[發(fā)明專利]一種全局最優(yōu)超聲信號(hào)去噪方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110178657.7
• 申請(qǐng)日: 2021-02-09
• 公開(kāi)（公告）號(hào): CN112784811B
• 公開(kāi)（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 董明;李敬
• 申請(qǐng)（專利權(quán)）人: 西安科技大學(xué)
• 主分類號(hào): G06F18/10
• 分類號(hào): G06F18/10;G06N3/006
• 代理公司: 西安創(chuàng)知專利事務(wù)所 61213
• 代理人: 馬鳳云

本發(fā)明公開(kāi)了一種全局最優(yōu)超聲信號(hào)去噪方法，包括步驟：一、超聲回波信號(hào)的獲取和存儲(chǔ)；二、超聲回波信號(hào)去噪：201、基于參數(shù)尋優(yōu)的稀疏分解，202、尋找最優(yōu)時(shí)頻參數(shù)，203、迭代停止條件判斷。本發(fā)明采用基于參數(shù)尋優(yōu)的稀疏分解方法尋找最佳匹配原子，同時(shí)結(jié)合自適應(yīng)迭代停止條件和自適應(yīng)搜索步長(zhǎng)，能有效提高去噪后信號(hào)的信噪比，加快去噪的速度，同時(shí)引入跳脫參數(shù)，避免果蠅優(yōu)化依賴于每次迭代選出來(lái)的最佳味道濃度的位置，將最佳味道濃度陷于局部最優(yōu)，提高搜索能力，確保重構(gòu)信號(hào)誤差小。

技術(shù)領(lǐng)域

本發(fā)明屬于超聲信號(hào)去噪技術(shù)領(lǐng)域，具體涉及一種全局最優(yōu)超聲信號(hào)去噪方法。

背景技術(shù)

在超聲檢測(cè)中，超聲探頭可以將電信號(hào)轉(zhuǎn)換為超聲信號(hào)，通過(guò)耦合劑傳入被檢測(cè)材料，當(dāng)超聲波在傳播過(guò)程中遇到缺陷，會(huì)發(fā)生反射、折射等現(xiàn)象。通過(guò)對(duì)回波分析，可以估計(jì)缺陷的位置、大小。但是在實(shí)際檢測(cè)中，超聲波在材料內(nèi)部傳播時(shí)會(huì)與缺陷、界面、邊界等相互作用，產(chǎn)生透射、散射等現(xiàn)象導(dǎo)致能量衰減、模式轉(zhuǎn)換等問(wèn)題，導(dǎo)致回波中包含大量噪聲，很難將缺陷回波分離出來(lái)，影響對(duì)缺陷的準(zhǔn)確評(píng)價(jià)。

對(duì)超聲信號(hào)去噪常用的方法是將信號(hào)在特定的基函數(shù)上進(jìn)行分解，例如小波變換和傅里葉變換等，基函數(shù)的特征決定了信號(hào)的特征。超聲信號(hào)具有非平穩(wěn)性，波形隨時(shí)間發(fā)生變化，在單一的、有限數(shù)量的基函數(shù)上分解信號(hào)，得到的信號(hào)僅僅依賴于基函數(shù)的特征，信號(hào)自身的特征則被忽略，容易失真。稀疏分解是另一種被廣泛應(yīng)用的信號(hào)處理方法，方法提出了過(guò)完備字典的概念，將信號(hào)在字典中的原子上分解，基函數(shù)是過(guò)完備的，可以根據(jù)信號(hào)特征靈活選取，提高去噪效果。近幾年提出的稀疏分解算法有LASSO、稀疏貝葉斯學(xué)習(xí)、貪婪基追蹤、非凸正則化、匹配追蹤等。其中匹配追蹤算法算法被廣泛用于超聲信號(hào)去噪，但是其仍存在不足，這是因?yàn)槠ヅ渥粉櫵惴ㄔ谄ヅ湓訒r(shí)是貪婪搜索的，這會(huì)導(dǎo)致最初選擇的原子不是最稀疏的，后續(xù)原子的選擇都是在給最初的原子進(jìn)行補(bǔ)償。為此提出了正交匹配追蹤，對(duì)每一次匹配到的最佳原子進(jìn)行正交化化處理，則殘差與選擇過(guò)的原子都是正交的，同一個(gè)原子不會(huì)被選擇兩次。與匹配追蹤算法相比，正交匹配追蹤算法不會(huì)重復(fù)選擇同一個(gè)原子，迭代次數(shù)少，但是其引入了正交化，每一次迭代的計(jì)算量較大，計(jì)算復(fù)雜度升高。

針對(duì)算法運(yùn)行時(shí)間長(zhǎng)的問(wèn)題，可以將字典的有限離散參數(shù)空間變?yōu)闊o(wú)限連續(xù)參數(shù)空間，在連續(xù)空間進(jìn)行稀疏分解，可以適應(yīng)超聲信號(hào)的非平穩(wěn)性，加快匹配追蹤的速度，提高重構(gòu)回波精度。這可以通過(guò)群搜索算法實(shí)現(xiàn)，其中包括人工魚(yú)群算法、人工蜂群算法、粒子群算法等。但是這些算法復(fù)雜度高，計(jì)算量大，運(yùn)行時(shí)間長(zhǎng)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題在于針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種全局最優(yōu)超聲信號(hào)去噪方法，采用基于參數(shù)尋優(yōu)的稀疏分解方法尋找最佳匹配原子，同時(shí)結(jié)合自適應(yīng)迭代停止條件和自適應(yīng)搜索步長(zhǎng)，能有效提高去噪后信號(hào)的信噪比，加快去噪的速度，同時(shí)引入跳脫參數(shù)，避免果蠅優(yōu)化依賴于每次迭代選出來(lái)的最佳味道濃度的位置，將最佳味道濃度陷于局部最優(yōu)，提高搜索能力，確保重構(gòu)信號(hào)誤差小，便于推廣使用。

為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：一種全局最優(yōu)超聲信號(hào)去噪方法，其特征在于，該方法包括以下步驟：

步驟一、超聲回波信號(hào)的獲取和存儲(chǔ)：采用信號(hào)采集設(shè)備獲取超聲回波信號(hào)f(t)，并將超聲回波信號(hào)f(t)存儲(chǔ)在計(jì)算機(jī)中，信號(hào)采集設(shè)備獲取超聲回波信號(hào)f(t)為待處理信號(hào)且f(t)＝[f(t₁),f(t₂),...,f(t_n),...,f(t_N)]，其中，n為采樣時(shí)刻編號(hào)且n＝1,2,...,N，N為信號(hào)的長(zhǎng)度，f(t_n)為f(t)在t_n時(shí)刻的采樣點(diǎn)；

步驟二、超聲回波信號(hào)去噪：采用計(jì)算機(jī)對(duì)超聲回波信號(hào)f(t)進(jìn)行去噪，過(guò)程如下：