[发明专利]一种高度自适应时延目标信号自动提取方法

说明书

本发明公开了一种高度自适应时延目标信号自动提取方法，设计了通用原子，进行稀疏分解时无需提前构建庞大的冗余字典，将原子特征参数设置为蝙蝠个体位置向量，利用改进蝙蝠算法构造灵活原子进行最优位置搜索，进而实现标准化最优匹配原子搜索；采用稀疏分解双阈值迭代停止判据，其中残差ℓ‑2范数阈值由背景噪声强度即不含目标信号序列n_s的ℓ‑2范数自适应确定；迭代次数阈值由用户根据实时性需求设置。双判据的应用可以保证信号提取精度、提高迭代速度并有效避免过度分解。本发明方法不依赖复杂先验知识及后续人工判断筛选，有效提取目标信号的同时可以最大限度保留信号其他分量，是一种完全自动化非平稳时延信号提取方法。

技术领域

本发明属于信号处理技术领域，具体为一种背景噪声中时延目标信号自动识别和提取方法。

背景技术

非平稳时延目标信号提取是现代信号处理的重要研究内容，在振动信号检测、地震监测、生物医学信号探测等领域均有重要应用。

现有的信号提取方法主要包括：小波分解、希尔伯特黄变换、变分模态分解(VMD)和信号稀疏分解算法等。

小波分解是处理时延信号的一种重要手段，但是需要选择合适的小波基函数和分解层数，否则可能导致提取的信号非目标信号。希尔伯特黄变换对于线性稳态信号的提取效果良好，但是绝大部分自然信号难以满足这一前提，尤其是混叠在噪声中的时延信号的提取，希尔伯特黄变换应用效果不够理想。变分模态分解在一定条件下对非平稳、非线性信号具有良好处理效果，但处理过程过度惩罚了局部跳跃信息，且存在边界效应以及局部特征在全局范围内的混叠现象，因此不适用于时延局部特征信号提取。另外VMD算法要求预先定义模态数K，且分解出的各模态是否属于目标信号需人为判断，所以灵活性不足。稀疏分解算法将信号自适应的表示为若干原子的线性组合，可以细致的描述信号局部特征，是一种有效的非平稳时延信号提取方法。但是传统的信号稀疏分解算法需要在事先构建的冗余字典内进行匹配追踪来确定最优匹配原子，算法效率不够高。

发明内容

本发明旨在提高时延目标信号识别和提取的灵活性和自适应性，提出了一种基于蝙蝠算法优化稀疏分解算法的时延信号自适应识别和提取方法。以摆脱非平稳目标信号提取过程中对复杂先验信息的依赖性，提高信号识别和提取的灵活性，实现完全自动化非平稳时延目标信号检测和提取。

本发明是采用如下技术方案实现的：

一种高度自适应时延目标信号自动提取方法，包括通用原子设计、目标数据段自动定位检测算法、实时特征基原子稀疏分解方法、基于改进蝙蝠算法优化稀疏分解的信号提取等。

首先，设计了一种通用原子g原子，g原子表达式如下：

其中，t为采样时刻；t₀为原子双边分界时刻，τ₁和τ₂分别为双边有效振荡时间；d₁和d₂分别为双边衰减因子；f为原子信号频率，Φ为原子信号相位；ε为双边比例因子。

构建的g原子具有较强的通用性，通过参数调整可以与绝大部分典型信号相匹配，几乎可涵盖电磁观测资料中主要信号类型。

具体步骤如下：

(1)、利用目标数据段自动定位检测算法定位目标数据段，然后选取无目标信号数据段。

(2)、设置稀疏分解双阈值判据：残差l-2范数阈值σ和最大迭代次数阈值N。σ由背景噪声强度即不含目标信号序列n_s的l-2范数确定：N由用户根据实时性需求设置，典型设置为30。

(3)、初始化，迭代次数n＝1，已选取原子个数k＝0；当前残差ξ_n＝x；当前最优适应度Fitⁿ_best＝1E6。