi su altı akustik sinyal işlemede ve diğer gelişmiş dalgacık paket enerji segmentli eşik gürültü azaltmada yaygın olarak kullanılır. Yöntem, optimum dalgacık paket enerji yöntemine göre alt bant gürültü azaltma yöntemidir. Shi Qiuliang ve diğerleri, dalgacık paket ayrıştırma ve enerji öznitelik çıkarımının korelasyon analizi yöntemine dayanarak, alt bant enerjisine göre özellik değerlerini çıkarır. Yang Yajing ve diğerleri, deniz sualtı akustik sinyallerinin işlenmesinde en iyi enerji dalgacık paketi teknolojisini uyguladılar ve sınıflandırma mesafesinin standart dalgacık paketi tabanlı enerji yöntemine dayalı olarak su altı akustik sinyallerinin sınıflandırılmasını ve tanımlanmasını önerdiler. Liu Shen ve arkadaşları, öz mod bileşenlerinin enerji oranına göre deneysel mod ayrıştırma, çıkarma ve sınıflandırma yoluyla IMF enerji spektrumuna dayalı su altı akustik sinyallerinin özellik çıkarımı ve sınıflandırılması üzerine araştırma. Yukarıdaki araştırma yöntemlerinin tümü, sinyallerin ince frekans bölünmesini sağlar, ancak özellik çıkarımı için enerji yönteminin kullanımının büyük sınırlamaları vardır.Zayıf enerji etkin sinyalleri göz ardı etmek kolaydır ve yüksek enerjili gürültü hala korunur. Zhao Chao ve arkadaşlarının EMD ve dalgacık paket enerjisi yöntemine dayanan sinyal denoising, EMD ve dalgacık paketinin kombinasyonunun kullanımı yüksek referans değerine sahiptir, ancak yalnızca Gauss beyaz gürültüsünün denoizasyonunu sağlar ve diğer bileşen gürültüsü ve karakteristik sinyalleri içermez Ayıkla. Li Mao ve diğerleri Kusurlu ultrasonik sinyal algılamayı elde etmek için boyut küçültme işlemi için temel bileşenleri seçmek üzere EMD bileşenlerinin enerji oranını kullanarak EMD ve temel bileşen analizine dayalı kusurlu ultrasonik sinyallerin özellik çıkarımı üzerine araştırma. Bu yöntem yalnızca kusurlu ultrasonik sinyaller ve ultrasonik verici probları içindir. Ve alıcı probun frekansı biliniyor. Chen Gong ve arkadaşları, zayıf pasif geçici balık sesi sinyallerinde dönüşümün tespitini önermiş ve deneysel mod ayrıştırma kullanarak balık geçici tespitini gerçekleştirmiştir.Bu yöntem sadece balıkların spesifik hedef sinyali içindir. Dalgacık paket ayrışmasının doğrusal olmayan gürültü azaltımına ve ana akım şekil tanımasına dayalı olarak, Su Zuqiang ve diğerleri, sinyal ayrımını gerçekleştirmek için yatağın titreşim sinyali için dalgacık paketi ayrışma katsayısı faz uzayı ana eğilim tanıma yeniden yapılandırması gerçekleştirdi. Yukarıdaki yöntemler daha uygundur ve net hedefleri vardır. Bununla birlikte, su altı ses izleme algılamasının ses frekansı aralığı nispeten geniştir Sinyal kayıt işlemi, her frekans bandının bilgisini içerir Etkili özellik bilgisi, farklı enerji doluluk oranları ile yüksek, orta ve düşük farklı frekans bantlarında dağıtılabilir Frekans bandı dağılımı ve enerji boyutu bilinmemektedir. Bu nedenle, efektif özellik bilgisi, tek başına enerji seviyesi metodu ile değerlendirilemez ve farklı frekans bantlarının özellik bilgisi tek bir metot ile çıkarılamaz, aksi takdirde, etkili frekans bandı özellik bilgisinin kaybolması muhtemeldir ve gürültü, etkili özellik bilgisi olarak tutulur.
Dalgacık paket enerji yöntemi özelliği çıkarma, Hilbert-Yellow enerji yöntemi özellik çıkarma, vb., Zayıf yüksek frekans karakteristik bandını kaçırmak ve düşük frekanslı gürültüyü yüksek enerjiyle tanıtmak kolaydır ve ayrıca gürültü frekans bandını karakteristik frekans bandı olarak ve karakteristik frekans bandını gürültü olarak çıkarmak kolaydır. aldırmamak. Tek bir yöntem, belirli bir frekans bandında hedef ekstraksiyonu için güvenilirdir, ancak geniş bantlı su altı akustik izleme sinyallerinin çoklu hedef karakteristik frekans bantlarının çıkarılması için uygun değildir. Yukarıdaki problemlere yanıt olarak, etkili karakteristik frekans bantlarını çıkarmak için tamamlayıcı avantajlar elde etmek için dalgacık paketi, korelasyon katsayısı ve deneysel mod ayrışımının bir kombinasyonu kullanılır. Dalgacık paket enerjisi yöntemi, bilinmeyen su altı akustik izleme sinyalini düşük frekanstan yüksek frekansa ayrım gözetmeksizin işlemek için optimum ayrıştırma katmanını kullanır. Korelasyon katsayısı yöntemi, dalgacık paket ayrıştırma işleminden sonra tüm alt bantlarda korelasyon analizi gerçekleştirir, alt bantları etkin özellik bilgisi ile çıkarır ve gürültü alt bantlarını atar.Avantajı, sinyal alt bantlarının etkinliğini belirleyebilmesi ve enerji düzeyine bağlı olmamasıdır. Geçerli sinyalleri tanımlayın. Ampirik mod ayrıştırma, korelasyon katsayısı yöntemi ile çıkarılan etkili alt banttan gürültüyü daha da uzaklaştırır ve etkili alt bandın saflığını iyileştirir.Avantajı, oto-korelasyon katsayısı tarafından belirlenen etkili alt bantta bulunan gürültü miktarının daha da uzaklaştırılabilmesi ve nihayet saflığın daha yüksek olmasıdır. Karakteristik bilgi frekans bandı dalgacık paketinin yeniden yapılandırılmasıyla elde edilir. Bu makaledeki yöntem, dalgacık paket ayrıştırma ve yeniden yapılandırma sürecinde korelasyon katsayısı analizi ve ampirik mod ayrıştırmasının tanıtılmasına eşdeğerdir.Frekans bandı sinyal işleme aralığı daha geniştir ve spesifik frekans bandı odak analizi yeteneği daha güçlüdür.Tek dalgacık paket eşik işleme yönteminden daha güvenilirdir. daha yüksek. Simülasyon ve ölçülen veri işleme sonuçları, bu yöntemin odak analizi ve geniş bantlı su altı akustik izleme sinyali frekans bantlarının çıkarılmasında bariz avantajlara sahip olduğunu göstermektedir.
1 Sinyal çıkarmanın temel ilkeleri ve yöntemleri
Sualtı akustik izleme sinyalinin zaman alanı bilgisi aşağıdaki formülle ifade edilir:
Formülde, R (t) su altı sesi izlemenin orijinal sinyalidir, s (t) etkili sinyali temsil eder ve n (t) çevresel gürültü bilgisini temsil eder. Bu makale esas olarak etkili sinyal s (t) 'yi korur ve çıkarır ve gürültü sinyali n (t)' yi yok saymak için elinden gelenin en iyisini yapmaya çalışır Akış şeması Şekil 1'de gösterilmiştir.
1.1 Dalgacık paketinin temel yöntemi
Dalgacık paketi, düşük frekans ve yüksek frekansı ayrıştırabilen su altı akustik izleme sinyalinin frekans bandının çok seviyeli bölünmesini gerçekleştirebilir.Dalga dönüşümü ile karşılaştırıldığında, daha yüksek zaman-frekans çözünürlüğüne sahiptir ve geniş bant sinyallerinin daha iyi zaman-frekans analizini gerçekleştirebilir. . Dalgacık ve dalgacık paketinin alt bant ayrıştırma karşılaştırması Şekil 2'de gösterilmektedir, A düşük frekans bölümünü ve D yüksek frekans bölümünü temsil etmektedir.
Ölçekleme fonksiyonunun ve dalgacık fonksiyonunun sırasıyla v (t) ve p (t) olduğunu varsayalım, U0 = v (t), U1 = p (t) olsun ve {Un} fonksiyonunu ölçekleme fonksiyonu v (t) 'nin dalgacık paketi olarak tanımlayın, örneğin Formül (2) 'de gösterildiği gibi, burada hk ve gk çok çözünürlüklü analizde filtre katsayılarıdır.
Sözde dalgacık paketi, fonksiyon ailesi inşası için normalleştirilmiş bir ortogonal temel kitaplıktır.Bu kitaplık birçok normal ortogonal temel içerir ve dalgacık ortogonal temeli yalnızca bir gruptur.Bu nedenle, dalgacık paketi de dalgacık kavramının bir uzantısıdır.
(1) Dalgacık paket ayrışımı. Optimal dalgacık paket tabanını seçin ve optimum ayrıştırma katmanını belirleyin ve sinyal üzerinde dalgacık paketi ayrıştırması gerçekleştirin. Dalgacık paket ayrışımı aslında dalgacık paket katsayılarının ayrıştırılmasıdır. U (i, j), j'inci tabakanın i-inci dalgacık paket katsayısıdır ve R (t) 'nin dalgacık paket katsayısı U (0,0) ve bir katmanın ayrıştırılmasından sonraki katsayı U (0,1), U (1 , 1), ayrıştırmadan sonraki veri uzunluğu U (0,0) 'nın 1 / 2'si. Ayrışma katmanlarının sayısı N'dir ve N. katmanın her bir düğümünün katsayı uzunluğu 1 / 2N U (0,0) 'dır.
(2) Eşik ve eşik fonksiyonunun seçimi. Her dalgacık paketi ayrışma katsayısı için, eşik nicelemesi için uygun bir eşik ve eşik fonksiyonunun seçilmesi gerekir. Yaygın olarak kullanılan eşik yöntemleri şunlardır: sabit eşik yöntemi, yansız olasılık eşiği yöntemi, sezgisel eşik, maksimum-min. Eşik yöntemi. Eşik işlevi genellikle bir sert eşik işlevine ve bir yumuşak eşik işlevine ve ayrıca ağırlıklı ortalama işlevi ve yarı yumuşak eşik işlevi gibi birkaç başka geliştirilmiş eşik işlevine sahiptir.
(3) Dalgacık paketinin yeniden yapılandırılması. İşlenmiş düşük frekans ve yüksek frekans katsayıları, veri entegrasyonundan sonra yeniden oluşturulur.
1.2 Hilbert-Huang algoritması
Sabit olmayan sinyalleri işlemenin temel süreci şudur: Birincisi, belirli bir sinyali birkaç IMF'ye ayrıştırmak için EMD yöntemini kullanın.Karmaşık bir sinyali, basit tek bileşenli sinyallerin bir kombinasyonuna dönüştürmek için, elde edilen IMF'nin karşılaması gerekir Aşağıdaki iki koşul: (1) Tüm uç noktaların ve sıfır geçiş noktalarının sayısı, tüm sinyal uzunluğu boyunca eşit veya en fazla biraz farklı olmalıdır; (2) Herhangi bir zamanda, yerel maksimum noktanın üst zarfı ve minimum nokta Alt zarfın ortalama değeri sıfırdır, yani zaman eksenine simetriktir. Daha sonra, karşılık gelen Hilbert spektrumunu elde etmek için her IMF'de Hilbert dönüşümü gerçekleştirilir, yani her IMF, ortak zaman-frekans alanında temsil edilir.
EMD, yerel maksimum ve minimum ile tanımlanır. Uç değer belirlendikten sonra, tüm yerel maksimumlar kübik eğri fonksiyon uydurma eğrisi ile bağlanacaktır.Yerel minimumun en düşük seviyesini oluşturma işlemi sürekli olarak tekrarlanır . Örneğin, bir x (t) sinyali verildiğinde, IMF'nin iki koşulunun karşılanıp karşılanmadığını belirlemek için üst ve alt zarfların ortalama değeri m1'i alın; değilse, IMF'nin iki koşulu karşılanana kadar döngüyü n kez tekrarlayın. EMD ile elde edilen sinyalin ilk IMF1 bileşeni olarak kaydedilen IMF1, R1 = x (t) -IMF1 elde etmek için x (t) sinyalinden ayrılır, bu işlem tekrar tekrar n kez çıkarılır, Rn = Rn + 1 -IMF1. Son sentez formülü şöyledir:
1.3 Korelasyon katsayısı
Çapraz korelasyon fonksiyonu, iki farklı an t1 ve t2'de x (t) ve y (t) iki zaman serisi arasındaki benzerliğin bir ölçüsüdür. Genellikle uzun bir dizide belirli bir kısa dizi bulmak için kullanılabilir. Matematiksel istatistikte çapraz korelasyon, iki rastgele dizinin korelasyonunu temsil eder. N, toplanan örnek olsun ve çapraz korelasyon, denklem (4) 'te gösterildiği gibi Rn (x (ti), y (ti)) olarak gösterilir. Rn (x (ti), y (ti)) değeri -1 ile +1 arasındadır ve değişken değeri pozitiftir, pozitif bir korelasyonu gösterir ve negatifse negatif bir korelasyonu gösterir. Rn (x (ti), y (ti)) mutlak değeri ne kadar büyükse, korelasyon o kadar güçlüdür.
Otokorelasyon fonksiyonu, denklem (5) 'de gösterildiği gibi iki farklı anda sinyal n (t)' nin korelasyon derecesini yansıtan özel bir çapraz korelasyon durumudur. Normalleştirilmiş otokorelasyon fonksiyonunun formülü, formül (6) 'da gösterilmektedir, burada Rn (0), saat 0 konumundaki sinyalin kendisinin fonksiyon değeridir. Gürültü sinyali 0 noktasında en büyük otokorelasyona sahiptir ve kalan noktaların otokorelasyon katsayıları hızla 0'a düşer. Genellikle sinyal 0 noktasında maksimum değeri alır, ancak diğer noktalar zamanla yavaş yavaş 0'a düşer.
2 Analog sinyal simülasyonu
Yukarıdaki yöntem simüle edilir ve bir analog sinyal y = 0.5sin (2f1t) + sin (2f2t) ile hesaplanır, burada f1 = 1 kHz, f2 = 2 kHz, gürültü = randn (boyut (y)) · 0.4 rasgele gürültü sinyali, örnekleme frekansı 100 kHz. Orijinal ve gürültülü sinyaller Şekil 3 (a) ve (b) 'de gösterilmektedir. Dalgacık paketi ayrıştırma katmanlarının sayısı çok az ise gürültü giderme tamamlanmamıştır Katman sayısı çok fazla ise aşırı gürültü giderme ve işletme maliyeti ile ilgili sorunlar vardır, bu nedenle optimal ayrışma katmanını bulmak gerekir. Orijinal sinyal bilindiğinde, optimal ayrışma katmanı, sinyal-gürültü oranı ve ortalama karekök hatası vasıtasıyla değerlendirilebilir. 1 ila 5 katmanda parazit sinyalini ayrıştırmak ve yeniden yapılandırmak için dalgacık kullanın Yeniden yapılandırılmış sinyalin her katmanının sinyal-gürültü oranı ve ortalama karekök hatası Tablo 1'de gösterilmiştir. Üçüncü katmanın sinyal-gürültü oranı, veri karşılaştırması yoluyla elde edilir. En yüksek ve en düşük kök ortalama kare hatası Bu nedenle, dalgacık paketinin optimal ayrışma seviyesi 3'tür.
Analog sinyalin optimal 3 katmanlı ayrışmasının 7-14 düğümünde normalleştirilmiş otokorelasyon işlemini gerçekleştirin. Literatüre ve gösterime göre, gürültünün rastgele ve periyodik olmayan özelliklere sahip olduğu ve otokorelasyon katsayısı eğrisinin 0'ın ötesinde keskin bir şekilde sıfıra düştüğü bilinebilir; ve Genel sinyalin rastgele olmayan bir doğası vardır, bu nedenle genel sinyalin otokorelasyon katsayısı eğrisi hızlı bir şekilde küçük bir değere düşmez, ancak zaman farkı değiştikçe yavaşça 0'a düşer.Değişiklik yasası açık bir şekilde gürültü sinyalininkinden farklıdır. Yalnızca düğüm 7, genel sinyal otokorelasyon özelliklerine uygundur ve düğüm 7'nin normalize edilmiş otokorelasyon katsayısının değişimi, Şekil 3 (d) 'de gösterildiği gibi orijinal sinyal y ile orantılıdır. Kalan düğümlerin katsayıları, düğüm 8'inkine benzerdir ve Şekil 3 (e) 'de gösterildiği gibi gürültü sinyalinin özelliklerine uygundur.
Düğüm 7, frekansı yüksekten düşüğe doğru 9 modal bileşen IMF1 IMF9 ve bir artık bileşen Kalıntı elde etmek için deneysel mod ayrışımı gerçekleştirir. Formül (3) 'e göre sırasıyla IMF1 IMF9 ve düğüm 7'nin korelasyon katsayılarını hesaplayın.IMF1 IMF9 katsayıları x1 x9, düğüm 7 katsayısı u ve korelasyon katsayısı Tablo 2'de gösterildiği gibi R (xi, u) olarak gösterilir. Gösterildiği gibi, maksimum çapraz korelasyon katsayısı 0,9718'dir. Bileşenlerin geçerliliği, maksimum çapraz korelasyon katsayısının 1 / 10'undan daha az olan referans belgeye göre değerlendirilir. Ana bileşenler x1 ve x2'de dağıtılır. İki bileşenin ve orijinal düğümün yeniden yapılandırılmasından sonraki veriler 7 Çapraz korelasyon katsayısı 0.996'dır 7. Ampirik mod ayrıştırma ve yeniden yapılandırma sonrasında çapraz korelasyon katsayısının orijinal düğüm sinyali ile tutarlı olduğu görülebilir. Bu yazıda yöntemle işlenen veriler Şekil 3 (f) 'de gösterilmiştir Saf dalgacık paketi ayrıştırması ile karşılaştırıldığında, bu yazıda verilen yöntem daha iyi sinyal-gürültü oranına ve Tablo 3'te gösterildiği gibi kök ortalama kare hatasına sahiptir.
3 Sualtı akustik sinyallerinin izlenmesinin denoising analizi
Ölçülen hidroakustik izleme bilgileri, Alaska'nın buz koyunda 90 m su derinliğine yerleştirilen pasif hidrofonlar tarafından kaydedilen pasif hidroakustik sinyallerden gelir. Ana katkıda bulunanlar, Alaska Üniversitesi ve Washington Üniversitesi'nden araştırmacılardır. İzleme örnekleme frekansı 100 kHz'dir ve 0.1 kHz ile 50 kHz arasında 64 frekans bandına bölünmüştür. 2011'de belirli bir orijinal ses dosyasını okuyun ve zaman-frekans karakteristik ölçeği Şekil 4'te gösterilmektedir.
Şekil 4'ten, orijinal su altı ses izleme sinyali için 0.1 kHz ila 1 kHz frekans aralığında güçlü bir sinyal dağılımı olduğu ve geri kalan sinyallerin nispeten zayıf olduğu görülebilmektedir Ancak, sinyalin etkinliği, karakteristik frekans bilgisinin çıkarılması sürecinde sinyal gücüne göre değerlendirilemez. Bilinmeyen bir durumda, güçlü sinyaller gürültü sinyalleri olabilir ve zayıf sinyaller de geçerli sinyaller içerebilir. Bu makalenin temel çalışması, farklı frekans bant sinyallerinden, özellikle yüksek frekanslı zayıf sinyallerden güvenilir izleme sinyali karakteristik frekans sinyallerini çıkarmaktır. Dalgacık paketinin optimal ayrışmasının 4 katmanlı ayrışmasına göre düğüm frekansı sıralaması ve kuvvet dağılımı Şekil 5'te gösterilmektedir.
Dalgacık paketi ayrıştırmasının dördüncü katmanının 15-30 katsayıları, aşağıdan yukarıya doğru sıralanır; burada yatay eksen zaman, sol frekans sırası ve sağ, frekans aralığına göre sıralanan düğümdür. 0 50 kHz frekans sinyali 16 frekans bandına bölünmüştür. Şekil 5 her bir düğümün frekans dağılımını göstermektedir, ancak sinyal gücü, etkili sinyallerin ve gürültü sinyallerinin frekans bandı dağılımını ayırt edemez. Bu makale normalleştirme kullanır Otokorelasyon katsayısı yöntemi, 4. katmandaki tüm düğümlerin frekans bilgilerini analiz eder ve izleme sinyalinin etkili karakteristik düğümlerinin ve gürültü düğümlerinin frekans dağılımını ayırt eder.
Ölçülen su altı akustik izleme sinyali bilinmeyen bir sinyaldir.Hem düşük frekanslı hem de yüksek frekans bilgisinde geçerli sinyaller olabilir.Sualtı akustik izleme sinyali dalgacık paketleri kullanılarak optimal ayrışma katmanında ayrıştırıldıktan sonra düğüm katsayıları frekansa göre düşük frekanstan yüksek frekansa doğru gerçekleştirilir. Bilinmeyen koşullar altında sıralama, yüksek frekanslı düğüm sinyalleri geçerli sinyallere sahip olabilir ve düşük frekanslı düğüm sinyalleri de düşük frekanslı gürültüye sahip olabilir Sinyal gürültüsü azaltma sürecinde, yüksek frekanslı veya düşük frekanslı düğümler gürültü olarak basitçe atılamaz.
Literatür doğrulaması ve analizine göre, otokorelasyon katsayısının gürültü ile genel sinyal arasındaki değişim kuralı elde edilmiştir. Normalleştirilmiş otomatik korelasyon işlemi, Şekil 4'teki orijinal su altı akustik izleme sinyali üzerinde ve 15 ila 30 arasındaki düğümler üzerinde gerçekleştirilir. Beş düğüm 15, 19, 23, 25 ve 27'nin tümü, Şekil 6'da gösterildiği gibi, genel sinyallerin oto-korelasyon özellikleriyle uyumludur. Göstermek. Düğüm 15 ile orijinal sinyal arasındaki otokorelasyon katsayısı güçlü bir tutarlılığa sahiptir ve bu frekans bandındaki sinyal daha etkili bileşenlere sahiptir. Sıfır noktasında düğüm 19 ve düğüm 27'nin maksimum değeri küçüktür, bu orijinal sinyalin otokorelasyon katsayısına benzer ve bazı etkili bileşenler içerir. Düğüm 25 ile orijinal sinyal arasındaki otokorelasyon katsayısı zayıf tutarlılığa sahiptir ve daha az etkili sinyaller içerir, ancak genel sinyal özelliklerine uygundur. Düğüm 23, küçük bir enerjiye sahip yüksek frekanslı bir parçadır.Otomatik korelasyon katsayısından, düğümün sıfır noktasında daha büyük bir maksimum değere sahip olduğu ve yüksek etkili bileşen içeriğine sahip orijinal sinyal otokorelasyon katsayısına benzer olduğu görülebilir.Bu kısım geleneksel verilerden çıkarılır. En kolay gözden kaçan.
Şekil 5'teki düğüm katsayılarının frekans dağılım diyagramından, 16 ve 18 nolu düğümlerin nispeten yüksek enerjiye sahip olduğu, ancak yüksek enerjinin sinyalin etkinliği anlamına gelmediği ve sadece gürültü enerjisinin yüksek olduğu görülebilir. Normalize edilmiş otokorelasyon katsayısı daha yüksek enerjili 16 ve 18 düğümü analiz etmek için kullanılır Şekil 7'deki normalize otokorelasyon katsayısından, gürültü sinyalinin t = 0'da hızla bozunması özelliğine uyduğu görülebilir. Kalan düğümlerin normalleştirilmiş otokorelasyon katsayıları temelde 16 ve 18 nodlarınınkine benzer ve gürültü düğümleri olarak atılabilir Alan sınırlamaları nedeniyle, tek tek listelenmeyecektir.
İzlenen verinin temel bileşenlerinin ön yargısını gerçekleştirmek için dalgacık paket algoritmasını kullandıktan sonra, etkili bileşenleri içeren 15, 19, 23, 25 ve 27 düğümler Hilbert algoritması tarafından daha da giderilir ve çıkarılır. Örnek olarak 15 nolu düğümü ele alalım, üzerinde deneysel modal ayrıştırma gerçekleştirerek, IMF1 IMF10 modal bileşenlerini yüksekten düşüğe frekans ile ve bir artık bileşen Kalanını elde etmek için. Formül (3) 'e göre IMF1 IMF10 ile düğüm 15 arasındaki korelasyon katsayılarını hesaplayın, IMF1 IMF10 katsayıları c1 c10, düğüm 15 katsayısı s olarak ve korelasyon numarası R (ci, s) olarak Tablo 4'te gösterildiği gibi gösterilir. Gösterildiği gibi, maksimum çapraz korelasyon katsayısı 0.7719'dur ve bileşenlerin geçerliliği, c5, c6, c7, c8, c9, c10 bileşenlerinin çapraz korelasyon katsayılarının ve orijinal düğüm 15'in maksimum çapraz korelasyon katsayısının 1 / 10'undan daha az olduğu referans literatüre göre değerlendirilir. Daha küçük, ana bileşenler c1, c2, c3 ve c4'e dağıtılır. 4 bileşen yeniden oluşturulduktan sonra veriler ile orijinal düğüm 15 arasındaki korelasyon katsayısı 0.9945'tir. Korelasyon katsayısı, orijinal düğümle sinyal tutarlılığının güçlü olduğunu gösterir. Yukarıdaki yöntem, kalan 19, 23, 25 ve 27 düğüm katsayılarının deneysel kipini ayrıştırmak ve yeniden yapılandırmak için kullanılır Son olarak, etkili bileşenlere sahip beş düğüm katsayıları 15, 19, 23, 25 ve 27 dalgacık paketi ile yeniden oluşturulur. İzlenen karakteristik frekans bilgi sinyalini elde edin ve bu makaledeki yöntemle geniş bant sinyal alt bant çıkarımını gerçekleştirin, yani düşük frekanslı güçlü sinyal frekans bandı çıkarılır ve yüksek frekanslı zayıf sinyal karakteristik frekans bandı da Şekil 8'de gösterildiği gibi çıkarılır.
4 doğrulama analizi
Otokorelasyon katsayılarının analizi ve ampirik mod ayrışması, geniş bantlı su altı akustik izleme sinyallerinin çeşitli karakteristik frekans bantlarından bilgilerin çıkarılmasına odaklanmayı amaçlayan dalgacık paketi ayrıştırma ve yeniden oluşturma sürecine dahil edilir, mümkün olduğunca etkili ses bilgilerini korumak, gürültü girişimini ortadan kaldırmak ve daha da iyileştirmek Ekstraksiyon sonuçlarının çözünürlüğü, inceliği ve optimizasyonu, yüksek frekanslı ve zayıf sinyalleri ayıklama yeteneğini vurgular. Şekil 8'den, bu makaledeki yöntemin sadece daha yüksek enerjili ve nispeten düşük frekanslı sinyalleri değil, aynı zamanda geniş bantlı su altı akustik izleme sinyalleri için daha düşük enerjili ve daha yüksek frekanslı sinyalleri de çıkardığı görülebilir. Karakteristik frekans bandı çıkarımının etkinliği, etkili sinyali olabildiğince tutmak ve vurgulamak ve gürültü sinyalini zayıflatmaktır.Şekil 9 (a), veri işleme olmadan orijinal su altı akustik izleme sinyali bileşen bilgilerinin zaman-frekans analizi sonucudur ve Şekil 9 (b), süreçtir. Dalgacık paket eşiği denoising işlendikten sonra zaman-frekans analizi sonucu Şekil 9 (c), bu yazıda yöntemle işlenen zaman-frekans analizi sonucudur. Şekil 9 (b) Şekil 9 (a) ile karşılaştırıldığında, sinyal frekans bandı çıkarımı daha belirgindir Çıkarılan frekans bantları kabaca 0 10 kHz, 15 25 kHz, 26 36 kHz ve 38 48 kHz'dir. Karakteristik frekans bandı etkilidir. Sinyal daha da vurgulanır. Şekil 9 (c), Şekil 9 (b) ile karşılaştırmaktadır: Şekil 9 (c) Etkili karakteristik frekans bandı katmanı, 0 5 kHz, 7 10 kHz, 15 18 kHz, 20 30 kHz, 33 43 kHz'dir. 45 ila 50 kHz arasında 6 bant, Şekil 9 (b) 'den iki daha fazla frekans bandı vardır, çözünürlük daha da geliştirilir, yüksek frekans bandının çıkarılması nispeten belirgindir ve 45 ila 50 kHz arasındaki yüksek frekans aralığında zayıf sinyallerin çıkarılması daha açıktır. Şekil 9 (b) 'deki dalgacık paketi eşik yöntemi, 10 kHz'lik bir ortalama frekans bandı aralığına göre gürültü giderme ekstraksiyonu gerçekleştirir ve düğüm frekans bandının enerjisi ile sınırlandırılır, bu nedenle bazı sınırlamalar vardır. Bu makaledeki yöntem, etkili alt bant sinyal kararının doğruluğunu iyileştirmek için otokorelasyon katsayısını tanıtmakta ve etkili alt banttaki gürültüyü ampirik model ayrıştırma yoluyla ayırmaktadır, böylece sinyal çıkarımı daha rafine hale getirilmiştir. Karşılaştırmalı analiz diyagramından bu yöntemin avantajlarının daha açık olduğu görülmektedir.
5. Sonuç
Bu makaledeki yöntem, geniş bantlı sinyallerin frekans bant bölünmesinin dalgacık paket optimizasyonu, alt bant sinyallerinin etkinliğini belirlemek için otokorelasyon katsayıları ve alt bantlardaki etkili sinyal ve gürültüyü daha da ayırmak için ampirik mod ayrıştırmasının avantajlarına odaklanmaktadır.Çok bantlı karakteristik bilgilerle geniş bant su altı akustiğini hedeflemektedir. İzleme sinyali, etkin frekans bandının karakteristik bilgilerinin çıkarılmasını gerçekleştirir, sinyalin geçerliliğini değerlendirmek için enerji doluluk oranına güvenmenin sakıncalarını çözer ve geniş bant sinyalini çıkarmak için tek yöntemin sınırlandırılmasını sağlar, geniş bantlı su altı akustik sinyal karakteristik frekans bandı çıkarımının çözünürlüğünü daha da iyileştirir ve yüksek frekans zayıfını optimize eder. Sinyal analizi ve çözümleme yetenekleri. Simülasyon analizi ve su altı ses izleme veri işlemenin gerçek ölçümü yoluyla, bu makaledeki yöntemin, yüksek enerjili etkili sinyal frekans bandına katılmış düşük frekanslı gürültüyü ortadan kaldırabilen ve ayrıca yüksek frekanslı zayıf sinyal frekans bandında etkili bilgileri çıkarabilen bariz avantajları vardır. Bu yöntem, geniş bantlı su altı akustik izleme sinyali işlemede teşvik edilebilir ve uygulanabilir ve sonraki su altı hedef tanıma işlemi için güvenilir örnek veriler sağlar.
Referanslar
Zhang Guosheng, Gu Xiaoxiao, Xing Binbin ve diğerleri.Deniz çevresel gürültüsünün sınıflandırılması ve deniz hayvanları üzerindeki etkisi. Journal of Dalian Ocean University, 2012, 27 (1): 89-94.
Zhong Mengchun, Zhang Chunlin, Li Hua, vd.Geliştirilmiş dalgacık paket enerjisi bölümlü eşik denoising yöntemi Bilgisayar Mühendisliği ve Uygulamaları, 2015, 51 (5): 204-207.
Shi Qiuliang, Lin Jiang. Dalgacık paket ayrışımı ve enerji öznitelik çıkarımına dayalı korelasyon analizi yöntemi Akustik ve Elektronik Mühendisliği, 2010 (4): 18-20, 24.
Yang Yajing, Peng Hong. Okyanus Sualtı Akustik Sinyal İşlemede Optimal Enerji Dalgacık Paket Teknolojisinin Uygulaması. Bilgisayar Uygulamaları ve Yazılım, 2005 (4): 21-22, 55.
Liu Shen, Zhang Xiaoji, Niu Yilong ve diğerleri IMF enerji spektrumuna dayalı su altı akustik sinyallerinin özellik çıkarımı ve sınıflandırılması. Bilgisayar Mühendisliği ve Uygulamaları, 2014, 50 (3): 203-206, 226.
Zhao Chao, Yang Qingdong. EMD ve dalgacık paket enerjisi yöntemine dayalı sinyal denoising. Journal of Beijing Information Science and Technology University (Natural Science Edition), 2019, 34 (1): 75-79.
Li Mao, Yang Lu, Zhang Yanhua. EMD ve Temel Bileşen Analizine Dayalı Kusurlu Ultrasonik Sinyalin Özellik Çıkarılması Araştırması. Çin Testi, 2018, 44 (2): 118-121, 133.
Chen Gong, Wang Pingbo, Bao Yujun, ve diğerleri.Zayıf pasif geçici balık sesi sinyalinde Hilbert-Huang dönüşümünün tespiti Ocean Science, 2016, 40 (10): 91-96.
Su Zuqiang, Xiao Hong, Zhang Yi, vb. Dalgacık paket ayrışmasına ve ana akım şekil tanımaya dayalı doğrusal olmayan gürültü azaltma, Chinese Journal of Scientific Instrument, 2016, 37 (9): 1954-1961.
Song Baoye, Xu Jiwei, Xu Lin. Dalgacık paket dönüşümü temel bileşen analizi-sinir ağı algoritmasına dayalı çok düzeyli invertör hatası teşhisi. Shandong University of Science and Technology (Natural Science Edition), 2019, 38 (1): 111-120.
Yan Yan, Xing Hongyan. Dalgacık paketi çok eşikli işlemeye dayalı deniz dağınıklığını giderici yöntem. Journal of Electronic Measurement and Instrument, 2018, 32 (8): 172-178.
Tan Qiuheng, Wu Liang, Li Bo. EMD ve durağanlık ölçümüne dayalı Trend gürültü ayrıştırma yöntemi. Chinese Journal of Mathematical Physics, 2016, 36 (4): 783-794.
Zhou Jin, Bu Yingyong, Luo Baiwen Denizaltı mikro topografyasında çapraz korelasyon fonksiyonu yönteminin uygulama araştırması Etüt ve Haritalama Bilimi, 2009, 34 (1): 178-179.
Yang Tao, Le Youxi, Zeng Xiande ve diğerleri.Otomatik korelasyon fonksiyon özelliklerine dayalı CEEMD küresel eşik denoising yöntemi üzerine araştırma.Jeofizikte İlerleme, 2018, 33 (4): 1622-1628.
Wang Wei, Zhang Yingtang, Ren Guoquan. Dalgacık eşiği denoising algoritmasında optimal ayrışma seviyesinin uyarlamalı belirlenmesi ve simülasyonu. Chinese Journal of Scientific Instrument, 2009, 30 (3): 526-530.
Yu Fajun, Zhou Fengxing EEMD ve otokorelasyon fonksiyon özelliklerine dayalı uyarlamalı gürültü azaltma yöntemi Bilgisayar Uygulama Araştırması, 2015, 32 (1): 206-209.
Alaskan Beaufort Denizinden pasif akustik kayıt verileri. Https://data.eol.ucar.edu/dataset/106.437.
Wang Jiafei, Guan Tian, Jiang Yucheng ve diğerleri.Aktif gürültü kontrol platformunun FPGA uygulaması.Elektronik Teknoloji Uygulaması, 2018, 44 (2): 59-61, 65.
yazar bilgileri:
Zhao Jie 1, 2, 3, Yang Junxian 1, 2, 3, Hui Li 1, 2, 3, Wang Zhi 1, 2, 3, Chu Shibo 1, 2, 3
(1. Qilu Teknoloji Üniversitesi (Shandong Bilimler Akademisi), Deniz Enstrümantasyon Enstitüsü, Shandong Bilimler Akademisi, Qingdao 266061, Shandong;
2. Shandong Eyaleti Deniz Çevresi İzleme Teknolojisi Anahtar Laboratuvarı, Qingdao, Shandong 266061; 3. Ulusal Deniz İzleme Ekipmanı Mühendisliği Teknolojisi Araştırma Merkezi, Qingdao, Shandong 266061)
