一種基于聲陣列信息融合及改進EEMD的信號降噪方法

邸 憶， 顧曉輝， 龍 飛

(1. 南京理工大學(xué) 機械工程學(xué)院， 南京 210094；2. 貴州大學(xué) 智能信息處理研究所， 貴陽 550025)

一種基于聲陣列信息融合及改進EEMD的信號降噪方法

邸 憶1， 顧曉輝1， 龍 飛2

(1. 南京理工大學(xué) 機械工程學(xué)院， 南京 210094；2. 貴州大學(xué) 智能信息處理研究所， 貴陽 550025)

針對聲陣列多通道信號的去噪問題，提出一種基于多傳聲器信息融合輔助的改進總體平均經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)的被動聲信號去噪方法。對標(biāo)準(zhǔn)EEMD進行改進，通過多通道信號頻譜分析，選取多傳聲器信號最小有效頻率作為各通道信號EEMD分解的篩選截止頻率，采用改進的EEMD算法將原始信號快速分解為完備的IMF分量，有效抑制了模態(tài)混疊現(xiàn)象并提高信號分解效率；引入聲陣列時延矢量封閉準(zhǔn)則(Time Delay Vector Close Rule, TDVCR)概念，結(jié)合多傳聲器數(shù)據(jù)一致性融合及信號相關(guān)性理論，對各IMF分量進行相應(yīng)的權(quán)重計算，再由已確定權(quán)值對各IMF分量進行加權(quán)重構(gòu)得到去噪信號；最終通過半實物仿真試驗以及同傳統(tǒng)EMD去噪的比較驗證了該算法在多通道信號去噪中的有效性和實用性。

聲陣列；信號去噪；總體平均經(jīng)驗?zāi)B(tài)分解；數(shù)據(jù)一致性融合；時延矢量封閉準(zhǔn)則

在現(xiàn)代戰(zhàn)爭中，聲傳感器陣列以其被動式探測、全天候工作和探測性能良好的優(yōu)勢被廣泛應(yīng)于反直升機地雷、防坦克智能雷、BAT子彈藥等武器裝備中[1]。隨著信息化戰(zhàn)爭的發(fā)展，戰(zhàn)場信號復(fù)雜化對聲目標(biāo)探測提出了更高的要求，信號預(yù)處理作為目標(biāo)識別及跟蹤的重要步驟之一，是優(yōu)化目標(biāo)識別效果，提升目標(biāo)跟蹤精度的前提，因此，高效的信號去噪方法顯得尤為重要。

戰(zhàn)場聲信號具有較強的隨機性和非平穩(wěn)性特點，采用傳統(tǒng)去噪方法[2-3]能夠在一定程度上抑制噪聲，但對包含尖峰或突變的非平穩(wěn)信號的降噪性能有較大局限性。小波去噪[4-5]克服傳統(tǒng)去噪方法的弱點，能夠有效處理非平穩(wěn)信號的噪聲，然而小波去噪方法無法擺脫小波基選擇及小波系數(shù)的復(fù)雜計算。Huang等[6]提出的經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)同樣能夠較好地處理非平穩(wěn)信號，而且無需考慮基函數(shù)選擇，可以根據(jù)信號自身特點自適應(yīng)地分解不同尺度的本征模態(tài)函數(shù)(Intrinsic Mode Function，IMF)，因而被廣泛應(yīng)用于戰(zhàn)場聲目標(biāo)探測[7]、地震信號降噪[8-9]、機械故障診斷[10]等領(lǐng)域。但是由于實測信號的非平穩(wěn)性和復(fù)雜性，傳統(tǒng)EMD信號分解常伴隨著模態(tài)混疊現(xiàn)象，該現(xiàn)象會在信號去噪中引入不合理的信號分量，從而影響信號降噪效果，甚至造成降噪失效。國內(nèi)外學(xué)者針對模態(tài)混疊現(xiàn)象提出了一些卓有成效的改進方法[11-14]，其中最有效的方法是Wu提出的集合平均經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)算法。然而隨后的研究[15-17]發(fā)現(xiàn)，EEMD在信號分解過程中引入白噪聲，再通過傳統(tǒng)EMD進行循環(huán)分解，這樣雖抑制了模態(tài)混疊效應(yīng)，但白噪聲的引入會降低信號分解效率，產(chǎn)生“過分解”，甚至在原有IMF分量中帶入虛假成分，那么，在使用EEMD進行信號去噪時需要先考慮算法本身的“過分解”和“虛假分解”問題，提高信號分解的效率和可靠性。

目前，大部分信號去噪方法主要以單傳感器信號為處理對象，而針對陣列信號或多通道信號的去噪方法相對較少，文獻[18]提出了一種多傳聲器小波多尺度信息融合的去噪方法，定義了聲陣列信號的時延矢量封閉性，將多傳感器信息融合理論與小波去噪相結(jié)合，采用信號多尺度分解及重構(gòu)方法實現(xiàn)了陣列信號的自適應(yīng)去噪。本文針對聲陣列對被動聲信號的去噪問題，借鑒時延矢量封閉準(zhǔn)則，結(jié)合聲陣列數(shù)據(jù)一致性融合理論[19]及多通道信號相關(guān)性，改進已有的EEMD算法，提出一種基于多傳聲器信息融合及最小頻率截止EEMD的多通道信號去噪方法，通過半實物仿真試驗驗證了該方法的有效性。

1 聲陣列信息融合及時延矢量封閉性

1.1 聲陣列數(shù)據(jù)一致性融合理論

聲陣列是將多個傳聲器按照一定排列規(guī)則分布于探測空間，通過觀察每兩個傳聲器接收到相同目標(biāo)聲波的時間差來估算聲目標(biāo)的重要信息。多傳聲器信息融合技術(shù)是聲陣列探測的關(guān)鍵技術(shù)之一，綜合利用多傳聲器信息，通過各傳聲器之間的性能互補，克服單個傳聲器的局限性，進而提高陣列整體性能。然而在聲陣列中部分傳聲器可能會因損壞或者外界干擾而造成信號失真，從而導(dǎo)致其測量數(shù)據(jù)無效，那么有必要通過多傳聲器數(shù)據(jù)融合算法對聲陣列中的各傳聲器進行甄別，剔除失效器件，確定最優(yōu)傳聲器組，確保各傳聲器具有良好的數(shù)據(jù)一致性和真實性，再通過集中式數(shù)據(jù)融合實現(xiàn)有效信號重構(gòu)和消噪信號的輸出。

1.2 聲陣列時延矢量封閉準(zhǔn)則

假設(shè)陣列中各傳聲器分別為i，j，k，l，如圖1所示，根據(jù)聲信號傳播的時延估計特性可知，信號到達各傳聲器的時間存在一定的時延，由于彈載聲陣列中各傳聲器之間距離遠小于聲源到達陣列的距離，因此，以某一傳聲器為基準(zhǔn)，各傳聲器時延矢量按逆時針可形成一種矢量封閉的四邊形，該四邊形就代表了時延矢量封閉準(zhǔn)則，即：

(1)

圖1 聲信號時延矢量封閉示意圖

2 EEMD算法及其改進

2.1 EMD及EEMD理論

EMD方法是一種自適應(yīng)信號處理方法，根據(jù)非線性、非平穩(wěn)信號的自身特征時間尺度，將復(fù)雜信號分解為若干有限固有模態(tài)函數(shù)(Intrinsic Mode Function，IMF)和一個余項之和，各階IMF相鄰零點之間的每一個波動周期中只有一個單純的波動模式，反映了原始信號中包含的不同頻率成分，表征信號所包含的真實物理意義，而余項表示信號的趨勢。設(shè)聲信號為x(t)，則EMD分解成n階IMF分量后可表示為：

(2)

式中：ci(t)表示第i個IMF分量；rn(t)為余項；各IMF分量按頻率從高到低順序排列。

然而，在被動聲信號檢測過程中，由于信號頻率分布的間歇性或非平穩(wěn)信號與噪聲之間的耦合作用，EMD在實測信號分解時常伴有模態(tài)混疊現(xiàn)象，即單個或多個IMF分量中會包含差異極大的特征時間尺度，或相近的特征時間尺度被劃分到不同IMF中。以文獻[18]的坦克聲信號為例，采用傳統(tǒng)EMD方法進行分解的結(jié)果如圖2(a)和(b)，原始信號經(jīng)EMD分解為11個IMF分量，圖3(a)和(b)給出各分量歸一化功率譜，信號主要頻率成分已被全部分解出來，但分量IMF2、IMF3以及IMF4均包含了多種頻率成分，此外，185.5 Hz、29.3 Hz和9.77 Hz低頻成分有同時出現(xiàn)在多個IMF分量中，可以判定該信號EMD分解過程中出現(xiàn)了較為嚴重的模態(tài)混疊效應(yīng)，會增加實測信號分析的錯誤發(fā)生率，應(yīng)當(dāng)盡量避免。

(a) 某坦克聲信號及其EMD分量IMF1-IMF5

(b) EMD分量IMF6-IMF11

Wu在2009年提出了集合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)，利用高斯白噪聲具有頻率均勻分布的特性，使得含噪信號在不同頻率尺度上具有連續(xù)的特性，有效抑制EMD分解造成的模態(tài)混疊現(xiàn)象。聲信號EEMD分解具體步驟為：

(1) 在原始信號x(t)中加入均值為0，標(biāo)準(zhǔn)差為常數(shù)的高斯白噪聲后得到總體信號X(t)，對X(t)進行EMD分解，得到n′階IMF分量：

(3)

(a) 分量IMF1-IMF6對應(yīng)歸一化頻譜

(b)分量IMF7-IMF11對應(yīng)歸一化頻譜

(2) 給原始信號x(t)加入不同高斯白噪聲hj(t)，重復(fù)步驟(1)M次，得到第j次分解結(jié)果：

(4)

(3) 根據(jù)高斯白噪聲頻譜具有的零均值原理，減弱白噪聲作為時域分布參考結(jié)構(gòu)所產(chǎn)生的影響，原始聲信號的各階IMF分量可表示為：

(5)

根據(jù)張雪英等的研究，EEMD中加入高斯白噪聲的次數(shù)服從式(6)的統(tǒng)計規(guī)律

(6)

式中：M為加入高斯白噪聲的測試；ε為噪聲幅值系數(shù)；εn′為原始聲信號與各IMF分量之間的誤差。

(4) 原始聲信號x(t)分解為：

(7)

EEMD方法主要利用高斯白噪聲具有頻率均勻分布的統(tǒng)計特性來解決模態(tài)混疊問題。由于白噪聲具有在各個頻段能量一致和均值為零的特性，通過在原始信號中引入白噪聲后再進行EMD分解可以保證分解得到每階IMF分量在時域上的連續(xù)性。在原始信號中循環(huán)引入足夠多組不同的白噪聲后，經(jīng)過EMD分解可以得到多組IMF分量，對各組IMF分量分別求取平均值后作為最終分解結(jié)果。

2.2 基于多傳聲器最小有效頻率的EEMD算法

由于EEMD是在EMD基礎(chǔ)上進行改進，需要進行循環(huán)導(dǎo)入高斯白噪聲并反復(fù)分解，難免造成信號“過分解”或引入虛假成分，因此，必須考慮EEMD方法的信號分解效率，即：IMF篩分終止條件問題。陳仁祥等在標(biāo)準(zhǔn)EEMD的基礎(chǔ)上針對單傳感器信號提出了一種考慮頻率截止的EEMD方法，以原始信號本身的最小頻率作為終止條件，該方法可有效減少IMF分量的過分解，提高EEMD的分解效率，那么本文將引入最小頻率截止思想，提出一種針對多傳聲器陣列信號的多通道最小有效頻率的EEMD算法。具體步驟如下：

(1) 假設(shè)聲陣列包含N個傳聲器，對多傳聲器信號xi(t)，i=1，2，…,N分別進行功率譜分析，得到各個通道信號頻譜中的最小頻率，并以其中最小者作為各通道信號分解的截止頻率，記為fmin；

(2) 給各信號xi(t)分別加入一定幅值的高斯白噪聲υk(t)，即

Xi,k(t)=xi(t)+υk(t)

(8)

(3) 對各通道信號Xi,k(t)進行EMD，每分解出一個IMF分量ckji(t)，對ckji(t)作頻譜分析，并確定其主要頻率fkji，比較該分量主要頻率和fmin的大小，若fkji小于fmin，停止分解，否則繼續(xù)。由此得到一次加噪EMD的IMF分量組c11i,c12i,…,c1ji，其中，j表示IMF分量的階數(shù)；

(4) 對各通道信號連續(xù)進行K次加噪EMD，得到K組IMF分量，計算K次分解的IMF的總體均值，得到M層IMF分量，即為傳聲器信號xi(t)經(jīng)過EEMD分解的最終IMF分量，即：

(9)

需要說明的是，目標(biāo)信號的最小有效頻率選取應(yīng)適當(dāng)結(jié)合目標(biāo)振動信號的主要頻率成分和信號能量譜的主要分布來確定，防止因噪聲干擾造成的虛假頻率成分所產(chǎn)生的影響。

3 信息融合輔助改進EEMD的多傳聲器信號去噪

假設(shè)傳聲器組有N(N≥4)個傳聲器，首先進行聲陣列初始化，根據(jù)多傳聲器信號數(shù)據(jù)一致性，對所用傳聲器分別進行性能評估，給出多傳聲器綜合支持度λ=[λ1，λ2，…，λN]，進而確定最優(yōu)傳聲器組。

令各傳聲器信號為xi(t)，對所有信號進行功率譜分析，得到最小頻率fmin作為EEMD的篩分截止頻率，對所有傳聲器信號進行最小頻率EEMD分解，所得各通道信號的IMF分量階數(shù)為M=[M1，M2，…，MN]，取M=min(M1，M2，…，MN)層IMF分量進行去噪處理。

將相鄰傳聲器的對應(yīng)層IMF進行互相關(guān)時延計算，那么所有傳聲器信號的第j層IMF分量引起的時延差為：

τj=τ12+τ23+…+τN-1,N+τN,1,j=1,2,…,M

(10)

由式(10)進一步得出傳聲器組M層IMF分量的時延差向量τ：

τ=[τ1，τ2，…，τM]

(11)

由于環(huán)境噪聲的普遍存在性，則其一定不滿足矢量封閉準(zhǔn)則，因此，矩陣可以有效反映出EEMD分解后，多傳聲器信號在不同尺度上的信號相關(guān)程度。結(jié)合多傳聲器綜合支持度向量λ，確定各階IMF的權(quán)重閾值θ，

(12)

定義各層IMF權(quán)重為：

(13)

得到總體IMF分量對應(yīng)的權(quán)值矩陣為：

R=[r1,r2,…,rM]

(14)

由該矩陣可以發(fā)現(xiàn)，目標(biāo)信號應(yīng)為滿足時延矢量封閉性的信號，而權(quán)重趨于零的IMF分量即為噪聲。最后，將各階IMF乘以相應(yīng)權(quán)值，再按式(15)進行信號重構(gòu)，便能夠得出真實信號估計值，即降噪信號。

(15)

4 試驗信號分析

為了驗證對本文所提算法的可行性和有效性，進行了相應(yīng)的半實物仿真試驗，采用同類同介質(zhì)傳聲器，設(shè)計平面四元聲陣列，圖4為聲陣列試驗設(shè)計圖。陣列半徑為25 cm，四個傳聲器S1、S2、S3和S4對稱分布于圓形平面，對稱陣元連線相互垂直。以某坦克目標(biāo)聲信號作為聲源樣本S，平面四元聲陣列水平放置于測試點M，聲源距離陣列中心333 cm，方向角為90°，聲源及聲陣列均保持靜止。

聲陣列實物結(jié)構(gòu)如圖5所示，陣面平臺分為均勻的12個區(qū)域，相鄰區(qū)域輻射角度為30°。四個雙模預(yù)極化自由場傳聲器(型號：CHZ-213)對稱分布于圓形平面，對稱陣元連線相互垂直。采用PXI數(shù)據(jù)采集系統(tǒng)對聲信號進行采集，采樣頻率為62.5 kHz，量程為-4 V～+4 V，聲陣列中四個陣元分別對應(yīng)于PXI測試儀的四個信號采集通道，因此所采集到的聲信號為四通道信號。

圖4 聲陣列試驗原理圖

圖5 平面四元聲陣列實物圖

原始四通道信號及各通道信號對應(yīng)頻譜如圖6所示，chn1～chn4分別來自于傳聲器1～傳聲器4的測量信號，可以明顯發(fā)現(xiàn)傳聲器1的測量信號曲線及其頻譜與其他測量信號明顯不同，初步估計為傳聲器1特性不同于其他傳聲器或傳聲器1失效，通過傳感器數(shù)據(jù)一致性計算各傳聲器綜合支持度，可以確定最優(yōu)傳聲器組為傳聲器2、3和4，傳聲器1作為備選。

圖6 四通道信號及其歸一化頻譜

由于目標(biāo)聲信號為某坦克輻射聲信號，相關(guān)研究表明，坦克聲信號主要有空氣動力噪聲和機械振動噪聲組成，其中機械振動為主要噪聲源。坦克信號一般為寬帶信號，其能量譜為中低頻連續(xù)譜，主要能量集中于1 000 Hz以內(nèi)，發(fā)動機噪聲的周期性在頻域表現(xiàn)為一組窄帶的諧波線。另外根據(jù)能量譜中各頻率成分的統(tǒng)計發(fā)現(xiàn)，振動信號在200 Hz以下的低頻段仍有較為明顯的特征峰值，中頻噪聲則由基頻的高次諧波延伸所致。

因此，結(jié)合坦克目標(biāo)的振動特征，統(tǒng)計四通道信號的最小有效頻率分別為61.04 Hz、122.1 Hz、183.1 Hz和122.1 Hz，則選取通道1的61.04 Hz作為EEMD多通道信號分解的終止頻率，對通道1、2、3和4的信號進行分解，圖7～圖14分別為通道1～通道4信號經(jīng)過

多傳聲器最小有效頻率截止的EEMD分解結(jié)果及各通道分量頻譜。由圖7～圖10可以看出，經(jīng)過本文改進EEMD算法的分解各通道信號IMF分量數(shù)為6～7個，分量個數(shù)較EMD分解減少近一半。

再由圖11～圖14中各分量歸一化頻譜發(fā)現(xiàn)，改進EEMD已將多通道信號的主要頻率成分分解出來，由于坦克主要頻率成分分布于2 000 Hz以內(nèi)，則各通道IMF1分量可視為高頻噪聲，在各階分量互相關(guān)及權(quán)重計算時可不作考慮。著重考察最優(yōu)傳聲器組2、3和4的信號分解頻譜，如圖12、圖13和圖14所示，各通道信號分解余量均為61.04 Hz，而通道2最小頻率分量為IMF7=122.6 Hz，通道3為IMF6=183 Hz以及通道4為IMF7=122 Hz，該結(jié)果與原始信號譜分析結(jié)果相吻合。

圖7 通道1信號最小有效頻率截止EEMD分解結(jié)果

圖8 通道2信號最小有效頻率截止EEMD分解結(jié)果

圖9 通道3信號最小有效頻率截止EEMD分解結(jié)果

經(jīng)過改進EEMD的信號分解后，計算相鄰傳聲器的對應(yīng)層IMF互相關(guān)時延，結(jié)合多傳聲器綜合支持度向量λ=[0.246 0,0.251 9,0.252 0,0.250 1]，確定各階IMF的權(quán)重閾值θ=0.25，進而得到總體IMF分量對應(yīng)的權(quán)值矩陣R=[0,0,0,1,1,1,1]，最后將各階IMF乘以相應(yīng)權(quán)值，得到各通道信號的重構(gòu)信號，如圖15所示。

為了方便分析本文算法去噪效果，規(guī)定降噪信號與原始信號能量比、算法運行時間及信號分量階數(shù)作為算法降噪效果的衡量參量，其中能量比是降噪信號能量與原信號能量的比值，衡量去噪信號中所包含信息量，直接反映算法去噪水平，若能量比過大，則表明去噪后信號中尚有噪聲成分可能未能濾出；若能量比過小，則表明去噪后信號中不僅濾除了噪聲成分，也抑制了部分有用信號。運行時間及分量階數(shù)則反映了算法計算速度及效率。

圖10 通道4信號最小有效頻率截止EEMD分解結(jié)果

圖11 通道1信號最小有效頻率截止EEMD分量歸一化頻譜

Fig.11 Normalization frequency spectrum of channel 1 signal IMFs by minimum frequency cut-off EEMD

圖15為坦克四通道信號及其基于信息融合輔助改進EEMD的降噪結(jié)果，圖16為僅采用傳統(tǒng)EMD的降噪結(jié)果。表1給出了兩種方法在降噪水平及降噪效率方面的量化對比。表2為本文算法對聲陣列各傳聲器信號去噪的基本特征量化統(tǒng)計。

由表1可以看出，傳統(tǒng)EMD的信號分解階數(shù)和算法運算時間都明顯大于本文所提的信息融合輔助改進EEMD算法；在平均能量比方面，傳統(tǒng)EMD降噪能量比大于改進EEMD的降噪能量比，但實際上傳統(tǒng)EMD降噪能量比值過大，而本文算法降噪后能量比為合理值。通過圖15和圖16比較同樣能夠發(fā)現(xiàn)，傳統(tǒng)EMD在多傳聲器實測信號降噪中去噪效果并不明顯，說明未能有效濾除噪聲，而本文算法實現(xiàn)了對原信號的有效降噪，此外，結(jié)合目標(biāo)振動信號的能量分布狀況[1]可知，坦克聲信號的能量主要集中于100 Hz～500 Hz的中低頻段內(nèi)，這也同樣表明了本文所提算法也最大限度的保留了原始信號中的有用信息。

圖12 通道2信號最小有效頻率截止EEMD分量歸一化頻譜

Fig.12 Normalization frequency spectrum of channel 2 signal IMFs by minimum frequency cut-off EEMD

圖13 通道3信號最小有效頻率截止EEMD分量歸一化頻譜

Fig.13 Normalization frequency spectrum of channel 3 signal IMFs by minimum frequency cut-off EEMD

將本文所提算法的多通道信號去噪結(jié)果與原始信號進行對比統(tǒng)計，結(jié)果如表2所示，通道Chn2、Chn3以及Chn4原始信號經(jīng)信息融合輔助的改進EEMD方法去噪后的重構(gòu)信號分別在均值、最大值及最小值三個因素的相對誤差均小于5%，并且這三個通道的重構(gòu)信號相對剩余能量均保持在90%左右，說明重構(gòu)信號較好地保留了目標(biāo)信號的基本特征(均值、最大值、最小值及能量值)。

Fig.14 Normalization frequency spectrum of channel 4 signal IMFs by minimum frequency cut-off EEMD

圖15 四傳聲器原始信號及改進EEMD去噪信號

Fig.15 Original signal and the relevant de-noising results of four sensors by improved EEMD

圖16 四傳聲器原始信號及傳統(tǒng)EMD去噪信號

傳統(tǒng)EMD本文算法運算時間/s3.311.82IMF階數(shù)116、7降噪信號平均能量比/%96.4290.66

值得注意的是，在表2中，通道1重構(gòu)信號的基本特征相對誤差很大，基本超過了21%，遠大于其他通道重構(gòu)信號的同類特征，說明通道1的原始信號受到了較多的噪聲干擾而造成了信號失真，進一步反映了該聲陣列中傳聲器1處于支持度較低(故障或失效)的狀態(tài)，這正是多傳聲器數(shù)據(jù)一致性融合的綜合支持度計算結(jié)果的另一個角度的體現(xiàn)。

因此，基于信息融合輔助最小有效頻率EEMD的多傳聲器陣列信號去噪方法能夠有效的抑制陣列信號中的噪聲干擾，提高了信號分解及降噪效率，較好地保留原始信號中的有用信息，而且在一定程度上優(yōu)化了聲陣列中的傳聲器資源配置，綜合支持度高的傳聲器信號得到增強，而綜合支持度低的傳聲器信號受到了抑制。

表2 信息融合輔助改進EEMD對各通道信號去噪效果統(tǒng)計

5 結(jié) 論

本文針對多傳聲器陣列信號降噪問題提出一種基于多傳聲器信息融合輔助改進EEMD的被動聲信號去噪方法。

(1) 提出了一種新的多傳聲器EEMD信號分解方法，該方法采用多通道信號總體最小有效頻率作為IMF分量的篩選終止條件，在實測信號分解時，大幅減少IMF分量階數(shù)，同時較好地克服了傳統(tǒng)EMD信號分解產(chǎn)生的模態(tài)混疊效應(yīng)，有效抑制標(biāo)準(zhǔn)EEMD分解時引入的冗余虛假分量，從而提高信號去噪效率。

(2) 根據(jù)多傳聲器時延估計特性，引入聲信號時延封閉準(zhǔn)則，結(jié)合數(shù)據(jù)一致性融合理論及陣列信號相關(guān)系，對多傳聲器各層IMF分量賦予合理化權(quán)重，對各分量重構(gòu)后實現(xiàn)多通道信號去噪。

(3) 通過靜態(tài)四元平面聲陣列試驗表明，本文所提的多傳聲器信息融合輔助改進EEMD信號去噪方法具有良好的去噪效果，同時優(yōu)化了多傳聲器資源配置，為下一步聲陣列目標(biāo)探測的工程實現(xiàn)提供一種可靠的理論方法。

[1] 呂艷新. 被動聲目標(biāo)識別理論研究[D]. 南京：南京理工大學(xué)，2011.

[2] 申永軍，楊紹普，張光明. 基于分數(shù)Fourier變換的自適應(yīng)信號降噪方法[J]. 振動工程學(xué)報，2009，22(3): 292-297.

SHEN Yongjun, YANG Shaopu, ZHANG Guangming. Adaptive noise reduction method on frational Fourier transform[J]. Journal of Vibration Engineering, 2009, 22(3): 292-297.

[3] ALVANITOPOULOS P F, PAPAVASILEIOU M, ANDREADIS I, et al. Seismic intensity feature construction based on the Hilbert-Huang transform[J]. IEEE Transactions on Instrumentation and Measurement, 2012, 61(2):326-337.

[4] 章浙濤，朱建軍，匡翠林. 小波包多閾值去噪法及其在形變分析中的應(yīng)用[J]. 測繪學(xué)報，2014，43(1):13-20.

ZHANG Zhetao, ZHU Jianjun, KUANG Cuilin. Multi-threshold wavelet packet de-noising method and its application in deformation analysis[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(1): 13-20.

[5] 陽子婧，蔡力鋼，高立新. 自適應(yīng)冗余提升小波降噪分析及其在軸承故障識別中的應(yīng)用[J]. 振動與沖擊，2013，32(7):54-57.

YANG Zijing, CAI Ligang, GAO Lixin. Adaptive redundant lifting wavelet de-noising analysis and its application in bearing fault identification[J]. Journal of Vibration and Shock, 2013, 32(7):54-57.

[6] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A-Mathematical Physical and Engineering Sciences, 1998, 5454: 903-995.

[7] Lü Y X, GU X H. An adaptive noise cancelling method based on EMD for acoustic in battlefield[C]. The 8th International Congress on Image and Signal Processing, 2009: 4053-4056.

[8] 賈瑞生，趙同彬，孫紅梅，等. 基于經(jīng)驗?zāi)B(tài)分解及獨立成分分析的微震信號降噪方法[J]. 地球物理學(xué)報，2015，58(3): 1013-1023.

JIA Ruisheng, ZHAO Tongbin, SUN Hongmei. Micro-seismic signal denoising method based on empirical mode decomposition and independent component analysis[J]. Chinese Journal of Geophysics, 2015,58(3): 1013-1023.

[9] ALVANITPOOULOS P F, PAPAVASILEIOU M, ANDREADIS I, et al. Seismic intensity feature construction based on the Hilbert-Huang transform[J]. IEEE Transactions on Instrumentation and Measurement, 2012, 61(2): 326-337.

[10] 蘇文勝，王奉濤，張志新，等. EMD降噪和譜峭度法在滾動軸承早期故障診斷中的應(yīng)用[J]. 振動與沖擊，2010，29(3): 18-21.

SU Wensheng, WANG Fengtao, ZHANG Zhixin, et al. Application of EMD denoising and spectral kurtosis in early fault diagnosis of rolling element bearings[J]. Journal of Vibration and Shock, 2010, 29(3): 18-21.

[11] 湯寶平，董紹江，馬婧華. 基于獨立分量分析的EMD模態(tài)混疊消除方法研究[J]. 儀器儀表學(xué)報，2012，33(7): 1477-1482.

TANG Baoping, DONG Shaojiang, MA Jinghua. Study on the method for eliminating mode mixing of empirical mode decomposition based on independent component analysis[J]. Chinese Journal of Scientific Instrument, 2012, 33(7): 1477-1482.

[12] 趙志宏，楊紹普，申永軍. 一種改進的EMD降噪方法[J].振動與沖擊，2009，28(12): 35-37.

ZHAO Zhihong, YANG Shaopu, SHEN Yongjun. Imporved EMD based de-noising method[J]. Journal of Vibration and Shock, 2009, 28(12): 35-37.

[13] WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.

[14] 陳仁祥，湯寶平，馬婧華. 基于EEMD的振動信號自適應(yīng)降噪方法[J]. 振動與沖擊，2012，31(15): 83-86.

CHEN Renxiang, TANG Baoping, MA Jinghua. Adaptive de-noising method based on ensemble empirical mode decomposition for vibration signal[J]. Journal of Vibration and Shock, 2012, 31(15): 83-86.

[15] 黃杰，張梅軍，柴凱，等. 基于頻率截止的EEMD方法研究[J]. 振動與沖擊，2015，34(8): 101-105.

HUANG Jie, ZHANG Meijun, CHAI Kai, et al. An improved EEMD method based on cut-off frequency[J]. Journal of Vibration and Shock, 2015, 34(8): 101-105.

[16] ZHENG J D, CHENG J S, YANG Y. Partly ensemble empirical mode decomposition: An improved noise-assisted method for eliminating mode mixing[J]. Signal Processing, 2014, 96: 362-374.

[17] 張雪英，謝飛，喬鐵柱，等. 基于EEMD與改進小波閾值的磁記憶信號降噪研究[J]. 太原理工大學(xué)學(xué)報，2015，46(5): 592-597.

ZHANG Xueying, XIE Fei, QIAO Tiezhu, et al. Denoising algorithm for metal magnetic memory signals based on EEMD and improved semi-soft wavelet threshold[J]. Journal of Taiyuan University of Technology, 2015, 46(5): 592-597.

[18] 呂艷新，顧曉輝. 多傳聲器小波多尺度信息融合濾波算法[J]. 儀器儀表學(xué)報，2012，33(4): 788-794.

Lü Yanxin, GU Xiaohui. Filtering algothm for multi-microphones based on wavelet multi-scale information fusion[J]. Chinese Journal of Scientific Instrument, 2012，33(4): 788-794.

[19] DI Y，GU X H. A data consistency method for multiple acoustic sensors based on frequency spectrum similarity algorithm[C]//IEEE Advanced Information Technology, Electronic and Automation Control Conference, 2015: 1161-1166.

A signal de-noising method for multi-microphone array based on information fusion and improved EEMD

DI Yi1, GU Xiaohui1, LONG Fei2

(1.School of Mechanical Engineering, Nanjing University of Sci. & Tech. Nanjing 210094, China;2. Institute of Intelligent Information Processing, Guizhou University, Guiyang 550025, China)

Aiming at multi-microphone signal de-noising problem in acoustic array, a signal de-noising method based on information fusion and improved ensemble empirical mode decomposition (EEMD) was proposed here. Firstly, an improved EEMD algorithm taking the ensemble minimum effective frequency of multi-channel signals as the cut-off frequency of EEMD was introduced. Original signals were decomposed rapidly into complete IMF components with the improved EEMD algorithm to suppress effectively mode mixing phenomena and false IMF components. Secondly, through introducing the time delay vector close rule(TDVCR) and the data consistency fusion theory, the weight matrix of IMFs was computed according to the correlation of corresponding IMFs, and then the de-noising signals were reconstructed with the weighted IMF components. Finally, through the semi-physical simulation tests of acoustic array and comparing with the traditional EMD signal de-noising, the effectiveness and applicability of the proposed method were verified.

acoustic array; signal de-noising; ensemble empirical mode decomposition (EEMD); data consistency fusion; time delay vector close rule (TDVCR)

國家自然科學(xué)基金(61263005)

2016-04-08 修改稿收到日期：2016-06-11

邸憶 男，博士生，1987年10月生

顧曉輝 男，博士，教授，1964年2月生 E-mail：gxiaohui@njust.edu.cn

文獻標(biāo)志碼： A DOI:10.13465/j.cnki.jvs.2017.15.020