Сочинение на тему Подводное шумоподавление с использованием различных методов
- Опубликовано: 18.08.2020
- Предмет: Наука
- Темы: Звук, Качественное исследование, Научный метод, физика, эксперимент
Уменьшите шум под водой для акустического сигнала, используя различные технологии. Существуют некоторые специальные фильтры Wiener, Adaptive Filter и Wavelet Thresholding. Подводная акустическая телеметрия существует в таких приложениях, как сбор данных для мониторинга окружающей среды, связь с пилотируемыми и беспилотными подводными аппаратами, передача речи дайвера и т. Д. Снижение шума под водой для акустического сигнала.
• Потери при распространении звука
• Собственный шум и окружающий шум, SNR
Акустическая связь – это активная область исследований, которую необходимо преодолеть, особенно в горизонтальных мелководных каналах. В связи с расширением деятельности людей в океане область подводной акустики получила широкое развитие в различных областях, включая акустическую связь, обнаружение и определение местоположения поверхностных и подземных объектов, эхолотов и профилирование дна для сейсмики. исследование.
Описан алгоритм устранения шума, основанный на кратковременной фильтрации Винера. Представлен анализ производительности фильтра с точки зрения усиления обработки, среднеквадратичной ошибки и искажения сигнала. Шум препятствует сбору данных гидролокатора и соответствующей обработке данных для извлечения информации, поскольку многие из представляющих интерес сигналов имеют короткую длительность и относительно низкую энергию. Данные от пассивного сонара обычно сопровождаются окружающим шумом, возникающим из-за судоходного движения, морской флоры и фауны, движения волн, движения и растрескивания льда (в Арктике) и многочисленных других источников [1].
Где x (n) – принятый сигнал с искаженным шумом, s (n) – нетленный сигнал, и? (n) аддитивный шум.
Хотя сигнал обычно не является стационарным в течение длительного времени наблюдения, для короткого интервала времени мы можем записать Rx (I) = Rs (I) + R? (I)
Оценка сигнала является классической задачей статистической обработки сигналов, а вектор оптимальных коэффициентов фильтра КИХ (Винера) является решением уравнения Винера-Хопфа Rx h = Rs.
Где Rx – корреляционная матрица для наблюдаемого зашумленного сигнала, а rs – вектор членов из корреляционной функции & R (l) неискаженного сигнала.
Предварительно отбеленные данные сегментируются на блоки, где для каждого сегмента формируется оценка локальной корреляционной функции Rs (I).
Затем выполняется оптимальная фильтрация для каждого сегмента с использованием фильтра Винера, разработанного для сегмента, и данные обрабатываются обратным фильтром, чтобы отменить эффекты предварительного отбеливания.
Данные сначала сегментируются и фильтруются, а полученные кадры взвешиваются треугольным окном. Затем данные повторно сегментируются с использованием кадров, сдвинутых на половину длины кадра, снова фильтруются и взвешиваются с помощью треугольного окна.
Затем добавляются два взвешенных набора данных, чтобы получить конечный результат и «минимизировать любые эффекты, которые могут возникнуть на границах между кадрами.
На рисунке показана линейная фильтрация сигнала в аддитивном шуме и указаны две части выходного сигнала: ys (n) результат обработки только сигнала и y? (n) часть из-за обработки одного шума, который можно рассматривать как остаточный шум, оставшийся после обработки.
Меру искажения сигнала, вносимого фильтром, можно определить как
Оценка выполняется на репрезентативном реальном наборе данных подводных акустических записей. Обоснованием, используемым для обработки предлагаемой оценки, являются среднеквадратичная ошибка, глобальное отношение сигнал / шум (ОСШ), сегментарное ОСШ и среднеквадратическая спектральная ошибка. Эти фильтры обычно рассчитываются путем расчета, который включает оценку автокорреляции сигнала, сложную задачу в случае низкого SNR или наличия нестационарных компонентов. Музыкальный шум – это феномен восприятия, который возникает, когда изолированные пики остаются в частотно-временном представлении после обработки алгоритмом спектрального вычитания [2]
1. Модель наблюдения
Наблюдение представляет N выборок данных, отмечается z [n], отмечается шум? [n], а интересующий сигнал отмечается s [n]. Итак, для каждой выборки n = 0… N – 1 имеем Z [n] = s [n] +? [N]. Поскольку некоторые из предложенных методов проводят наблюдение в частотно-временной плоскости, необходимо кратко напомнить некоторые полезные свойства. В этом случае кратковременное преобразование Фурье (STFT) наблюдаемого сигнала определяется выражением где w – это временное окно длины K, k = 0… K – 1 и l = 0… L – 1 – соответственно частота и временные индексы. Перекрытие кадров определяется N01.
2. Статистические предположения о шуме
Шум рассматривается как локально-центрированный гауссовский процесс WSS. Предположение о гауссовском распределении мотивируется сходством, наблюдаемым между распределением морского шума и его теоретическим соответствием распределению Гаусса. Однако обратите внимание, что морской шум окрашен, поэтому его спектральная плотность мощности (PSD) не является постоянной, особенно в области низких частот.
2) Частотно-временная область
На каждом частотном канале k = 0… K – 1, коэффициенты Фурье шума? [k, l] – круговые симметричные комплексные гауссовские случайные величины, независимые от S [k, l]. Таким образом, шум считается стационарным, и его дисперсия не зависит от времени:
Новейшие методы снижения шума были разработаны главным образом для уменьшения этого явления при сохранении или даже улучшении обнаружения элементов сигнала при частотно-временном представлении (TFR).
1. Винеровская фильтрация (WF)
В 1940 году Норберт Винер построил фильтр с конечной импульсной характеристикой (FIR) w [n], чтобы оценить интересующий сигнал s [n] по его шумному наблюдению z [n]. Этот фильтр построен, чтобы минимизировать среднеквадратичную ошибку между интересующим сигналом и его оценкой. Показано, что коэффициенты этого фильтра вычисляются как Где, r обозначает автокорреляцию s [n], а R – ковариационную матрицу z [n]. R – симметричная положительная полуопределенная матрица, и поэтому обратима, пока дисперсия z [n] не равна нулю.
2. Вейвлет-порог (WT)
Шестой метод – известный метод вейвлет-порога Донохо, который используется для удаления шумной части из вейвлет-коэффициентов. Первый шаг состоит в вычислении дискретного вейвлет-преобразования (DWT) сигнала с помощью алгоритма мультиразрешения. Для этого банк фильтров строится из заданного материнского вейвлета? (T), такого как
Где j – параметр масштаба, а k – параметр сдвига. Для оценки используется вейвлет Daubechies 6-го порядка для вычисления DWT. Второй этап состоит в установлении порогового значения в области вейвлета путем сжатия коэффициентов wj, k с помощью метода мягкого порогового определения, описанного в:
Где N – количество отсчетов и sj стандартное отклонение шума по шкале j. Метод MDF дает несколько лучшие характеристики при низком SNR и цветном шуме.
Авторы S.S.Murugan и др. изучили данные в режиме реального времени, собранные в Бенгальском заливе в Ченнае, применяя методы оценки Уэлча, Барлетта и Блэкмана, и улучшили максимальное отношение сигнал-шум до 42-51 дБ. Источники включают геологические возмущения, нелинейное взаимодействие волн, турбулентное ветровое напряжение на поверхности моря, судоходство, отдаленные штормы, сейсморазведку, морских животных, ломающиеся волны, брызги, дождь, град и турбулентность. Прямая связь между силой ветра и уровнем окружающего шума наблюдается в диапазоне частот от 500 Гц до 25 кГц. Спектр уровня шума суммируется. В работе над спектрами и источниками окружающего шума в океане наблюдалось уменьшение зависимости ветра / моря от подводного окружающего шума ниже 500 Гц.
Спектральная оценка играет важную роль в обнаружении и отслеживании сигнала. Приложения спектральной оценки включают в себя гармонический анализ и прогнозирование, экстраполяцию и интерполяцию временных рядов, сглаживание спектра, сжатие полосы пропускания, формирование луча и определение направления. Спектральная оценка основана на идее оценки автокорреляционной последовательности случайного процесса из набора измеренных данных и использования преобразования Фурье для нахождения оценки спектра мощности.
1. Метод Бартлетта
Метод Бартлетта также известен как усреднение по периодограмме. В этом способе входная последовательность x (n) длины N разбивается на K непересекающихся последовательностей длины L, так что N = KL. Оценка Бартлетта дается как:
2. Метод Уэлча
Метод Уэлча также известен как модифицированная периодограмма. Уэлч предложил две модификации метода Бартлетта. Во-первых, это позволяет перекрывать последовательность xi (n), а во-вторых, позволяет применять окно данных w (n) к каждой последовательности. Оценка, произведенная методом Уэлча, определяется как:
3. Метод Блэкмена-Тьюки
Метод черного человека-Тьюки известен как сглаживание периодограммы. Эта оценка сглаживает периодограмму путем свертки с преобразованием Фурье окна автокорреляции [W (e j?)]. Спектр Блэкмена-Тьюки определяется как:
4. Алгоритм адаптивной фильтрации
Было разработано много вычислительно эффективных алгоритмов для адаптивной фильтрации. Они основаны либо на статистическом подходе, таком как алгоритм наименьших средних квадратов (LMS), либо на детерминированном подходе, таком как алгоритм рекурсивных наименьших квадратов (RLS). Методы адаптивного шумоподавления используются для смягчения нежелательных шумовых эффектов.
4.1 Алгоритм LMS
Алгоритм LMS является членом алгоритмов стохастического градиента. Рекурсивное отношение для обновления вектора веса отвода дается выражением: W (n +1) = w (n) + µx (n) e * (n)
Здесь x (n) – вход для фильтра, e (n) – сигнал ошибки, а µ – размер шага. На каждой итерации этот алгоритм требует знания самых последних значений u (n), d (n) и w? (П).
4.2 Алгоритм NLMS
Термин нормализованный происходит из-за корректировки, примененной к вектору веса ответвления на итерации n +1, «нормализован» относительно квадрата евклидовой нормы вектора ввода ответвления x (n) на итерации n. NLMS отличается от LMS тем, как весовой контроллер механизирован. Рекурсивное отношение для обновления вектора веса отводов определяется как:
Алгоритм 4.3RLS
Адаптивный фильтр рекурсивных наименьших квадратов (RLS) – это алгоритм, который рекурсивно находит коэффициенты фильтра, которые минимизируют взвешенную линейную функцию стоимости наименьших квадратов, относящуюся к входным сигналам. Это в отличие от других алгоритмов, таких как метод наименьших средних квадратов (LMS), которые направлены на уменьшение среднеквадратичной ошибки. RLS демонстрирует чрезвычайно быструю сходимость. Однако это преимущество достигается за счет высокой вычислительной сложности и потенциально низкой производительности отслеживания. Алгоритм RLS определяется следующими уравнениями. Инициализируйте алгоритм, установив: w? (0) = 0 P (0) = d -1 I Где d – это константа Для каждого момента времени n = 1, 2, 3… Вычислить
Чтобы минимизировать влияние ветра, различные адаптивные алгоритмы обрабатываются и сравниваются для достижения максимального SNR. Обнаружено, что RLS лучше по сравнению с другими алгоритмами. При использовании RLS достигается ОСШ около 42–51 дБ, что является сравнительно очень высоким.
Авторы Yen-Hsiang Chen и др. [4] реализовали адаптивный фильтр Винера в реальном времени с двумя микрофонами, чтобы уменьшить шумную речь, когда шумовые сигналы и желаемая речь поступают одновременно. Производительность предлагаемой конструкции измеряется снижением шума на 20 дБ, а предлагаемая скорость обновления адаптивной матрицы Винера достигает 28,6 мс / кадр с размером матрицы 200. Адаптивный фильтр Винера в реальном времени для нестационарного шума отмена. Он может эффективно оценить производительность и стоимость отдельных компонентов снижения шума. Распознавание речи в автомобильной среде требует нестационарного шумоподавления для устранения фонового шума.
АДАПТИВНЫЕ WIENER FILTERS
Цель фильтра Винера – отфильтровать шум, который исказил сигнал статистическими средствами. Как описано в уравнении (1), сигнал микрофона y (M-мерный вектор) фильтруется винеровским фильтром W (матрица фильтра M * M), и выходной сигнал z (M-мерный вектор) должен оценивать желаемый сигнал d с некоторыми остаточными ошибками. Уравнение (1) показывает, что когда z = d, то e = 0. Это означает, что, когда e = 0, z является оценочным значением, поэтому, когда требуемый сигнал приходит с шумом (белым или цветным), доступна выбранная матрица W для оценки желаемого сигнала.
Микрофон 2 действует как речевой и шумовой вход или как основной. Микрофоны 1 и 2 записывают желаемую речь и нежелательную речь, в то время как желаемая речь в основном поступает от микрофона 2, а источник нежелательной речи или шума в основном от микрофона 1. В предлагаемом проекте есть два основных процессора, которые называются корреляционным анализом и винеровским анализатором. фильтр. Автокорреляция является частным случаем взаимной корреляции, при которой сигнал вычисляется сам по себе, он генерирует значения 2N -1. И переставляет в N * N матрицу. Результаты автокорреляции генерируются в формате матрицы Теплица для дальнейшей обработки.
Модуль вычитания матрицы независимо вычитает каждый элемент из двух матриц и направляет результаты в матричное умножение. Умножение матриц и умножение матриц-векторов являются аналогичными единицами обработки, разница между двумя единицами заключается в том, что умножение матриц-векторов выполняет умножение матриц на матрицу N * 1.
В связи с расширением деятельности людей в океане область подводной акустики получила широкое развитие в различных областях, включая акустическую связь, обнаружение и определение местоположения поверхностных и подземных объектов, эхолотов и подстилающих профилирование для сейсморазведки. До сих пор акустическая волна все еще является оптимальной средой для передачи сигнала в …
Есть несколько разных циклов, вокруг которых вращается Земля. Некоторые из циклов были затронуты катастрофой Фукусима-Дайхатсу. Завод в Фукусиме пострадал от землетрясения силой 9,0 балла. Растения,
Трение – это сила, которая приводит к предотвращению движения объекта. Трение повсюду, когда один объект вступает в контакт с другим, возникает трение. Сила действует в
Этот эксперимент проводится для наблюдения за развитием эмбрионов перепелов в течение нескольких дней. Эмбрион перепела обычно развивается и выводится через 20-21 день. Мы провели эксперимент