一种基于改进VMD算法的Ф-OTDR信号去噪方法、系统及存储介质与流程

本发明涉及信号处理，具体涉及一种基于改进vmd算法的ф-otdr信号去噪方法、系统及存储介质。

背景技术：

1、在ф-otdr系统中，噪声的存在对信号的准确解读带来了严重挑战。在进行钻井后，需要对矿井的各个参数进行初步测量，用以判断是否符合预期的生产要求，因此这就要求ф-otdr系统具有在陌生环境下的部署和分析能力。

2、由于环境噪声等因素的不同，在初次部署ф-otdr系统时，并不能取得噪声的具体分布，估计的先验分布常常和真实分布有较大差距，因此在这种情况下的去噪需要一种不依赖于预先知道噪声分布的算法，即vmd算法，变分模态分解（vmd）基于完全非递归分解，可以将含噪原始信号分解成一系列imf分量，并计算每个imf分量的中心频率，能有效地解决emd中模态混叠的现象。

3、但vmd分解得到的每个模态分量都含有信号和噪声，若随意去除任一分量都会影响重构信号的准确性。另外，如何优化确定vmd的惩罚因子和分解个数，对获取结果的准确性至关重要。

技术实现思路

1、本发明的目的在于提供一种基于改进vmd算法的ф-otdr信号去噪方法、系统及存储介质，以提高ф-otdr信号的去噪效果。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本技术公开了一种基于改进vmd算法的ф-otdr信号去噪方法，包括：

4、采用zoa算法优化vmd算法的惩罚因子和分解个数，获得最佳惩罚因子和分解个数；

5、将获取的原始ф-otdr信号输入至采用最佳惩罚因子和分解个数运行的vmd算法中，获得多个imf分量；

6、采用深度学习模型确定所述imf分量中需要参与信号重构的第一imf分量，剩余为待处理imf分量；

7、采用改进小波阈值算法对待处理imf分量进行去噪处理，获得去噪imf分量，采用深度学习模型确定所述去噪imf分量中适合信号重构的第二imf分量；

8、重构第一imf分量和第二imf分量获得去噪信号；

9、所述深度学习模型的框架包括多尺度cnn、第一特征提取单元、第二特征提取单元和依次连接的融合模块、自适应门控lstm和输出决策模块，所述多尺度cnn、第一特征提取单元、第二特征提取单元并列设置，所述多尺度cnn、第一特征提取单元、第二特征提取单元的输出和融合模块连接。

10、进一步的，采用zoa算法优化vmd算法的惩罚因子和分解个数，获得最佳惩罚因子和分解个数包括：

11、步骤11、设置惩罚因子和分解个数的边界，确定寻优空间，在寻优空间内随机初始化种群：

12、；

13、其中，为种群的个体，每个代表 vmd的一组惩罚因子和分解个数，为寻优空间的下边界，为寻优空间的上边界，r为[0,1]的随机数；

14、步骤12、将种群中的每个个体应用到vmd算法处理原始ф-otdr信号，获得重构ф-otdr信号，根据原始ф-otdr信号和重构ф-otdr信号计算出重构误差，选择重构误差最小的个体作为当前最优个体；

15、步骤13、将当前最优个体采用zoa算法的觅食阶段和防御阶段进行循环迭代更新，获得最优个体；所述最优个体为最佳惩罚因子和分解个数。

16、进一步的，所述改进小波阈值算法为使用改进阈值函数的小波阈值算法，所述改进阈值函数的表达式为：

17、；

18、其中，是处理前的小波系数，是处理后的小波系数，是设置的阈值，是符号函数，是最大分解尺度，， k是小波系数的长度，，，n是信号的长度；和是调节因子，用于调节，的变化速度，用于调节函数向渐近线的逼近程度，取值范围为，用于调节阈值截断点的纵坐标值，取值范围为。

19、进一步的，还包括采用改进模拟退火算法决定改进阈值函数的阈值，包括：

20、步骤41、设置初始温度，令温度t=，随机产生一个初始解作为改进阈值函数的候选阈值，并计算初始解对应的目标函数值e()；

21、步骤42、令t=kt，其中，k为温度下降速率，取值为0到1；

22、步骤43、对当前解施加随机扰动，扰动的邻域分布为正态分布，方差为当前解和最优解的差值，在当前解邻域内产生一个新解，并计算新解对应的目标函数值 e( )，计算新解目标函数值和初始解目标函数值的差值： ( )=e( )- e( ) ；

23、步骤44、若新解的目标函数值更优，接受新解作为当前解，否则按照概率判断是否接受较劣的新解；

24、步骤45、若连续n次没有接受新解，增加方差至历史最大值以加大探索力度，并令t=(1+n/20)t，返回步骤43，其中，n为小于10的常数；

25、步骤46、在温度t下，重复执行l次步骤43和步骤44；

26、步骤47、当温度下降至预设的终止温度时，算法结束，将最后接受的解作为改进阈值函数的阈值输出，否则返回步骤42。

27、进一步的，所述dtw算法的表达式为：

28、；

29、其中，是到距离矩阵第行第列时的累积距离，分别为两个时间序列的值，为q序列的第i点与c序列第j个点之间的距离，为从累积距离矩阵中找到到达当前位置（i,j）的最小累积距离路径。

30、进一步的，所述采用深度学习模型确定所述imf分量中需要参与信号重构的第一imf分量包括：

31、多尺度cnn对每个imf分量进行时域上的特征提取，获得imf分量多尺度的时域特征表示；

32、第一特征提取单元对每个imf分量进行频域上的特征提取，获得imf分量的频域特征表示；

33、第二特征提取单元将每个imf分量按照erb频带划分，并计算划分后每个频带的mfcc及mfcc的一阶导数和二阶导数，获得imf分量的mfcc特征；

34、融合模块将imf分量多尺度的时域特征表示、imf分量的频域特征表示和imf分量的mfcc特征进行融合，获得融合输出；

35、自适应门控lstm对融合输出进行整合，输出融合特征向量；

36、输出决策模块接收融合特征向量并输出判断结果，以获得需要参与信号重构的第一imf分量。

37、进一步的，所述融合模块包括合并层。

38、进一步的，所述输出决策模块包括全连接层。

39、进一步的，所述多尺度cnn包括依次设置的特征捕获模块、第一最大池化层、卷积层、第二最大池化层、全局平均池化层、第一全连接层、随机失活层和第二全连接层；

40、所述特征捕获模块包括多个并行的卷积层以及连接在多个并行的卷积层后的合并层；其中，多个并行的卷积层中每个卷积层的卷积核大小不同。

41、第二方面，本技术公开了一种基于改进vmd算法的ф-otdr信号去噪系统，包括：

42、存储器，用于存储指令；

43、处理器，用于根据所述指令进行操作以执行如第一方面任一项所述方法的步骤。

44、第三方面，本技术公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如第一方面任一所述的去噪方法。

45、根据上述技术方案，本发明的实施例至少具有以下效果：

46、本技术首先通过zoa算法通过动态调整vmd的惩罚因子和分解个数，能够自动寻找最优参数组合，提高了算法的自适应性和效率，确保了分解结果更加符合原始信号的真实结构，通过最佳参数运行的vmd得到的多个imf分量，分离了信号的多尺度特性；对不参与重构的imf分量应用改进的小波阈值算法进行去噪，能够更精确地去除噪声，同时保护信号细节，提高去噪效果；采用深度学习模型确定imf分量中需要参与信号重构的第一imf分量以及去噪imf分量中适合信号重构的第二imf分量，深度学习模型能自动学习信号特征，智能筛选出有用的imf分量，避免了人工设定带来的主观性和误差，并提高了处理效率；通过重构第一imf分量和第二imf分量获得去噪信号，重构得到的信号更接近真实信号，确保了最终信号的高质量，提升了信号的可解析度和可靠性，去噪效果更好；

47、本技术深度学习模型的框架中多尺度cnn可对每个imf分量进行时域上的特征提取，第一特征提取单元和第二特征提取单元可获取频域特征表示以及mfcc特征，自适应门控lstm针对融合模块的输出处理，能够将捕捉到的长期依赖关系和动态特征进行整合，输出一个包含所有imf信息的融合特征向量，通过多尺度cnn捕捉信号的局部与全局特征，同时利用自适应门控lstm保留并学习序列数据的长期依赖关系，从而实现对imf的精准评估，实现智能筛选，为后续的信号重构决策提供有力支撑，确保重构信号的质量与准确性，进而提升整体信号处理与分析的效能。