改进的群智能算法及其应用

作者简介

胡红萍，1973年7月生，博士，中北大学副教授，硕士生导师，主持山西省自然科学基金1项、山西省回国留学人员科研资助项目1项、山西省青年科技研究基金1项和博士后自然科学基金1项，参加国家自然科学基金4项、山西省自然科学基金3项、山西省重点研发计划项目1项，发表论文50余篇，其中高水平论文20余篇，山西省科技进步二等奖1项（排名第五）。主要从事人工智能、图像识别、信号处理、预测与分类等研究。

内容简介

第3章MEMS水听器的信号去噪与DOA估计 3.1引言 3.2基于变分模态分解和小波阈值处理的去 噪和基线漂移去除方法 3.3基于IGA小波软阈值的矢量水听器的 去噪方法 3.4改进的飞鼠搜索算法与DML的矢量水听 器的DOA估计 3.5本章小结 3.1引言 MEMS矢量水听器已用来通过检测系统提取 阻力变化实现水声信号检测，且具有优异的性能 ［82,179180］，广泛应用于海洋、湖泊等水 声环境中某些目标的位置、状态参数、类型等信 息的探测。但声环境中的噪声是复杂多变的，自 然声源和非自然声源［181］将导致采集到的目 标信号与大量噪声混合，不可避免地产生基线漂 移等失真现象。因此，去噪和校正基线漂移对于 进一步的信号检测和识别具有重要意义。 目前，已提出很多算法解决信号的波达方向 (Direction of Arrival,DOA)问题，例如，多 信号分类 (MUSIC)算法［82］、旋转不变子空间 (ESPRIT)算法［82］等，这些算法具有精确度 高以及在低信噪比情况下的估计误差低的优点。 但MUSIC算法和ESPRIT算法都存在一个缺陷： 传感器阵列输出数据的协方差阵和特征值分解的 计算量较大，运行时间较长，限制了应用的可行 性。 本章主要围绕MEMS矢量水听器信号的去噪 与波达方向角的估计问题进行研究。 3.2基于变分模态分解和小波阈值处理的去 噪和基线 漂移去除方法 针对MEMS矢量水听器的数据采集中存在的 强噪声干扰和基线漂移问题，本节提出了一种基 于变分模态分解( VMD)和非线性小波阈值处理(NWT)的联合去 噪方法VMDNWT。采用VMDNWT方法对模拟信 号和中北大学汾 河实验数据进行去噪处理。 3.2.1基本原理 1. 变分模态分解［182］ 变分模态分解是将输入的实值信号分解为一 组具有有限带宽和在线估计中心频率的固有模态 函数(Intrinsic Mode Functions,IMFs)［182 ］。带宽通过如下步骤进行估计。 步骤1对于每种模态，通过Hilbert变换计 算相关的解析信号来获得其单边谱，δ(t)+iπ t*uk(t)，其中δ(t)是Dirichlet函数，i2=-1 本书重点放在群智能算法与机器学习相结合的算法及其应用上，力求让读者既掌握群智能算法和机器学习的知识，又能让读者体会群智能算法与机器学习相结合能够解决实际问题的能力。