本發(fā)明涉及水聲信號處理，尤其是涉及一種基于dcca和eemd的聲納浮標自噪聲信號抑制方法。

背景技術：

1、聲納浮標是專為水下目標探測而設計的空投聲學設備，它由水下聲學接收設備和水面發(fā)射裝置兩部分組成。這種設備具備搜索、定位和識別水下目標的功能，非常適合進行大范圍的聯(lián)合探測。然而，在實際應用中，聲納浮標會受到自噪聲的干擾，影響其探測性能。至今，聲納浮標仍然是水下目標探測的重要手段之一，但如何有效抑制自噪聲一直是研究和改進的關鍵點。

2、針對聲納浮標自噪聲干擾的抑制，可以通過前端結構優(yōu)化及后端信號處理兩種手段來實現(xiàn)。自噪聲主要來源于聲納浮標自身的機械振動和海面波浪對水聽器的影響。前者通過對聲納浮標結構進行優(yōu)化，實現(xiàn)聲納浮標海面單元與水下單元間的解耦，從而抑制聲納浮標的水聽器因海面波浪起伏引起的上下運動，減少由此產(chǎn)生的自噪聲。后者基于聲納浮標自噪聲的信號特征，對聲納浮標水聽器接收的聲學信號進行降噪處理，以消除或降低自噪聲的影響，達到提高探測精度的目的。目前，基于結構優(yōu)化實現(xiàn)聲納浮標自噪聲抑制的研究工作已經(jīng)日趨完備，而借助信號處理手段抑制聲納浮標自噪聲的研究相對薄弱，有待進一步深入。

3、基于上述內(nèi)容，提出一種基于dcca和eemd的聲納浮標自噪聲信號抑制方法。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于dcca和eemd的聲納浮標自噪聲信號抑制方法，以解決背景技術中的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于dcca和eemd的聲納浮標自噪聲信號抑制方法，包括以下步驟：

3、s1、針對在海面波浪激勵下受自噪聲干擾的聲吶浮標，進行聲學數(shù)據(jù)收集，得到原始信號，記錄對應時域的聲吶浮標垂向運動波速數(shù)據(jù)；

4、s2、針對原始信號和聲吶浮標垂向運動波速數(shù)據(jù)采用dcca算法進行互相關分析計算，得到寬帶自噪聲數(shù)據(jù)條件下的寬帶相關系數(shù)；

5、s3、針對原始信號采用eemd算法進行模態(tài)分解，得到imf分量，針對imf分量和聲吶浮標垂向運動波速數(shù)據(jù)采用dcca算法進行互相關分析計算，得到imf分量相關系數(shù)；

6、s4、比較imf分量相關系數(shù)和寬帶相關系數(shù)的大小，若imf分量相關系數(shù)低于寬帶相關系數(shù)，模糊篩選出不含自噪聲干擾的數(shù)據(jù)；反之則輸出剩余含自噪聲干擾的數(shù)據(jù)；

7、s5、對s4輸出的含自噪聲干擾的數(shù)據(jù)進行重構和短時傅里葉變換，獲得不同頻率下的窄帶自噪聲數(shù)據(jù)；

8、s6、利用窄帶自噪聲數(shù)據(jù)進一步甄別含噪數(shù)據(jù)并剔除，將剩余不含噪數(shù)據(jù)進行逆短時傅里葉變換后，聯(lián)合s4中不含自噪聲干擾的數(shù)據(jù)進行重構，輸出降噪信號，完成聲納浮標自噪聲信號的抑制。

9、優(yōu)選的，所述s2中，采用dcca算法進行互相關分析計算的具體過程為：

10、s21、對原始信號和聲吶浮標垂向運動波速數(shù)據(jù)分別進行累加計算，得到對應的累加信號；

11、s22、將s21得到的兩個累加信號均劃分為n-n個重疊的窗口，每個窗口含有n+1個值；

12、其中，n為序列長度，n為重疊元素數(shù)量；

13、s23、在每個窗口內(nèi)，分別采用最小二乘法擬合出對應的局部趨勢；

14、s24、在每個窗口內(nèi)，消除局部趨勢，得到殘差序列，計算所有殘差序列的去趨勢協(xié)方差值的均值；

15、s25、基于s24的結果，計算dcca互相關系數(shù)，作為寬帶相關系數(shù)。

16、優(yōu)選的，所述s23中，采用最小二乘法進行擬合的具體計算過程為：

17、1)構造多項式線性回歸模型，多項式線性回歸模型表示為：

18、

19、式中，為窗口內(nèi)每個元素的位置索引，為多項式回歸模型的系數(shù)，為窗口內(nèi)累加信號的值；

20、2)簡化多項式線性回歸模型，簡化后的多項式線性回歸模型表示為：

21、

22、式中，i為設計矩陣，由窗口內(nèi)位置索引的多項式組成，為多項式系數(shù)，ys為窗口內(nèi)累加信號的值；

23、2)分別計算兩個序列的多項式系數(shù)估計值，多項式系數(shù)估計值表示為：

24、

25、式中，為序列x的多項式系數(shù)估計值，為序列y的多項式系數(shù)估計值，pinv(i)為矩陣i的廣義逆矩陣；

26、3)分別計算局部趨勢，局部趨勢表示為：

27、

28、式中，為序列x在第i個窗口的局部趨勢，為序列y在第i個窗口的局部趨勢。

29、優(yōu)選的，所述s25中，dcca互相關系數(shù)表示為：

30、

31、式中，ρdcca為dcca互相關系數(shù)，fdcca(n)為去趨勢協(xié)方差值的均值，fxdfa(n)為序列x與自身序列的去趨勢協(xié)方差值的均值，fydfa(n)為序列y與自身序列的去趨勢協(xié)方差值的均值。

32、優(yōu)選的，所述去趨勢協(xié)方差值表示為：

33、

34、式中，fdcca(n,i)為去趨勢協(xié)方差值，i為窗口起始索引，k為當前窗口內(nèi)的索引，rk為序列x的累加信號，r'k為序列y的累加信號，為序列x在第i個窗口的局部趨勢，為序列y在第i個窗口的局部趨勢。

35、優(yōu)選的，所述s3中，采用eemd算法進行模態(tài)分解的具體過程為：

36、s31、向s1得到的原始信號中加入p次等長度且有限幅度的高斯白噪聲，得到初始信號；

37、s32、對初始信號進行emd分解，得到多個imf和余量；

38、s33、對所有imf取平均值，得到imf分量。

39、優(yōu)選的，所述s32中，emd分解的具體過程為：

40、1)識別初始信號中的局部極值點，基于局部極值點，采用樣條差函數(shù)擬合初始信號的上包絡線和下包絡線，計算上包絡線和下包絡線的平均值，將初始信號與平均值的差值視為中間信號；

41、2)判斷中間信號是否滿足imf要求，若滿足，則將該中間信號作為第一個imf；若不滿足，則將該中間信號視為初始信號，重復執(zhí)行步驟1)，直至新的中間信號滿足imf要求，作為第一個imf；

42、3)從初始信號中分離出第一個imf，將分離后的信號作為新的初始信號重復執(zhí)行步驟1)～步驟2)，獲得第二個imf，依次類推，直至獲得第m個imf時，分離后的信號變?yōu)閱握{，完成emd分解。

43、優(yōu)選的，所述s5中，不同頻率下的窄帶自噪聲數(shù)據(jù)表示為：

44、

45、式中，stftx(n,k)為不同頻率下的窄帶自噪聲數(shù)據(jù)，x(n+m)為輸入信號在當前窗口中的信號點，ω(m)為窗函數(shù)，x(n+m)ω(m)為短時序列，e-j2πnk/n為復指數(shù)函數(shù)，j為虛數(shù)單位。

46、優(yōu)選的，所述s6中，甄別含噪數(shù)據(jù)的具體過程為：

47、1)針對s5中的窄帶自噪聲數(shù)據(jù)和聲吶浮標垂向運動波速數(shù)據(jù)采用dcca算法進行互相關分析計算，得到窄帶相關系數(shù)；

48、2)若窄帶相關系數(shù)高于寬帶相關系數(shù)，則為含噪數(shù)據(jù)，進行剔除；反之則保留并輸出不含噪數(shù)據(jù)。

49、因此，本發(fā)明一種基于dcca和eemd的聲納浮標自噪聲信號抑制方法，具有以下有益效果：

50、(1)通過dcca算法在非平穩(wěn)時間序列數(shù)據(jù)互相關性上的處理優(yōu)勢，有效地探索了波浪與自噪聲之間的相關性分布規(guī)律，并提取了內(nèi)蘊的相關性特征，為聲納浮標自噪聲抑制提供了定量分析手段。

51、(2)通過結合eemd自適應分解的能力和dcca算法有效提取聲納浮標自噪聲相關性特征，深入研究數(shù)據(jù)間的相關性匹配機制，構建出了基于相關性準則的聲納浮標自噪聲抑制方法，能夠在聲納前端結構優(yōu)化的基礎上進一步有效抑制聲納浮標自噪聲，實現(xiàn)了對自噪聲的有效抑制，從而提高聲納浮標對水下目標的搜索、定位、識別等探測能力。

52、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。