一种分解分类再重构的UUV自噪声分离方法

本技术涉及水下航行器自噪声特征提取、识别与分离，尤其涉及一种分解分类再重构的uuv自噪声分离方法。

背景技术：

1、无人水下航行器(unmanned underwater vehicle，uuv)自噪声是指uuv声学载荷在水声通信、目标探测等过程中，存在于信号接收端，影响接收信号信噪比的各种干扰噪声。uuv自噪声的大小决定着uuv声学载荷的性能指标，已经成为提升相关技术性能的关键。uuv结构复杂，其自噪声的来源也很复杂，不同来源的自噪声对声学载荷系统的干扰影响也不尽相同。从uuv自噪声中提取并分离出不同类型的自噪声，并开展针对性的噪声治理，是有效提高uuv接收能力的途径和手段。

2、然而，在实际对uuv自噪声的研究和应用中，存在以下问题：

3、首先，在水下环境中，uuv一般通过自身搭载的传感器获取外界信息，并采用水声信号作为信息传播的主要媒介，以此来实现与外界的信息交互，但在实际应用中，uuv一般是凭借着较小的无人平台的机动性和自主性优势，来进行潜艇跟踪和追猎、水下搜索和调查、海事侦察，导航援助等水下任务，但由于无人平台规模的限制，水声信号接收系统会受到uuv自噪声的干扰，影响信号接收性能。

4、其次，uuv自噪声和其目标的辐射噪声频带相近甚至重合，被动声呐通过接收水下信号来完成对目标的探测，而接收信号会受到uuv自噪声的影响，降低了对目标探测的准确性和灵敏度。

5、因此，有必要提出一种方案以改善上述相关技术方案中存在的一个或者多个问题。

6、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本技术实施例提供一种分解分类再重构的uuv自噪声分离方法，包括以下步骤：

2、获取无人水下航行器的自噪声信号源，并利用经验模态分解算法对所述自噪声信号源进行模态分解，得到多个信号模态分量；

3、分别提取多个所述信号模态分量的时域特征和频域特征，构建出时域特征集和频域特征集，并将所述时域特征集和所述频域特征集集合为综合特征集；

4、利用特征距离评估技术对所述综合特征集进行筛选，得到多个敏感特征集；

5、分别对所有所述敏感特征集依次进行归一化处理和聚类处理，得到多个聚类簇；

6、分别将多个所述聚类簇进行重构，得到所述无人水下航行器的自噪声分离结果；

7、其中，所述信号模态分量的数量大于所述自噪声信号源的数量。

8、本技术的一示例性实施例中，所述自噪声信号源包括混合在一起的窄带线谱分量，宽带连续谱分量和调制成分；

9、其中，周期性的机械噪声和螺旋桨噪声产生所述窄带线谱分量；流噪声产生所述宽带连续谱分量；所述调制成分的来源包括机械振动、电子器件的工作、水流动和水下声波反射。

10、本技术的一示例性实施例中，模态分解为多个所述信号模态分量的表达式为：

11、

12、其中，x(t)表示自噪声信号源，fn(t)表示第n个信号模态分量，n表示信号模态分量的数量，n＝1,2,...,n，rn-1(t)表示第n-1个信号模态分量进行模态分解后的余项。

13、本技术的一示例性实施例中，所述时域特征集至少包括第一时域特征，第二时域特征和第三时域特征；

14、所述第一时域特征的表达式为：

15、

16、其中，t1表示第一时域特征，x(m)表示第m个时域信号，m表示时域信号的数量，m＝1,2,...,m；

17、所述第二时域特征的表达式为：

18、

19、其中，t2表示第二时域特征；

20、所述第三时域特征的表达式为：

21、

22、其中，t3表示第三时域特征。

23、本技术的一示例性实施例中，所述频域特征集包括第一频域特征、第二频域特征、第三频域特征、第四频域特征，第五频域特征和第六频域特征；

24、所述第一频域特征的表达式为：

25、

26、其中，f1表示第一频域特征，s(k)表示第k个频域信号的谱值，k表示频域信号的数量，k＝1,2,...,k；

27、所述第二频域特征的表达式为：

28、

29、其中，f2表示第二频域特征；

30、所述第三频域特征的表达式为：

31、

32、其中，f3表示第三频域特征；

33、所述第四频域特征的表达式为：

34、

35、其中，f4表示第四频域特征；

36、所述第五频域特征的表达式为：

37、

38、其中，f5表示第五频域特征，qk表示第k个频域信号的频率；

39、所述第六频域特征的表达式为：

40、

41、其中，f6表示第六频域特征，s(h)表示第h条谱线的谱值，h表示谱线的数量，h＝1,2,...,h，q'h表示第h条谱线的频率；

42、所述综合特征集的表达式为：

43、

44、其中，表示综合特征集，ta表示时域特征，fb表示频域特征。

45、本技术的一示例性实施例中，所述利用特征距离评估技术对所述综合特征集进行筛选，得到多个敏感特征集的步骤包括：

46、从所述综合特征集中划分出多个模式类，每个所述模式类均包含多个特征，每个所述特征分别对应一个特征向量，所有所述模式类组成联合特征向量集；

47、分别计算每个所述模式类的所有所述特征向量之间的平均类内距离，并分别计算每个所述平均类内距离的类内偏差因子；

48、分别计算所有所述模式类之间的类间距离，并分别计算每个所述类间距离的类间偏差因子；

49、根据所有所述类间偏差因子和所有所述类内偏差因子，分别计算出多个补偿因子；

50、利用所有所述类间距离，所有所述平均类内距离和所有所述补偿因子，计算出多个特征距离评估指标；

51、按照所有所述特征距离评估指标由大到小的顺序，分别从每个所述模式类中提取相应数量的所述特征，组成多个敏感特征集；

52、其中，第i个所述敏感特征集表示为：ssen(i)。

53、本技术的一示例性实施例中，所述联合特征向量集的表达式为：

54、{p(w,q),w＝1,2,...,c；q＝1,2,...j,...,g,...,no}   (12)

55、其中，p(w,q)表示第w个模式类中第q个特征向量对应的特征，c表示模式类的数量，no表示特征向量的数量；

56、所述平均类内距离的集合的表达式为：

57、

58、其中，s类内表示平均类内距离的集合，sw表示第w个模式类的平均类内距离，g表示第g个特征向量，j表示第j个特征向量，p(w,g)表示第w个模式类中第g个特征向量对应的特征，p(w,j)表示第w个模式类中第j个特征向量对应的特征；

59、所述类内偏差因子的表达式为：

60、

61、其中，v类内表示类内偏差因子，max(sw)表示最大平均类内距离，min(sw)表示最小平均类内距离；

62、所述类间距离的集合的表达式为：

63、

64、其中，s类间表示类间距离，μ(w)表示第w个模式类中所有特征向量的均值，μ'表示所有模式类的均值，

65、所述类间偏差因子的表达式为：

66、

67、其中，v类内表示类间偏差因子；

68、所述补偿因子的表达式为：

69、

70、其中，λ表示补偿因子；

71、所述特征距离评估指标的表达式为：

72、

73、其中，ja表示特征距离评估指标。

74、本技术的一示例性实施例中，分别对所有所述敏感特征集进行所述归一化处理，得到多个归一化特征集，每个所述归一化特征集均包括多个归一化特征；

75、所述归一化特征的表达式为：

76、

77、其中，表示第i个敏感特征集中第φ个特征向量对应的归一化后的特征，p(i,φ)表示第i个敏感特征集中第φ个特征向量对应的特征；

78、所述归一化特征集表示为：

79、本技术的一示例性实施例中，分别对所有所述归一化特征集进行所述聚类处理，得到多个所述聚类簇的步骤包括：

80、分别从每个所述归一化特征集中随机选取多个聚类中心，并分别对每个所述归一化特征集中的所有所述聚类中心进行初始化处理；

81、分别将每个所述归一化特征集中，距离所有所述聚类中心最近的所述特征向量进行分配，得到每个所述归一化特征集对应的特征向量簇；

82、分别计算每个所述特征向量簇中的所有所述特征向量的平均值，并分别对每个所述归一化特征集中的所有所述聚类中心进行修正，得到每个所述归一化特征集中的所有更新特征向量；

83、分别计算每个所述归一化特征集中所有所述更新特征向量的平均值；

84、迭代重复进行上述分配、计算和更新的步骤，直至每个所述特征向量簇中的所有所述特征向量的平均值不再变化，算法收敛，得到多个所述聚类簇。

85、本技术的一示例性实施例中，所述分别将多个所述聚类簇进行重构，得到所述无人水下航行器的自噪声分离结果的步骤包括：

86、分别将每个所述聚类簇对应为所述信号模态分量，并使所述聚类簇的数量与所述自噪声信号源的数量相等；

87、分别将与每个所述聚类簇对应的所述信号模态分量划分为不同类别的自噪声成分；

88、分别对不同类别的所述自噪声成分中的所有所述信号模态分量进行求和，得到所述无人水下航行器的所述自噪声分离结果。

89、有益效果：

90、本技术提供一种分解分类再重构的uuv自噪声分离方法，至少具有以下

91、有益效果：

92、(1)本技术通过将无人水下航行器的自噪声信号源分解为多个信号模态分量；并对所有信号模态分量进行特征提取，得到综合特征集；然后利用特征距离评估技术从综合特征集中筛选出多个敏感特征集，并对所有敏感特征集依次进行归一化处理和聚类处理，得到多个聚类簇；最后通过对多个聚类簇进行重构，从而实现对无人水下航行器的自噪声的有效分离。

93、(2)同时，达到了抑制或抵消无人水下航行器的自噪声对探测性能的影响。