一种基于变分模态分解的超宽带雷达回波信号预处理方法技术

本公开关于一种基于变分模态分解的超宽带雷达生命回波信号处理办法，包括以下步骤：通过超宽带雷达生命探测仪获取回波信号；针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对变分模态分解的重要参数α和K进行优化；应用优化得到的参数α和K对原始信号进行VMD分解；在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构；以及对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号。由此，根据采集到的回波信号特点，实时确定对应变分模态分解的两个重要参数，实现变分模态的自适应分解，可以适应更多复杂现场。

【技术实现步骤摘要】
一种基于变分模态分解的超宽带雷达回波信号预处理方法
本公开涉及超宽带雷达回波信号预处理
，尤其涉及基于超宽带雷达的生命探测仪回波信号的预处理办法。
技术介绍
生命探测雷达技术在军用和民用两方面有着广阔的应用前景，如战场上战后伤员搜救，反恐行动中被劫人质的营救，以及地震或塌方后废墟中幸存人员的搜寻等。在灾难营救领域中，将超宽带雷达技术引入生命探测仪，对探测仪的抗干扰能力和穿透能力都有很大的提升，但是超宽带雷达生命探测仪回波信号中依旧会夹杂着大量的复杂噪声，使回波信号的淹没程度较高，无法从中获取有用的呼吸和心跳信号。因此，准确、快速地从回波信号中分离出有用信号是提高生命探测仪性能的关键技术。为解决超宽带雷达回波信号中的噪声问题，目前较为主流的方法包括小波变换去噪方法和经验模态分解方法。这两种方法都是将信号从不同的角度进行分解，再根据分解得到不同分量进行信号的重构选择。其中，小波变换是一个时间和频率的局域变换，具有良好的时频局部化特性。它通过伸缩平移运算对信号逐步进行多尺度细化，可以实现信号的高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。但是，在使用小波变化方法时需要人工确定小波基函数和分解层数，无法根据信号特性自适应分解以达到去噪的目的，很难适应复杂多变的救灾抢险现场。另一种经验模态分解方法，可以将信号自适应分解成不同特征尺度上的分段固有模态函数，各个模态分量按时间尺度从小到大依序排列。该方法虽然可以实现信号的自适应分解，但是在分解过程中会出现模态混叠问题以及端点效应，影响最终的分解结果。由此可见，找到一种超宽带雷达回波信号的预处理办法对挽救人们的生命具有重要意义。
技术实现思路
针对以上现有的问题，本专利技术提出了一种基于遗传变异粒子群优化变分模态分解(VariationalModeDecomposition，简称VMD)的超宽带雷达生命回波信号处理办法。根据本公开的第一方面，提供一种基于变分模态分解的超宽带雷达生命回波信号处理办法，包括以下步骤：通过超宽带雷达生命探测仪获取回波信号；针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对变分模态分解的重要参数α和K进行优化；应用优化得到的参数α和K对原始信号进行VMD分解；在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构；以及对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号。在本公开中，所述遗传变异粒子群寻优算法包括：假设在D维空间，初始化由n个粒子组成的粒子群X＝(X1,X2,…,Xn)，其中其中第i个粒子表示为一个D维向量X＝(Xi1,Xi2,…,XiD)T，以及对应粒子速度V＝(Vi1,Vi2,…,ViD)T；根据给定的以互信息为支撑的适应度函数，计算每一个初始粒子的适应度函数，适应度函数表示如下；定义两个离散的随机变量X，Y之间的互信息I(X；Y)为：p(x,y)是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数，各模态分量之间的互信息之和为：其中IMF(k)表示为原始回波信号f经VMD分解之后的第k个模态分量，K为此次VMD分解的模态数。并且，各模态分量与原始信号f之间的互信息之和为：根据各粒子的适应度函数值，寻找种群对应的个体极值T＝(Ti1,Ti2,…,TiD)T和当前种群的群体极值Pg＝(Pg1,Pi2,…,PgD)T；根据所述个体极值和群体极值，通过公式(5)更新经过遗传变异之后的每一个粒子的运动速度，再通过公式(6)更新当前每一个粒子所在位置：其中，ω为惯性权重；k为当前迭代次数；Vid为粒子速度；c1和c2是加速度因子；r1和r2是各自给定区间的随机整数；重新计算当代粒子群体中每个粒子所在位置的适应度函数值，当代粒子群体的适应度函数与公式(1)中的适应度函数相同；计算当代群体中的个体极值与群体极值，通过与当前的个体极值和群体极值比较，若当代某粒子为更优粒子，保留该粒子位置信息以及该粒子的适应度函数值，并将该粒子设定为最优粒子；判断是否满足终止条件，如果满足终止条件，结束算法；如果不满足终止条件，重复上述步骤直到满足条件为止，所述终止条件为迭代次数；提取出经过遗传变异粒子群寻优算法寻找到的最优参数α和K，寻优过程结束。根据本公开的第二方面，提供一种基于变分模态分解的超宽带雷达生命回波信号处理装置，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器被配置为执行所述指令，以实现如前所述的方法。根据本公开的第三方面，提供一种存储介质，当所述存储介质中的指令由基于遗传变异粒子群优化变分模态分解的超宽带雷达生命回波信号处理装置的处理器执行时，使得基于遗传变异粒子群优化变分模态分解的超宽带雷达生命回波信号处理装置能够执行如前所述的方法。本专利技术提供的一种基于粒子群优化的超宽带雷达生命探测仪回波信号的预处理办法，以超宽带雷达使用的现场环境为依据，根据采集到的回波信号特点，实时确定对应变分模态分解的两个重要参数，实现变分模态的自适应分解，可以适应更多复杂现场。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明图1为本专利技术一种基于粒子群优化变分模态分解的超宽带雷达回波信号处理方法流程图；图2为本专利技术粒子群优化算法流程图；图3为本专利技术实例信号波形；图4为本专利技术变分模态分解过程流程图；图5为本专利技术粒子群算法寻优过程最优个体适应度函数值变化过程；图6为本专利技术信号的变分模态分解结果；图7为本专利技术各个模态分量频谱图；图8为本专利技术重构信号结果图；图9为本专利技术最终处理结果图。具体实施方式为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。根据本公开的一个方面，提供一种基于粒子群优化变分模态分解的超宽带雷达回波信号处理方法，以超宽带雷达使用的现场环境为依据，根据采集到的回波信号特点，实时确定对应变分模态分解的两个重要参数，实现变分模态的自适应分解，可以适应更多复杂现场。图1示出了根据本公开的一种基于粒子群优化变分模态分解的超宽带雷达回波信号处理方法流程图。参照图1，首先，本文档来自技高网...

【技术保护点】
1.一种基于变分模态分解的超宽带雷达生命回波信号处理办法，其特征在于，包括以下步骤：/n通过超宽带雷达生命探测仪获取回波信号；/n针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对变分模态分解的重要参数α和K进行优化；/n应用优化得到的参数α和K对原始信号进行VMD分解；/n在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构；以及/n对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号。/n

【技术特征摘要】
1.一种基于变分模态分解的超宽带雷达生命回波信号处理办法，其特征在于，包括以下步骤：
通过超宽带雷达生命探测仪获取回波信号；
针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对变分模态分解的重要参数α和K进行优化；
应用优化得到的参数α和K对原始信号进行VMD分解；
在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构；以及
对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号。


2.根据权利要求1所述的方法，其特征在于，所述遗传变异粒子群寻优算法包括：
假设在D维空间，初始化由n个粒子组成的粒子群X＝(X1,X2,…,Xn)，其中其中第i个粒子表示为一个D维向量X＝(Xi1,Xi2,…,XiD)T，以及对应粒子速度V＝(Vi1,Vi2,…,ViD)T；
根据给定的以互信息为支撑的适应度函数，计算每一个初始粒子的适应度函数，适应度函数表示如下；



其中，I(X；Y)为两个离散的随机变量X，Y之间的互信息，表示为：



p(x,y)是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数，各模态分量之间的互信息之和为：



其中IMF(k)表示为原始回波信号f经VMD分解之后的第k个模态分量，K为此次VMD分解的模态数。
并且，各模态分量与原始信号f之间的互信息之和为：



根据各粒子的适应度函数值，寻找种群对应的个体极值T＝(Ti1,Ti2,…,TiD)T和当前种群的群体极值Pg＝(Pg1,Pi2,…,PgD)T；
根据所述个体极值和群体极值，通过公式(5)更新经过遗传变异之后的每一个粒子的运动速度，再通过公式(6)更新当前每一个粒子所在位置：






其中，ω为惯性权重；k为当前迭代次数；Vid为粒子速度；c1和c2是加速度因子；r1和r2是各自给定区间的随机整数；
重新计算当代粒子群体中每个粒子所在位置的适应度函数值，当代粒子群体的适应度函数与公式(1)中的适应度函数相同；
计算当代群体中的个体极值与群体极值，通过与当前的个体极值和群体极值比较，若当代某粒子为更优粒子，保留该粒子位置信息以及该粒子的适应度函数值，并将该粒子设定为最优粒子；
判断是否满足终止条件，如果满足终止条件，结束算法；如果不满足终止条件，重复上述步骤直到满足条件为止，所述终止条件为迭代次数；
提取出经过遗传变异粒子群寻优算法寻找到的最优参数α和K，寻优过程结束。


3.根据权利要求2所述的方法，其特征在于，初始化最大迭代代数为25代，粒子群中的粒子个数为20个，速度限定范围为[-3,3]，α范围为[200,3000]，并且K值范围为[3,12]。

【专利技术属性】
技术研发人员：齐庆杰，杨桢，赵尤信，程继明，王海燕，程会峰，
申请(专利权)人：煤炭科学研究总院，辽宁工程技术大学，
类型：发明
国别省市：北京;11