[发明专利]一种基于变分模态分解改进的DAS信号去噪方法

权利要求书

1.一种基于变分模态分解改进的DAS信号去噪方法，其特征在于，该方法包括：

利用分布式光纤声波传感系统采集实测含噪数据；

提取需要处理的数据段，并利用基于遗传算法优化的变分模态信号分解方法，根据采集信号的特征，优化得到变分模态分解过程中所涉及到的模态数量参数K值和惩罚因子参数α值；并依据优化得到的参数K值和参数α值，对含噪信号进行分解，得到K组模态函数IMF。

计算每组模态函数IMF的样本熵数值；

利用各组模态函数IMF样本熵数值的大小，从中选取出有效信号组；

对有效信号组进行信号重构处理，得到降噪后的信号。

2.按照权利要求1所述的基于变分模态分解改进的DAS信号去噪方法，其特征在于，利用基于遗传算法优化的变分模态信号分解算法，根据采集信号的特征，优化得到变分模态分解过程中所涉及到的模态数量参数K值和惩罚因子参数α值，包括：

定义遗传算法种群的优化范围，即K和α的取值范围，并进行参数编码，将每个个体定义为T_i；

定义种群大小i，初始化交叉概率J_g，变异概率B_g，进行种群K＝[T₁,T₂,T₃...T_i]和种群α＝[T₁,T₂,T₃...T_i]初始化赋值，并对初始种群进行交叉、变异、合并变换；

将变换后的种群带入到VMD信号变换中进行信号分解处理，得到K组模态分解函数IMF；

分别计算K组模态分解函数IMF的适应度函数，判断K组适应度函数是否达到阈值，若未达到则进行迭代循环，重新进行种群的交叉、变异、合并变换产生新的种群，当适应度函数达到阈值时则跳出循环输出此时的最佳参数K和α。

3.按照权利要求1所述的基于变分模态分解改进的DAS信号去噪方法，其特征在于，对含噪信号进行分解，得到K组模态函数IMF，包括：

若多成分信号由K组有限带宽的模态分量V_k(t)组成，每个IMF的中心频率为ω(t)，其中约束条件是各模态分量和等于输入信号，且各模态分量中心频率带宽和最小，具流程步骤如下：

1)对V_k(t)信号进行希尔伯特变换，并计算其单边谱，利用与算子做乘积，将V_k(t)的中心频带调制到相应的基带：其中，δ(t)表示单位冲击函数；V_k(t)表示分解出来的信号集合；ω_k表示中心频率；表示偏导数。

2)计算优化迭代的约束条件，表达式如下：

公式中{v_k}＝{v₁,...,v_k}表示分解后的K组IMF，{ω_k}＝{ω₁,...,ω_k}表示各IMF分量的中心频率，表示偏导数；

为求解出约束条件的最优解，将求解约束变分问题转化为无约束变分问题，引入了拉格朗日乘子τ(t)和二阶惩罚因子α，转化公式如下：

3)利用交替方向乘子法迭代更新得到各分量及其中心频率，最终求解到无约束模型的解，即优化问题的最优解，K组模态函数IMF根据频域空间由下式得到：

4)迭代具体过程如下：

(1)参数初始化：n；

(2)周期：n＝n+1；

(3)当ω＞0时，更新

(4)更新ω_k；

(5)更新

(6)更重复步骤(2)到(5)，直到满足迭代停止条件；

4.按照权利要求1所述的基于变分模态分解改进的DAS信号去噪方法，其特征在于，计算每组模态函数IMF的样本熵数值，则信号样本熵计算过程包括：

设信号X是长度为N的时间序列X＝{x(1),x(2),...x(N)}：

将信号X构造成m维矢量，即X(i)＝{x(i),x(i+1),...x(i+m-1)}，其中i＝1,2，…，N-m+1；

定义距离参数d[X(i),X(j)]表X(i)与X(j)之间距离差值最大的数值，即d[X(i),X(j)]＝max_k∈(0,m-1)|x(i+k)-x(j+k)|，

给定阈值r，统计d[X(i),X(j)]＜r的数目并与总的矢量个数N-m做比值，即

对所有结果求平均值，即

再将维数m加1，重复上述过程至全部计算完毕；

得到信号X序列的样本熵为: