【技术实现步骤摘要】
本专利技术属于传感器降噪领域，具体涉及一种基于机器学习的水下传感器输出信号降噪方法及系统。
技术介绍
1、随着科学技术的发展，传感器技术如今发展非常迅速，在航空、航天、航海、物联网、医疗等领域发挥着重要的作用。作为信息采集系统的前端单元，传感器输出信号的精度是一直以来备受关注的对象。
2、精确的输出信号可以提供可靠的数据和信息，用于后续分析和处理。但在实际测量时，周围环境的影响是无法完全避免的，尤其在水下测量时，环境更加复杂，水下噪声也会叠加到传感器的输出信号当中，最终所获得的信号会受到一定程度的影响。近年来，随着机器学习发展，众多学者开始尝试将机器学习方法应用到图像去噪、音频去噪等方面，取得了较为理想的效果。但是，目前对水下传感器输出信号进行降噪技术还存在以下不足：
3、（1）傅里叶变换是传感器信号处理中最常用的经典方法，可以将传感器输出的信号在频域和时域之间搭建桥梁。通过分析噪声和纯净传感器信号的频率范围差异，来实现噪声的去除，但是傅里叶变换无法同时表达传感器信号的时间和频率信息，无法获得信号的全局频谱，从而不能获取非平稳信号的局部信号特征，所以傅里叶变换无法很好的处理非平稳信号。
4、（2）小波阈值去噪是通过将信号从一维的时域映射到二维的时频域，利用小波变换对信号进行分析和重构，实现去除噪声的目的。能很好的表示时域、频域的信息，可以很好处理非平稳信号。小波阈值去噪时需要选择阈值（硬阈值和软阈值），硬阈值有较好的均方差意义，但是降噪后的平滑性不好，信号会出现跳跃，选择软阈值，降噪后的信号不
5、上述传统降噪方法很好的改善了传感器信号的质量，但在实际运用时，它们大部分都需要人工的参与，限制了其降噪的性能。
技术实现思路
1、要解决的技术问题：
2、为了避免现有技术的不足之处，本专利技术提供一种基于机器学习的水下传感器输出信号降噪方法及系统，通过机器学习将含有噪声的传感器信号中的各种噪声去除，恢复到原始的不含噪声的传感器信号。本专利技术利用机器学习强大的特征提取能力，对水下传感器输出信号进行降噪，解决了现有技术中水下传感器输出信号降噪效果差、限制降噪性能等技术问题。
3、本专利技术的技术方案是：一种基于机器学习的水下传感器输出信号降噪方法，具体步骤如下：
4、通过实验获取纯净的压力传感器信号；
5、将纯净的压力传感器信号与噪声模型结合，得到含噪声的压力传感器信号；
6、基于纯净的压力传感器信号和含噪声的压力传感器信号构建样本数据库，并将数据库划分为训练集、验证集、测试集；
7、构建多层感知机神经网络模型并进行训练；所述多层感知机神经网络模型的第一层为输入层、第二层和第三层为隐含层、第四层为输出层，各层之间所有神经元采用全连接；将样本数据库中训练集的含噪声的压力传感器信号作为模型输入，纯净的压力传感器信号作为标签，将模型输出的信号预测结果与标签比较得到损失值，再通过反向传播不断调整多层感知机神经网络模型的权重，构建反映输入和输出关系的数学模型，分别设置激活函数、损失函数；
8、输入验证集，采用训练好的多层感知机神经网络模型对验证集进行信号降噪并输出结果，完成验证；
9、输入测试集，采用验证后的多层感知机神经网络模型对测试集进行信号降噪并输出结果，完成测试。
10、本专利技术的进一步技术方案是：所述获取纯净的压力传感器信号的方法为，
11、构建圆柱体模型，并将其导入至计算流体动力学的软件；
12、在流体动力学软件中设置计算域及圆柱体的位置；
13、通过湍流模型获取圆柱体表面压力信号；
14、对仿真结果进行验证；
15、在圆柱尾流区域内构建矩形域，将圆柱尾流区域的压力值变化映射到该矩形域；
16、提取所述矩形域内随时间变化的压力值，作为纯净的压力传感器信号。
17、本专利技术的进一步技术方案是：所述噪声模型为高斯白噪声，用以模拟真实噪声。
18、本专利技术的进一步技术方案是：所述样本数据库中所有信号裁剪为5秒，样本按照80%、10%、10%划分为训练集、测试集、验证集。
19、本专利技术的进一步技术方案是：所述反向传播不断调整多层感知机神经网络模型的权重采用梯度下降算法，公式如下：
20、
21、其中，表示模型参数权重；表示当前的迭代次数；表示学习率，控制步长的大小；表示损失函数；表示第轮迭代中按照均匀分布随机获取到的序号；表示在每次迭代时，当前参数下的梯度。
22、本专利技术的进一步技术方案是：所述反映输入和输出关系的数学模型，即各层的全连接运算公式如下：
23、
24、其中，矩阵表示n个传感器信号样本的小批量，并且每个样本都有d个特征；分别表示第一个隐藏层和第二个隐藏层的权重，表示输出层的权重；分别表示第一个隐藏层和第二个隐藏层的输出；表示激活函数；分别表示第一个隐藏层和第二个隐藏层的偏置，表示输出层的偏置，表示多层感知机模型最终的输出结果。
25、本专利技术的进一步技术方案是：所述激活函数选择relu函数，即修正线性单元，用于将输入的含噪声的压力传感器信号限制在一个非负的范围之内，当输入的值小于0时，输出是0；当输入的值大于等于0时，输出的值等于其本身。
26、本专利技术的进一步技术方案是：所述损失函数为均方差损失mse，用于计算多层感知机神经网络模型输出的预测值与真实值之间的差值，其计算公式如下：
27、
28、其中， n表示训练集中含噪声的传感器信号样本总数；表示第 k个神经网络模型预测的输出信号； label是标签，即纯净的传感器信号。
29、本专利技术的进一步技术方案是：所述多层感知机神经网络模型的输出结果，采用信噪比指标来评价传感器信号降噪的效果，信噪比公式如下：
30、
31、其中，代表压力传感器信号中纯净信号的功率，代表压力传感器信号中噪声的功率。
32、一种基于机器学习的水下传感器输出信号降噪系统，包括数据采集模块、噪声生成模块、信号处理模块及机器学习模块；
33、所述数据采集模块通过数值模拟检测圆柱绕流尾迹流场区域处的压力响应值，获取纯净的压力传感器信号；
34、所述噪声生成模块用于提供模拟真实噪声的高斯白噪声；
35、所述信号处理模块将纯净的压力传感器信号与高斯白噪声结合，得到含噪声的压力传感器信号；
36、所述机器学习模块将含有噪声的传感器信号中的噪声去除，恢复到原始的不含噪声的传感器信号，完成对水下传感器输出信号的降噪处理。
【技术保护点】
1.一种基于机器学习的水下传感器输出信号降噪方法，其特征在于具体步骤如下：
2.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述获取纯净的压力传感器信号的方法为，
3.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述噪声模型为高斯白噪声，用以模拟真实噪声。
4.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述样本数据库中所有信号裁剪为5秒，样本按照80%、10%、10%划分为训练集、测试集、验证集。
5.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述反向传播不断调整多层感知机神经网络模型的权重采用梯度下降算法，公式如下：
6.根据权利要求5所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述反映输入和输出关系的数学模型，即各层的全连接运算公式如下：
7.根据权利要求6所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述激活函数选择ReLu函数，即修正线性单元，用于将输入的含噪声
8.根据权利要求7所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述损失函数为均方差损失MSE，用于计算多层感知机神经网络模型输出的预测值与真实值之间的差值，其计算公式如下：
9.根据权利要求8所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述多层感知机神经网络模型的输出结果，采用信噪比指标来评价传感器信号降噪的效果，信噪比公式如下：
10.一种基于机器学习的水下传感器输出信号降噪系统，其特征在于：用于实施权利要求1-9任一项所述基于机器学习的水下传感器输出信号降噪方法；包括数据采集模块、噪声生成模块、信号处理模块及机器学习模块；
...【技术特征摘要】
1.一种基于机器学习的水下传感器输出信号降噪方法，其特征在于具体步骤如下：
2.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述获取纯净的压力传感器信号的方法为，
3.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述噪声模型为高斯白噪声，用以模拟真实噪声。
4.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述样本数据库中所有信号裁剪为5秒，样本按照80%、10%、10%划分为训练集、测试集、验证集。
5.根据权利要求1所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述反向传播不断调整多层感知机神经网络模型的权重采用梯度下降算法，公式如下：
6.根据权利要求5所述基于机器学习的水下传感器输出信号降噪方法，其特征在于：所述反映输入和输出关系的数学模型，即各层的全连接运算公式如下：
...
【专利技术属性】
技术研发人员：杜鹏，魏洪壮，胡海豹，陈效鹏，闫海震，谢络，文俊，黄潇，程路，杨洋，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。