一种基于模态重构与高阶稀疏重构的DEMON谱增强方法、设备及存储介质
本发明属于水声目标识别领域,具体涉及一种基于模态重构与高阶稀疏重构的demon谱增强方法、设备及存储介质。
背景技术:
1、被动声呐对水下目标进行检测与识别的核心需求之一,是通过分析目标辐射噪声中的包络调制特征,获取其螺旋桨轴频、桨叶数等关键物理信息。船舶的螺旋桨与水流相互作用产生的空化噪声,会对宽带辐射噪声形成周期性的幅度调制,这一调制特征在经解调处理后,于demon谱中呈现为一系列离散的调制线谱。demon谱分析作为提取上述特征的核心技术,已成为水声目标识别领域的重要研究内容。
2、相关技术中,典型的demon谱获取方法主要通过对水听器接收信号进行带通滤波以选取调制显著的频段,利用平方检波或希尔伯特变换提取信号包络,再通过快速傅里叶变换生成调制谱。然而,在实际海洋环境中,被动声呐接收的信号信噪比极低,背景噪声成分复杂,其中存在服从高斯分布特性的噪声分量。上述常规技术流程仅完成了解调与基础频谱变换,既缺乏针对解调后所得调制谱中残留高斯噪声的针对性抑制环节,也未能突破快速傅里叶变换在频谱估计精度与频谱背景纯净度方面的固有局限,导致demon谱中表征目标固有特征的调制线谱被高斯噪声分量所掩盖,频谱背景噪声干扰严重,线谱清晰度不足,对后续的线谱自动检测与目标识别准确性造成了显著制约。
技术实现思路
1、本发明为了解决相关技术中demon谱获取方法缺乏对高斯噪声的针对性抑制环节,以及快速傅里叶变换在频谱估计精度与频谱背景纯净度方面存在固有局限,导致调制线谱被高斯噪声分量掩盖、线谱清晰度不足的问题。
2、本发明提供一种基于模态重构与高阶稀疏重构的demon谱增强方法,包括以下步骤:
3、获取含船舶目标的接收信号并进行集合经验模态分解,得到各阶本征模态函数分量;
4、基于预设阈值筛选有效本征模态函数分量,构建重构信号;将重构信号及其经希尔伯特变换结果组合形成解析信号,基于解析信号的模值构建三阶累积量对角切片;
5、将隔直后的三阶累积量对角切片作为观测数据输入稀疏贝叶斯学习框架,通过自动相关性确定先验机制迭代求解,获得各频点权重的后验均值估计;根据关心频点特性进行选择性输出频谱估计。
6、进一步地,所述集合经验模态分解具体为:
7、接收信号进行独立的n次加噪处理,得到n个加噪信号;
8、对每个加噪信号独立执行经验模态分解,得到分阶本征模态函数;
9、根据各个加噪信号中最少的本征模态函数阶数j,将所有加噪信号前j阶的经验模态分解层数一致的本征模态函数取平均,得到j阶本征模态函数分量。
10、进一步地,计算各阶本征模态函数分量与接收信号的皮尔逊相关系数,将相关系数高于预设阈值的本征模态函数分量求和,得到重构信号。
11、进一步地,所述各阶本征模态函数分量与接收信号的皮尔逊相关系数为:
12、
13、其中,为第j阶本征模态函数与接收信号的相关系数;为第j阶本征模态函数;为第j阶本征模态函数的时域平均;为接收信号;为接收信号的时域平均;t为时域采样点个数。
14、进一步地,所述预设阈值为:
15、
16、其中,为筛选阈值;为相关系数的均值。
17、进一步地,所述迭代求解过程中,判断各个频点权重的精度超参数是否超过设定的剪枝阈值,若超过则对相应的关心频点的相关估计参数进行剪枝。
18、进一步地,所述迭代结束条件为:判断频点权重的精度超参数向量更新前后的相对误差是否低于迭代结束阈值,若低于阈值或达到最高迭代次数,停止迭代。
19、进一步地,所述选择性输出频谱估计值为:
20、若所有的关心频点均落在离散傅里叶变换的频率采样点上,则可通过稀疏贝叶斯学习字典和后验估计均值进行重构信号计算,输出重构信号的一维傅里叶变换结果作为频谱的估计值;所述稀疏贝叶斯学习字典由基于复指数基设定关心频点构造;所述重构信号为:
21、
22、若关心频点并不全在离散傅里叶变换的频率采样点上,可直接输出后验估计均值向量作为频谱的估计值。
23、本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述基于模态重构与高阶稀疏重构的demon谱增强方法的步骤。
24、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述基于模态重构与高阶稀疏重构的demon谱增强方法的步骤。
25、本发明还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一项所述基于模态重构与高阶稀疏重构的demon谱增强方法的步骤。
26、本发明的有益效果在于:
27、通过上述基于模态重构与高阶稀疏重构的demon谱增强方法,解决了相关技术存在的demon谱中表征目标固有特征的调制线谱被高斯噪声分量所掩盖,频谱背景噪声干扰严重,线谱清晰度不足,对后续的线谱自动检测与目标识别准确性造成了显著制约的问题,通过集成经验模态分解进行频带分解,对本征模态函数进行筛选,进而得到调制深度高的频带数据,用以排除大部分低调制深度数据的污染进而实现更强的线谱检测效果,计算数据的三阶累积量对角切片,以较低的计算量达到抑制零均值平稳高斯噪声的效果,将结果作为观测数据进行稀疏贝叶斯学习频谱估计,在稳定提取出包络线谱的同时能够压制背景噪声干扰,提高了线谱的清晰度。
1.一种基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,包括以下步骤:
2.根据权利要求1所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,所述集合经验模态分解具体为:
3.根据权利要求1所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,计算各阶本征模态函数分量与接收信号的皮尔逊相关系数,将相关系数高于预设阈值的本征模态函数分量求和,得到重构信号。
4.根据权利要求3所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,所述各阶本征模态函数分量与接收信号的皮尔逊相关系数为:
5.根据权利要求3所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,所述预设阈值为:
6.根据权利要求1所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,所述迭代求解过程中,判断各个频点权重的精度超参数是否超过设定的剪枝阈值,若超过则对相应的关心频点的相关估计参数进行剪枝。
7.根据权利要求1所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,所述迭代结束条件为:判断频点权重的精度超参数向量更新前后的相对误差是否低于迭代结束阈值,若低于阈值或达到最高迭代次数,停止迭代。
8.根据权利要求1所述基于模态重构与高阶稀疏重构的demon谱增强方法,其特征在于,所述选择性输出频谱估计为:
9.一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现如权利要求1~8任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~8任一项所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com