一种基于变分模态分解的超宽带雷达回波信号预处理方法

摘要

本公开关于一种基于变分模态分解的超宽带雷达生命回波信号处理办法，包括以下步骤：通过超宽带雷达生命探测仪获取回波信号；针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对变分模态分解的重要参数α和K进行优化；应用优化得到的参数α和K对原始信号进行VMD分解；在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构；以及对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号。由此，根据采集到的回波信号特点，实时确定对应变分模态分解的两个重要参数，实现变分模态的自适应分解，可以适应更多复杂现场。

说明书

技术领域

本公开涉及超宽带雷达回波信号预处理技术领域，尤其涉及基于超宽带雷达的生命探测仪回波信号的预处理办法。

背景技术

生命探测雷达技术在军用和民用两方面有着广阔的应用前景，如战场上战后伤员搜救，反恐行动中被劫人质的营救，以及地震或塌方后废墟中幸存人员的搜寻等。在灾难营救领域中，将超宽带雷达技术引入生命探测仪，对探测仪的抗干扰能力和穿透能力都有很大的提升，但是超宽带雷达生命探测仪回波信号中依旧会夹杂着大量的复杂噪声，使回波信号的淹没程度较高，无法从中获取有用的呼吸和心跳信号。因此，准确、快速地从回波信号中分离出有用信号是提高生命探测仪性能的关键技术。

为解决超宽带雷达回波信号中的噪声问题，目前较为主流的方法包括小波变换去噪方法和经验模态分解方法。这两种方法都是将信号从不同的角度进行分解，再根据分解得到不同分量进行信号的重构选择。其中，小波变换是一个时间和频率的局域变换，具有良好的时频局部化特性。它通过伸缩平移运算对信号逐步进行多尺度细化，可以实现信号的高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。但是，在使用小波变化方法时需要人工确定小波基函数和分解层数，无法根据信号特性自适应分解以达到去噪的目的，很难适应复杂多变的救灾抢险现场。另一种经验模态分解方法，可以将信号自适应分解成不同特征尺度上的分段固有模态函数，各个模态分量按时间尺度从小到大依序排列。该方法虽然可以实现信号的自适应分解，但是在分解过程中会出现模态混叠问题以及端点效应，影响最终的分解结果。由此可见，找到一种超宽带雷达回波信号的预处理办法对挽救人们的生命具有重要意义。

发明内容

针对以上现有的问题，本发明提出了一种基于遗传变异粒子群优化变分模态分解(Variational Mode Decomposition，简称VMD)的超宽带雷达生命回波信号处理办法。

根据本公开的第一方面，提供一种基于变分模态分解的超宽带雷达生命回波信号处理办法，包括以下步骤：通过超宽带雷达生命探测仪获取回波信号；针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对变分模态分解的重要参数α和K进行优化；应用优化得到的参数α和K对原始信号进行VMD分解；在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构；以及对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号。

在本公开中，所述遗传变异粒子群寻优算法包括：假设在D维空间，初始化由n个粒子组成的粒子群X＝(X1,X2,…,Xn)，其中其中第i个粒子表示为一个D维向量X＝(Xi1,Xi2,…,XiD)T，以及对应粒子速度V＝(Vi1,Vi2,…,ViD)T；根据给定的以互信息为支撑的适应度函数，计算每一个初始粒子的适应度函数，适应度函数表示如下；

定义两个离散的随机变量X，Y之间的互信息I(X；Y)为：

p(x,y)是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数，各模态分量之间的互信息之和为：

其中IMF(k)表示为原始回波信号f经VMD分解之后的第k个模态分量，K为此次VMD分解的模态数。

并且，各模态分量与原始信号f之间的互信息之和为：

根据各粒子的适应度函数值，寻找种群对应的个体极值T＝(Ti1,Ti2,…,TiD)T和当前种群的群体极值Pg＝(Pg1,Pi2,…,PgD)T；

根据所述个体极值和群体极值，通过公式(5)更新经过遗传变异之后的每一个粒子的运动速度，再通过公式(6)更新当前每一个粒子所在位置：

其中，ω为惯性权重；k为当前迭代次数；Vid为粒子速度；c1和c2是加速度因子；r1和r2是各自给定区间的随机整数；

重新计算当代粒子群体中每个粒子所在位置的适应度函数值，当代粒子群体的适应度函数与公式(1)中的适应度函数相同；计算当代群体中的个体极值与群体极值，通过与当前的个体极值和群体极值比较，若当代某粒子为更优粒子，保留该粒子位置信息以及该粒子的适应度函数值，并将该粒子设定为最优粒子；判断是否满足终止条件，如果满足终止条件，结束算法；如果不满足终止条件，重复上述步骤直到满足条件为止，所述终止条件为迭代次数；提取出经过遗传变异粒子群寻优算法寻找到的最优参数α和K，寻优过程结束。

根据本公开的第二方面，提供一种基于变分模态分解的超宽带雷达生命回波信号处理装置，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器，其中，所述处理器被配置为执行所述指令，以实现如前所述的方法。

根据本公开的第三方面，提供一种存储介质，当所述存储介质中的指令由基于遗传变异粒子群优化变分模态分解的超宽带雷达生命回波信号处理装置的处理器执行时，使得基于遗传变异粒子群优化变分模态分解的超宽带雷达生命回波信号处理装置能够执行如前所述的方法。

本发明提供的一种基于粒子群优化的超宽带雷达生命探测仪回波信号的预处理办法，以超宽带雷达使用的现场环境为依据，根据采集到的回波信号特点，实时确定对应变分模态分解的两个重要参数，实现变分模态的自适应分解，可以适应更多复杂现场。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

图1为本发明一种基于粒子群优化变分模态分解的超宽带雷达回波信号处理方法流程图；

图2为本发明粒子群优化算法流程图；

图3为本发明实例信号波形；

图4为本发明变分模态分解过程流程图；

图5为本发明粒子群算法寻优过程最优个体适应度函数值变化过程；

图6为本发明信号的变分模态分解结果；

图7为本发明各个模态分量频谱图；

图8为本发明重构信号结果图；

图9为本发明最终处理结果图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

根据本公开的一个方面，提供一种基于粒子群优化变分模态分解的超宽带雷达回波信号处理方法，以超宽带雷达使用的现场环境为依据，根据采集到的回波信号特点，实时确定对应变分模态分解的两个重要参数，实现变分模态的自适应分解，可以适应更多复杂现场。

图1示出了根据本公开的一种基于粒子群优化变分模态分解的超宽带雷达回波信号处理方法流程图。

参照图1，首先，在步骤101中，获取回波信号。

具体地，通过超宽带雷达生命探测仪采集回波信号，回波信号的波形图如图2所示。

根据本公开的实施例，在步骤102中，通过遗传变异粒子群寻优算法优化分解模态数K以及惩罚因子a。

具体地，针对采集到的回波信号的特点，应用遗传变异粒子群寻优算法，对VMD分解的重要参数α和K进行优化。首先，初始化粒子群算法的重要参数。初始化最大迭代代数为25代、粒子群中的粒子个数为20个、速度限定范围[-3,3]、α范围[200,3000]、K值范围[3,12]，以及在指定范围的随机粒子的初始速度和粒子位置。由于所优化的参数α和K必须是整数形式，因此初始化的粒子位置和速度以及对应步长都应该是整数形式。

根据本公开的实施例，图3示出了粒子群优化算法的流程图。

参照图3，在步骤301中，初始化粒子群和速度。

具体地，假设在D维空间，初始化由n个粒子组成的粒子群X＝(X

在步骤302中，计算每个粒子的适应度值。

具体地，根据给定的以互信息为支撑的适应度函数，计算每一个初始粒子的适应度函数值，适应度函数确定方法如下；

根据本公开的方面，定义两个离散的随机变量X，Y之间的互信息I(X；Y)为：

其中，p(x,y)是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数。

根据本公开的方面，计算各模态分量之间的互信息之和：

其中IMF(k)表示为原始回波信号f经VMD分解之后的第k个模态分量，K为此次VMD分解的模态数。

根据本公开的方面，计算各模态分量与原始信号f之间的互信息之和：

根据本公开的方面，得到适应度函数：

根据本公开的方面，以此函数作为适应度函数时，可以使分解之后的各模态分量在保留原始信号特征的同时，彼此之间更好的分离，有效地避免模态混叠现象以及特征信息丢失现象的发生。图5示出了本发明粒子群算法寻优过程最优个体适应度函数值变化过程。

在步骤303中，寻找个体极值和群体极值。

具体地，根据各粒子的适应度函数值，寻找种群对应的个体极值T＝(T

在步骤304中，进行速度更新和位置更新。

具体地，根据在步骤303中得到的个体极值和群体极值，通过公式(5)更新经过遗传变异之后的每一个粒子的运动速度，再通过公式(6)更新当前每一个粒子所在位置：

其中，ω为惯性权重；k为当前迭代次数；V

在步骤305中，计算当前每个粒子的适应度。

具体地，重新计算当代粒子群体中每个粒子所在位置的适应度函数值，适应度函数与步骤302中的适应度函数相同；

在步骤306中，更新个体极值和群体极值。

具体地，计算当代群体中的个体极值与群体极值。通过与当前的个体极值和群体极值比较，若当代某粒子为更优粒子，保留该粒子位置信息以及该粒子的适应度函数值，并将该粒子设定为最优粒子。具体地，引入遗传变异粒子群算法解决传统粒子群寻优算法的局部极值问题，并进行粒子位置更新及适应度数值更新。变异遗传过程如下：判断当前的最大值保持代数数值，根据该数值的大小，对应的粒子变异概率如表1所示：

表1.粒子变异概率表

在步骤307中，判断是否满足终止条件，如果满足终止条件，结束算法；如果不满足终止条件，重复步骤304～步骤306，直到满足条件为止。这里的终止条件为迭代的最大次数。

在步骤308中，得到最佳参数组合。

具体地，提取出经过遗传变异粒子群寻优算法寻找到的最优参数α和K，寻优过程结束。

在本公开的方面，返回参照图1，在步骤103中，应用经过步骤102优化得到的参数α＝2052和K＝4对原始信号进行VMD分解。

根据本公开的实施例，构造假设每个模态是具有中心频率的有限带宽，描述为寻求K个模态，使得每个模态的估计带宽之和最小，约束条件为各模态之和等于输入信号f的变分问题。其模型为：

根据本公开的实施例，针对以上问题引入二次惩罚因子α和拉格朗日惩罚算子λ(t)，以保证信号在噪声环境下的重构精度，并将所述的约束性变分问题转换为非约束变性分问题，获得增广拉格朗日表达式如下：

根据本公开的实施例，应用交替方向乘子法对如上变分问题进行求解，通过迭代更新

参照图4，首先，初始化{u

接着，开始进行迭代计数变量自加，令n＝n+1。同时对

其中ω

然后，采用Parseval/Plancherel Fourier等距变换将式子(9)转换到频域，得到公式(10)：

用ω-ω

将式(11)转换到非负频率区间积分的形式：

得到待求解的二次优化问题解为：

将中心频率取值问题转换到频域：

解得中心频率为：

其中，

对

对可分解得模态数值进行自加运算，即k＝k+1，重复以上步骤。

当k＝K时，根据：

更新计算λ数值。

接着，判断是否满足给定的判别精度，若满足如公式(17)所示迭代停止条件：

根据本公开的实施例，整个VMD分解过程结束，输出结果为K个IMF模态分量，否则重复以上步骤。由此得到如图6所示的分解图以及如图7所示的各模态分量的频谱图。

根据本公开，返回参照图1，在步骤104中，按照频率特征选择合适分量进行信号重构。

具体地，在K个IMF分量中根据雷达发射机发出信号的中心频率大小选择出对应的可用于信号重构的IMF分量，并进行信号重构。图8示出了重构信号图。

在步骤105中，对重构信号进一步处理。

具体地，对重构得到的信号进行简单的滤波处理，凸显出信号的本质特征，弱化噪声干扰，得到最终输出信号，如图9所示。

另外，在当前实施例中，可以以超宽带雷达的一阶高斯脉冲为例来描述通过超宽带雷达生命探测仪采集回波信号。

根据归一化之后的高斯脉冲表达式：

对其求一阶导数得到一阶高斯信号表达式：

根据如上公式，产生多个高斯脉冲，并在该信号基础上加入随机的噪声干扰，模拟得到最终的回波信号f。其中参数a通常称为脉冲波形成型因子，该值决定了脉冲的宽度和幅度，当a减小时，脉冲幅度增大，脉冲宽度变窄，脉冲能量谱密度越集中。

在根据本发明的实施例中，在分解过程中，模态分量分解过少时，VMD分解会出现模态混叠或者丢失模态的现象，而过多的模态分解则会出现过分解现象，信号出现多余的残余分量，此外，VMD分解过程中平衡约束参数α对信号分解结果也存在影响：平衡约束参数α值越小，分解后所得到各个本征模态分量的带宽越大，容易出现中心频率重叠以及模态混叠的现象；平衡约束参数α值越大，则各本征模态分量的带宽越小，中心频率重叠以及模态混叠的现象消失。

根据本公开的优选实施例，采用粒子群寻优算法对VMD分解的模态个数K和平衡约束参数α进行优化，通过不断地迭代更新粒子位置和速度，最终实现在特定范围内的分别寻优，找到符合条件的最优参数组合。该寻优算法可以很有效的解决在变分模态分解中的分解模态数K以及平衡约束参数α难以确定的问题，将原有的经验理论进行量化，对变分模态分解的重要参数确定提供了一定的理论依据的同时，还实现了超宽带雷达回波信号的自适应分解，对超宽带雷达回波信号的处理具有重要意义。

根据本公开，在分解过程中，模态分量分解过少时，VMD分解会出现模态混叠或者丢失模态的现象，而过多的模态分解则会出现过分解现象，信号出现多余的残余分量，此外，VMD分解过程中平衡约束参数α对信号分解结果也存在影响：平衡约束参数α值越小，分解后所得到各个本征模态分量的带宽越大，容易出现中心频率重叠以及模态混叠的现象；平衡约束参数α值越大，则各本征模态分量的带宽越小，中心频率重叠以及模态混叠的现象消失。

在实施例中，提供一种基于变分模态分解的超宽带雷达生命回波信号处理装置，其特征在于，包括处理器和用于存储所述处理器可执行指令的存储器，其中，所述处理器被配置为执行所述指令，以实现前面实施例所述的方法。而且，根据本公开的方面，本申请可以体现为一种存储介质，当所述存储介质中的指令由基于遗传变异粒子群优化变分模态分解的超宽带雷达生命回波信号处理装置的处理器执行时，使得基于遗传变异粒子群优化变分模态分解的超宽带雷达生命回波信号处理装置能够执行如前面实施例所述的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。