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技术

本发明专利技术公开了一种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。本发明专利技术首先联合SαS分布和正态分布模型描述水声信道中高斯/非高斯脉冲噪声；并设计了一种基于自适应窗口的中值滤波法，依据窗口内噪声点数量修正滤波窗口大小，抑制非高斯脉冲噪声；然后基于一种改进人工蜂群方法GDES‑ABC，优化小波阈值去噪方法的阈值参数，提高对高斯噪声的抑制能力。本发明专利技术能有效抑制复杂水声环境中高斯/非高斯脉冲噪声，提高对2FSK、QPSK以及16QAM等水声通信信号的接收能力，获得较高的输出信噪比和噪声抑制比。

【技术实现步骤摘要】
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
本专利技术属于水声信号去噪
，具体地说，涉及一种高斯/非高斯脉冲噪声环境下基于自适应窗口滤波(AWFM)和小波阈值优化(GDES)的水声信号去噪方法。
技术介绍
声波在水下通信领域应用广泛，在水下传输和处理过程中，声波信号会受到水下复杂高斯/非高斯脉冲噪声影响，导致声波信号退化失真，通信质量下降。信号去噪技术是一种用来提高信号质量，降低噪声影响的信号处理方法，被广泛应用在水声通信等领域。针对水下海底勘探、海洋生物、海面波和海底地震等发出的突发性非高斯脉冲噪声，可通过标准中值滤波法(StandardMedianFilter，SMF)进行抑制。然而SMF同时处理了接收信号中有用信号部分，导致有用信号失真。高斯噪声可被滤波法、小波变换法、经验模式分解法等方法有效抑制。其中基于小波阈值的去噪方法可获得原始信号的渐进最优估计，得到了普遍应用。决定该方法性能的主要因素是对阈值的精确估计和阈值函数的合理构造。目前普遍使用的是在假设噪声模型为高斯噪声模型下，基于多维独立正态变量决策理论的统一阈值；然而统一阈值依赖于噪声方差的精确估计，难以应用于实际未知噪声方差的情况。常见阈值函数包括硬阈值、软阈值以及半软阈值等，该类方法根据固定的结构处理小波系数，缺乏自适应性，降低了信号处理的灵活性。为克服上述限制，基于群智能优化的方法被引入，用来提高小波阈值去噪性能。然而实际的海洋背景噪声环境中，同时包含高斯和非高斯脉冲噪声，基于智能优化的小波阈值去噪方法主要是用于高斯噪声处理，难以直接适用于海洋水声噪声的全面处理，仍具有大量缺点，具体体现在：首先缺乏统一的建立阈值函数的一般原则，导致阈值函数构造困难；其次阈值参数的确定是一个迭代的过程，通常达到是次优值而不是最优值；并且随着方法迭代次数的增加，种群多样性降低，上述优化方法可能陷入局部极小值。
技术实现思路
本专利技术提出一种高斯/非高斯脉冲噪声环境下基于自适应窗口滤波(AWFM)和小波阈值优化(GDES)的水声信号去噪方法，以弥补现有技术的不足。本专利技术首先联合SαS分布和正态分布模型描述水声信道中高斯/非高斯脉冲噪声，该模型是一种能够保持和复杂海洋背景噪声的产生机制和传播条件的极限分布，可更好的描述海洋环境背景噪声。并设计了一种基于自适应窗口的中值滤波法，依据窗口内噪声点数量修正滤波窗口大小，抑制非高斯脉冲噪声，避免了对非噪声点的处理，有效降低了有用信号失真，同时基于噪声含量自适应调整滤波窗口大小，有效平衡了方法滤波性能和计算复杂度；然后基于一种改进人工蜂群方法GDES-ABC，优化小波阈值去噪方法的阈值参数，提高对高斯噪声的抑制能力。为实现上述专利技术目的，本专利技术采用下述具体技术方案予以实现：一种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，包括以下步骤：S1：获取水声信号数据，通过现有数据接收模型来描述水声信道中的高斯/非高斯脉冲噪声；S2：基于自适应窗口的中值滤波法，抑制非高斯脉冲噪声，得到去非高斯脉冲噪声的水声信号数据；S3：再将S2得到的去非高斯脉冲噪声的水声信号数据进行基于改进人工蜂群小波阈值优化方法(记作GDES-ABC)处理，抑制高斯噪声，最终得到去噪后的水声信号数据。上述步骤S1具体如下：S1-1：信号接收模型,其中信号噪声模型采用SαS分布和正态分布模型：对于单发单收水声通信系统，采用数字形式表示接收端收到的时域信号y(t)，用一组离散的样本表示为：y(i)＝s(i)+e(i),i＝1,2,...,N其中s(i)是具有随机幅度和相位的不含噪期望信号；e(i)为加性海洋背景噪声；N是样本数；S1-2：高斯/非高斯脉冲噪声模型：高斯噪声模型选用概率密度函数如下：其中，x为噪声压的瞬时值；信噪比SNR定义如下：其中分别为期望信号和高斯噪声的方差；水下非高斯噪声源，包括海底勘探、海洋生物、海面波和海底地震等发出的声波；这类噪声源发出的声波信号概率密度函数与正态分布相似，但是其拖尾与出现强幅度的概率更大，且持续时间更短，具有尖峰脉冲特性，属于一种突发非高斯脉冲信号；采用α稳定分布描述水下尖峰脉冲噪声比高斯分布具有更大的优势，若随机变量X的特征函数可表示为：其中-∞＜a＜∞为实数，表示位置参数，且则随机变量X服从α稳定分布；其中0＜α≤2，表示特征指数，决定脉冲特性程度，α越小表示脉冲越强烈，α越大越趋近于高斯过程，当α＝2时，即为高斯分布；-1≤β≤1为对称参数，用于确定分布的斜度；γ＞0为分散系数，其含义类似于高斯分布方差；当β＝0时，α稳定分布特征函数表示为此时该分布称为对称α稳定分布，记作X～SαS；假设位置参数a＝0，此时SαS分布的概率密度函数为：基于SαS分布的非高斯脉冲噪声无法计算方差，因此采用混合信噪比MSNR描述噪声大小，MSNR定义如下：其中和γ分别表示期望信号的方差和非高斯脉冲噪声的分散系数；为更好的描述实际环境中的噪声，假设水声噪声模型由高斯噪声和非高斯脉冲噪声模型叠加得到，因此定义水声噪声e(i)为e(i)＝eGauss(i)+eSαS(i)其中eGauss(i)、eSαS(i)分别由和产生。上述步骤S2的具体如下：S2-1：噪声点检测：假设接收端收到的信号为y＝[y(1),y(2),...,y(N)]，初始滑动窗口W长度为LW＝2n+1，利用初始滑动窗口W取出第i时刻接收信号y中除去中心点y(i)对应的样本w(i)：w(i)＝[w1(i),w2(i),...,w2n(i)]＝[y(i-n),...,y(i-1),y(i+1),...,y(i+n)]对w(i)中信号点从小到大排序，得r(i)＝sort(w(i))＝[r1(i),r2(i),...r2n(i)]其中sort(·)为排序函数；设Med＝median(r(i))，median(·)表示取中值；定义差分噪声识别器为对于给定预先设定的脉冲阈值Tnoise，若d(i)＞Tnoise，则判定y(i)为脉冲噪声点，并令N(i)＝1，否则y(i)为期望信号，且N(i)＝0，其中N(i)表示脉冲标记；水声接收信号中，设声速为c，振幅为A，采样频率为fs，载波频率为fc，则任意相邻采样点变化率一般不会超过且水声接收信号采样长度为由此设定脉冲阈值为S2-2：自适应窗口大小确定：对于初始滑动窗口W长度为LW＝2n+1，当中心点y(i)为脉冲噪声点时，计算窗口内噪声点数目：新窗口记作为Wnew，长度为：S2-3：噪声滤波：根据新窗口大小和脉冲标记N(i)对接收信号进行滤波；其中新窗口内非噪声点不变，而噪声点被新窗口内信本文档来自技高网...

【技术保护点】
1.一种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，其特征在于，该去噪方法包括以下步骤：/nS1：获取水声信号数据，通过现有数据接收模型来描述水声信道中的高斯/非高斯脉冲噪声；/nS2：基于自适应窗口的中值滤波法，抑制非高斯脉冲噪声，得到去非高斯脉冲噪声的水声信号数据；/nS3：再将S2得到的去非高斯脉冲噪声的水声信号数据进行基于改进人工蜂群小波阈值优化方法处理，抑制高斯噪声，最终得到去噪后的水声信号数据。/n

【技术特征摘要】
1.一种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，其特征在于，该去噪方法包括以下步骤：
S1：获取水声信号数据，通过现有数据接收模型来描述水声信道中的高斯/非高斯脉冲噪声；
S2：基于自适应窗口的中值滤波法，抑制非高斯脉冲噪声，得到去非高斯脉冲噪声的水声信号数据；
S3：再将S2得到的去非高斯脉冲噪声的水声信号数据进行基于改进人工蜂群小波阈值优化方法处理，抑制高斯噪声，最终得到去噪后的水声信号数据。


2.如权利要求1所述的去噪方法，其特征在于，所述步骤S1具体如下：
S1-1：信号接收模型,其中信号噪声模型采用SαS分布和正态分布模型：
对于单发单收水声通信系统，采用数字形式表示接收端收到的时域信号y(t)，用一组离散的样本表示为：
y(i)＝s(i)+e(i),i＝1,2,...,N
其中s(i)是具有随机幅度和相位的不含噪期望信号；e(i)为加性海洋背景噪声；N是样本数；
S1-2：高斯/非高斯脉冲噪声模型：
高斯噪声模型选用概率密度函数如下：其中，x为噪声压的瞬时值；



信噪比SNR定义如下：



其中分别为期望信号和高斯噪声的方差；
采用α稳定分布描述水下尖峰脉冲噪声比高斯分布具有更大的优势，若随机变量X的特征函数可表示为：



其中为实数，表示位置参数，且






则随机变量X服从α稳定分布；其中0＜α≤2，表示特征指数，决定脉冲特性程度，α越小表示脉冲越强烈，α越大越趋近于高斯过程，当α＝2时，即为高斯分布；-1≤β≤1为对称参数，用于确定分布的斜度；γ＞0为分散系数，其含义类似于高斯分布方差；
当β＝0时，α稳定分布特征函数表示为



此时该分布称为对称α稳定分布，记作X～SαS；假设位置参数a＝0，此时SαS分布的概率密度函数为：



基于SαS分布的非高斯脉冲噪声无法计算方差，因此采用混合信噪比MSNR描述噪声大小，MSNR定义如下：



其中和γ分别表示期望信号的方差和非高斯脉冲噪声的分散系数；
假设水声噪声模型由高斯噪声和非高斯脉冲噪声模型叠加得到，因此定义水声噪声e(i)为
e(i)＝eGauss(i)+eSαS(i)
其中eGauss(i)、eSαS(i)分别由和产生。


3.如权利要求1所述的去噪方法，其特征在于，所述步骤S2的具体如下：
S2-1：噪声点检测：
假设接收端收到的信号为y＝[y(1),y(2),...,y(N)]，初始滑动窗口W长度为LW＝2n+1，利用初始滑动窗口W取出第i时刻接收信号y中除去中心点y(i)对应的样本w(i)：
w(i)＝[w1(i),w2(i),...,w2n(i)]
＝[y(i-n),...,y(i-1),y(i+1),...,y(i+n)]
对w(i)中信号点从小到大排序，得
r(i)＝sort(w(i))
＝[r1(i),r2(i),...r2n(i)]
其中sort(·)为排序函数；设Med＝median(r(i))，median(·)表示取中值；定义差分噪声识别器为



对于给定预先设定的脉冲阈值Tnoise，若d(i)＞Tnoise，则判定y(i)为脉冲噪声点，并令N(i)＝1，否则y(i)为期望信号，且N(i)＝0，其中N(i)表示脉冲标记；水声接收信号中，设声速为c，振幅为A，采样频率为fs，载波频率为fc，则任意相邻采样点变化率一般不会超过



且水声接收信号采样长度为由此设定脉冲阈值为



S2-2：自适应窗口大小确定：
对于初始滑动窗口W长度为LW＝2n+1，当中心点y(i)为脉冲噪声点时，计算窗口内噪声点数目：



新窗口记作为Wnew，长度为：



S2-3：噪声滤波：
根据新窗口大小和脉冲标记N(i)对接收信号进行滤波；其中新窗口内非噪声点不变，而噪声点被新窗口内信号中值替换；假设yip(i)为Wnew内噪声点，取出新窗口内除去yip(i)的所有信号样本wnew(i)：

【专利技术属性】
技术研发人员：王景景，李嘉恒，董新利，杨星海，施威，徐凌伟，郭瑛，李海涛，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37