论文翻译六：A novel underwater acoustic signal denoising algorithm for Gaussian/non-Gaussian impulsive

30天挑战翻译100篇论文

坚持不懈，努力改变，在翻译中学习，在学习中改变，在改变中成长…

A novel underwater acoustic signal denoising algorithm for Gaussian/non-Gaussian impulsive noise

高斯/非高斯脉冲噪声的水下声信号去噪新算法

Jingjing Wang, Member, IEEE, Jiaheng Li, Shefeng Yan, Senior Member, IEEE, Wei Shi, Xinghai Yang, Ying
Guo and T. Aaron Gulliver, Senior Member, IEEE

摘要—水下声学（UWA）通道中的高斯/非高斯脉冲噪声严重影响了水下声通信的质量。 常见的降噪算法基于高斯噪声模型，难以应用于高斯/非高斯脉冲噪声的共存。 因此，本文结合对称的α稳定（SαS）分布和正态分布描述了一种新的UWA噪声模型。 此外，提出了一种新的水下声信号去噪算法，称为AWMF + GDES。
首先，通过自适应窗中值滤波器（AWMF）来自适应抑制非高斯脉冲噪声。 其次，提出了一种具有新阈值函数的增强小波阈值优化算法，以抑制高斯噪声。
基于最佳点集和动态精英群体指导相结合的模拟退火选择人工蜂群（GDES-ABC）算法获得最优阈值参数。
数值仿真结果表明，与现有算法相比，所提出的GDESABC算法的收敛速度和收敛精度分别提高了25％〜66％和21％〜73％。 最后，实验结果验证了本文提出的水下声信号去噪算法的有效性，并证明了基于GDES-ABC的小波阈值优化方法和AWMF + GDES算法均可获得较高的输出信噪比（SNR）。 ，噪声抑制率（NSR）和较小的均方根误差（RMSE）。

关键词-高斯/非高斯噪声，SαS，中值滤波器，小波阈值优化，SNR。

1.简介

声波是唯一可以实现水下介质和长距离传输的载体，因此在水下通信领域得到了广泛的应用。
但是，在水下声波（UWA）通信过程中，复杂的海洋环境噪声会影响声波信号，从而导致声波信号的降级和失真以及通信质量的下降[1]，[2]。

根据统计的中心极限定理，UWA噪声可描述为高斯噪声。 因此，水下大多数声信号处理方法都是基于高斯噪声假设的。 但是，很少有源会在特定的频率范围内占主导地位，这会通过限制噪声源的数量来与中心极限定理相抵触[3]。 此外，信号[4]-[6]中存在随机非高斯脉冲噪声，并且UWA噪声的概率密度函数（PDF）比高斯分布具有“更重的尾巴”。 当使用高斯噪声行为进行设计时，这将使系统的性能欠佳甚至更差。 因此，全面研究UWA噪声模型至关重要。
关于UWA噪声PDF的文献中已经提出了几种模型[3]，[7] – [11]，[14]。 高斯混合模型被广泛用于表征UWA噪声。
但是，用少量高斯[3]无法捕获较重的尾部。 与高斯混合模型相比，对称α稳定（SαS）分布具有脉冲噪声的“重尾”统计特征，使其与水下脉冲噪声的产生机理和传播条件相一致[7]。 不幸的是，它有一个局限性，除了α= 1,2 [3]之外，没有闭合形式的分布。 通过描述噪声源的时空规律和噪声的传播特性，Middleton模型的参数具有物理意义[11]。 在实践中，UWA噪声同时遭受无高斯脉冲噪声和高斯噪声的影响，如图1 [12]，[13]所示。
因此，用Middleton模型[14]很难确定几个参数。 因此，本文描述了结合SαS分布和正态分布模型的UWA噪声的组合噪声模型。 此外，高斯噪声和非高斯脉冲噪声的能量由SNR和混合信噪比（MSNR）定义

可以使用标准中值滤波器（SMF）抑制上述非高斯脉冲噪声。 但是，SMF处理接收信号的有用部分并使感兴趣的信号（SOI）失真。 为了解决这个问题，已经提出了各种改进的滤波算法[15]，[16]。 Vijaykumar等。 [17]提出了一种基于快速切换的中值均值滤波器，使用极小值和最大值来识别噪声，并将其替换为中值或均值。 Chanu等。 [18]提出了一种两级开关矢量中值滤波器，该滤波器两次检测到脉冲噪声，并用加权矢量中值代替噪声，以抑制脉冲噪声，同时保留SOI的细节。

另一方面，可以使用各种现有方法来有效地抑制高斯噪声，例如滤波方法，小波变换（WT）方法，经验模态分解（EMD）方法[19] – [21]和多级奇异频谱分析（MSSA） [22]。 在这些方法中，小波阈值方法被广泛使用，因为它可以获得SOI的渐近最优估计[23] – [25]。 阈值估计和阈值函数的构造是小波阈值方法的两个关键因素。 当前，广泛使用的阈值估计方法是Donoho和Johnstone等人提出的统一阈值估计方法。 [26] – [28]。 统一阈值估计方法基于高斯噪声模型下多维独立正态变量的决策理论。 此外，软阈值功能和硬阈值功能设计用于缩小小波系数并获得高去噪性能。 然而，上述方法取决于噪声方差的准确估计，并且难以应用于实际的未知噪声方差。
此外，上述方法根据固定结构缩小小波系数，这缺乏自适应性并降低了信号处理的灵活性。

为了克服上述局限性，Yi等人。 [29]提出了一种改进的基于Sigmoid函数的阈值方法，并讨论了小波基函数的类型，分解层数，阈值选择规则和阈值函数对降噪性能的影响。 Sumithra等。 [30]提出了一种修整阈值方法，以实现软阈值和硬阈值之间的折衷，以便有效地提高背景噪声中SOI的质量。 辛格等。 [31]使用调制信道选择作为阈值函数，并提出了一种基于小波包的去噪方法，与其他算法相比，该方法能够获得更高的输出信噪比。 基于改进的阈值功能，Zhang等人。 [32]提出了一种双树复数小波变换（ITF-DTCWT）去噪算法，以确保近似的平移不变性并减少信号失真。

为了进一步提高小波阈值方法的性能，已经使用了各种群体智能优化方法来优化阈值参数。 Sun等。 [33]提出了一种基于Shearlet变换和粒子群优化（PSO）算法的去噪方案。
该方案能够有效地消除伪吉布斯现象和噪声。 Bhutada等。 [34]通过最小化期望信号和输出信号之间的均方误差（MSE），优化了基于PSO算法的自适应阈值参数。 他等。 [35]提出了一种改进的基于双曲正切函数的阈值函数，并使用人工鱼群算法最小化了重构信号和预期信号的MSE，以获得最佳阈值参数。

但是，上述群体智能优化算法仍存在一些不足，例如收敛速度慢和局部细化不足[36]-[38]。 Kong等。 [39]提出了一种改进的人工蜂群算法（ABC），该算法基于精英群体指导和组合的广度深度搜索策略（ECABC），能够在短时间内实现较高的收敛精度。 Zhang等人基于三种动态调整策略来提高PSO算法的优化性能。 [40]提出了一种参数小波阈值信号去噪方法（MPSO）来优化小波阈值参数。 重构信号与预期信号之间的MSE用作MPSO的适应度函数，有效改善了输出信号的SNR和噪声抑制比（NSR）。

实际的水下声学通道包含高斯和非高斯脉冲噪声。 因此，难以直接应用基于群体智能优化的上述去噪算法。 首先，由于缺乏建立阈值函数的一般原理，难以构造阈值函数。 其次，阈值参数的确定是一个迭代过程，通常达到次优值而不是最优值。 第三，迭代次数的增加减少了种群的多样性，这将使上述算法陷入局部最优。

因此，本文提出了一种基于自适应窗中值滤波器结合小波阈值优化的水下声信号去噪算法AWMF + GDES。 首先，通过结合SαS分布和正态分布模型来描述水下声学通道中的高斯/非高斯脉冲噪声。 然后，提出了一种自适应窗中值滤波器（AWMF）来抑制非高斯脉冲噪声。 其次，在传统的小波阈值方法的基础上，设计了新的阈值函数，得到了需要优化的阈值参数。 然后，使用GDESABC算法获得最佳阈值参数，并抑制高斯噪声。 GDES-ABC算法的主要改进包括基于良好点集的种群初始化，基于动态精英群的邻域搜索以及模拟退火选择机制。

本文的贡献如下：

• 通过结合SαS分布和正态分布，描述了一个新的UWA噪声模型，并分别由SNR和MSNR定义了高斯噪声和非高斯脉冲噪声的能量。
  与现有的几种模型相比，所提出的模型可以捕获带有少量高斯的较重尾巴，并且每个α都具有闭合形式的分布。

• 根据脉冲噪声含量，AWMF根据所提出的自适应调整规则自适应地更改滤波器窗口的大小，从而有效地平衡了滤波器的滤波性能和计算复杂度。

• 为了减少伪吉布斯现象，设计并验证了新的阈值函数，以提高阈值收缩处理的连续性和平滑性。 同时，利用GDES-ABC算法获得最优阈值参数，提高了阈值参数的估计精度。 数值仿真表明，所提出的小波阈值优化方法可以有效地降低高斯噪声。

• GDES-ABC算法的三个改进如下：1）基于优良点集理论初始化初始种群，以确保种群的平均性和多样性。 2）将随机域搜索方法替换为基于动态精英组的域搜索方法，以加快收敛速度​​并提高搜索效率。 3）基于模拟退火机制的域选择可以防止算法陷入局部最优。 数值仿真结果表明，与现有算法相比，GDES-ABC算法的收敛速度和收敛精度分别提高了25％〜66％和21％〜73％。

在本文中，将对性能进行详细检查，并将其与使用模拟和真实数据的现有方法进行比较。 数值模拟和实验结果证明并验证了所提出的AWMF + GDES方法可以有效地改善水下声信号的接收性能。

本文的其余部分安排如下。 第二部分介绍了系统模型。 第三节介绍了拟议的水下声信号降噪算法。 分别使用第四部分和第五部分中的模拟数据和实际数据验证了所提算法的有效性。 最后，第六节总结了论文。

2.系统模型

对于单输入单输出（SISO）水下声学通信系统，接收器接收到的信号y（t）以数字形式描述为一组离散样本：

其中s（i）是具有随机幅度和相位的随机SOI; e（i）是加性背景噪声； N是样本总数。 去噪的目的是通过使用滤波器，WT，EMD或其他信号处理方法从y（i）中恢复SOI的估计信号s 0（i），这将减少e（i）对SOI的影响。
常用的降噪算法假定水下声通道中的附加背景噪声是高斯噪声源，并且该源的瞬时强度x的PDF为：
SNR定义为：

其中${\sigma }_s^2$和${\sigma }_e^2$分别是SOI和加性高斯白噪声（AWGN）的方差。

但是，在实际的水下声通道中，图1所示的非高斯噪声信号的PDF与高斯分布相似。 但是，尾部更长，强振幅的可能性更高，而那些噪声源的持续时间更短。 非高斯噪声具有尖峰脉冲的特性，被认为是一种突发非高斯脉冲信号。
因此，难以将基于高斯模型的通用去噪算法应用于实际的水下声通道。

SαS分布是满足广义中心极限定理的极限分布模型，并且可以与上述非高斯脉冲噪声的产生机理和传播条件相一致。 因此，使用SαS分布描述水下尖峰脉冲噪声比高斯分布具有更多的优势。 如果随机变量X的特征函数可以表示为：

其中$j=\sqrt{-1}$，a是局部参数，-∞<a <∞，和

然后，随机变量X满足α稳定分布。 其中，α是决定分布的脉冲特征程度的特征指数，0 <α≤2。α越大，脉冲特征越明显。 当α= 2时，α稳定分布等于高斯分布。 β是用于确定分布斜率且-1≤β≤1的对称参数。γ是分布的色散且γ> 0，这类似于高斯分布的方差。
当β= 0时， 方程式（4）可以写成：

在这种情况下，该分布称为SαS分布，记录为X〜SαS。 为简单起见，假设本地参数a为0。那么，SαS分布的PDF为：


无法计算出满足SαS分布的非高斯脉冲噪声的方差。 因此，MSNR用于描述非高斯脉冲噪声的功率。 MSNR定义为：
其中${\sigma }_s^2$和γ分别是SOI的方差和满足SαS分布的非高斯脉冲噪声的色散。
为了更真实地描述真实环境中的噪声，假定水下声学噪声是通过高斯噪声和非高斯脉冲噪声的叠加获得的。 因此，水下声噪声模型e（i）定义为：

其中在公式中提供了$e_{Gauss}(i)，e_{S\alpha S}（i）$以及${\sigma }_e$和γ的PDF。 方程式（2），（8），（3）和（9）。

3.水下声信号降噪算法AWMF + GDES

为了有效减少高斯和非高斯脉冲噪声对接收信号的影响，提出了一种新的水下声信号降噪方法，将AWMF与基于GDES-ABC的小波阈值优化方法相结合。 处理方案的整体过程如图2所示，具体步骤如下。

• A.自适应窗口中值滤波器
  SMF会替换所有样本，从而导致SOI失真。 因此，本文提出了AWMF。 首先，检测预设窗口中的脉冲噪声点的数量，并基于微分方法确定脉冲噪声的位置，并对脉冲噪声点的数量进行计数。 然后，根据预设窗口中的脉冲噪声点的数量，基于自适应调整规则重新确定新的滑动窗口的大小。 最后，在新窗口中将脉冲噪声点替换为中点。

  • 1）脉冲噪声检测：假设接收器接收到的信号为y = [y（1），y（2），…，y（N）]，则初​​始滑动窗口W的长度为$L_W=2n+1$，如图3所示。
    通过使用初始滑动窗口W，从中心点y（i）以外的接收信号y中获得i时刻的样本w（i）为：
    
    以升序对w（i）中的信号点进行排序，以获得：
    
    其中sort（·）是排序函数。 设置Med =median（r（i）），其中median（·）代表中位数。 然后，差分噪声点检测器定义为：
    
    对于给定的预设脉冲阈值$T_{noise}$，如果$d（i）>T_{noise}$，则y（i）是脉冲噪声且N（i）= 1； 否则，y（i）是无噪声SOI，并且N（i）= 0，其中N（i）是脉冲噪声标记变量。 在水下声接收信号中，如果声速为c，幅度为A，采样频率为$f_s$，载波频率为$f_c$。 那么，任何相邻样本的变化率是：
    
    水下声信号的相邻样本之间的长度为$L_{simple}=\frac{c}{f_s}$。 因此，脉冲阈值设置为
    

  • 2）自适应窗口大小确定：普通中值滤波器的性能受窗口中脉冲噪声的比例限制。 随着脉冲噪声比例的增加，滤波性能下降。
    根据该比例，本文自适应地调整了新窗口的大小，以减少脉冲噪声的比例并有效地提高了降噪性能。 对于初始滑动窗口W，长度$L_W=2n+1$。 当中心点y（i）是脉冲噪声时，窗口中的噪声点的数量计算为：
    
    然后，将新窗口的长度$W_{new}$定义为：
    

  • 3）信号滤波：根据新窗口$L_{W}new（y(i)）$的大小和脉冲标记N（i），对接收到的信号进行如下滤波。 脉冲噪声被新窗口中的中值代替，而无噪声SOI保持不变。 假设$y_{ip}（i）$是$W_{new}$中的脉冲噪声，则其他样本为：

  • 
    将 w n e