本发明涉及信号降噪，尤其涉及一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法。
背景技术：
1、当今煤炭开采不断向水平面1000米以下区域推进，这使得煤岩动力灾害更易发生，也促使揭示深部煤岩动力灾害机理、掌握灾害防治方法成越发受到人们的关注。受载煤岩所处状态的改变会引起电磁辐射、红外辐射等辐射信号的变化，实时监测这类辐射信号并对其展开分析将有助于进一步阐释煤岩动力灾害发生的本质，更有利于多信息融合的煤岩动力灾害防治策略的深入研究，降低煤矿的开采风险，保障国民生命财产安全。
2、深部煤岩所处开采条件较浅部更为复杂，且井下环境对长期运行设备的稳定性有影响，多方面影响使得直接采集获得的受载煤岩辐射信号更易受到信号干扰，从而令环境直采数据中易包含大量非相关噪声信号，这为精准掌握煤岩动力灾害机制带来了困难。目前对于辐射信号的降噪已有一些方法，比如基于小波分解或傅里叶分解的数据降噪法、基于传统emd、vmd等算法的分解重构法、基于人工神经网络等只能算法的数据处理法等。这些方法虽然从一定程度上能达到数据降噪的目的，但各自分别存在着非线性降噪效果不佳、分解速度过慢、算法复杂度过高、存在端点效应、频谱混叠等不同问题，且其数据处理对象并未针对受载煤岩的辐射信号，因此并不完全适配实际需求。综上所述，找到一种专门针对受载煤岩辐射信号且能简明高效地完成这类信号降噪的算法十分必要。
技术实现思路
1、针对上述现有技术的不足，本发明提供一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法。
2、本发明所采取的技术方案是一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，总体流程包括以下6个步骤。
3、步骤1：构造受载煤岩原始辐射信号离散函数d[t]，用于表示煤岩加载过程中经电磁辐射仪、红外辐射仪等辐射信号采集装置直采而得到的电磁或红外辐射原始特征的时序数列。
4、进一步的，上述步骤1中原始辐射信号离散函数d[t]的数据由煤岩形变相关信号d1[t]、自然环境干扰信号d2[t]、实验装置误差信号d3[t]和其他无关信号d4[t]组成，其具体结构关系如式(1)所示。
5、d[t]＝d1[t]+d2[t]+d3[t]+d4[t] (1)
6、步骤2：构造运算算子e(·)与m(·)，分别完成对输入数据“·”指定次数的emd模态函数及局部均值的求解目的。
7、进一步的，上述步骤2中利用运算算子e(·)求解输入数据“·”第k个模态函数imfk的步骤具体如下。
8、步骤2.1：输入数据“·”，取k＝0，令残余量r0＝·。
9、步骤2.2：寻找每个残余量rk的上下包络线emin及emax，并由此计算上、下包络的平均值m。
10、步骤2.3：利用下式计算第(k+1)个模态函数imf(k+1)的候选值d(k+1)＝rk–m；
11、步骤2.4：判断rk的包络平均值m是否趋于0，若包络平均值m趋于0则d(k+1)为输入数据“·”的第(k+1)个模态函数imf(k+1)，此时计算第(k+1)的余量r(k+1)，其与第(k+1)个模态函数imf(k+1)间满足式(2)关系。
12、imf(k+1)＝·-r(k+1) (2)
13、反之，若包络平均值m不趋于0则d(k+1)不是imf(k+1)，此时令d(k+1)＝rk，重复步骤2.2至2.4，直至筛选出满足平均包络值m趋近于0的候选值d(k+1)与输入数据“·”的第(k+1)个模态函数imf(k+1)。
14、步骤2.5：当所获模态函数imf达到算子ek(·)预期所需模态数，停止循环。
15、进一步的，上述步骤2中利用运算算子m(·)计算输入数据“·”局部均值的方法是用输入数据“·”减去其emd分解后得到的第一模态函数imf1，则m(·)与e1(·)间关系可用式(3)表示。
16、m(·)＝·-e1(·) (3)
17、步骤3：对受载煤岩原始辐射信号离散函数d[t]进行iceemdan分解，获得原始辐射信号离散函数d[t]分解后由多个模态函数组成的模态函数矩阵imf及分解余量res，其具体分解步骤如下。
18、步骤3.1：取l个0均值单位方差的白噪声信号ω(i)(i＝1，2，…，l)，将输入原始辐射信号离散函数d[t]的数据，并构造l个含白噪声的原始数据d(i)，具体构造方法如式(4)所示。
19、d(i)＝d+β0e1(ω(i)) (4)
20、式中，β0为整定系数，其数值可由式(5)确定。
21、
22、式中，ε0为人为给定的系数，取值要考虑信噪比(snr)的要求；std(·)算子用于计算内部数值“·”的标准差，具体计算方法如(6)所示。
23、
24、式中，n为输入数据“·”的维数，为输入数据“·”的均值。
25、步骤3.2：对d(i)进行emd分解，得到第一余量r1，其计算方法如式(7)所示。
26、
27、式中，<·>算子代表对“·”取平均值。
28、步骤3.3：将第一余量从原始辐射信号离散函数d[t]中去除，从而获得第1个模态函数imf1，计算方法具体如式(8)所示。
29、imf1＝d-r1 (8)
30、步骤3.4：利用第一余量r1重新构造输入数据d(i)’，其数据构造结构如式(9)所示。
31、d(i)'＝r1+β1e2(ω(i)) (9)
32、步骤3.5：对d(i)’利用m(·)算子进行emd分解获得第二余量r2，并由此获得原始辐射信号离散函数d[t]的第二个模态函数imf2，具体计算方法如式(10)所示。
33、imf2＝r1-r2＝r1-<m(r1+β1e2(ω(i)))> (10)
34、步骤3.6：依次利用第(k-1)余量r(k-1)去构建第k次输入m(·)算子的数据，并由此获得第k余量rk(k＝3,…,k)，其具体计算方法如式(11)所示。
35、rk＝<m(r(k-1)+β(k-1)ek(ω(i)))> (11)
36、式中，β(k-1)(k＝2,3,…,k,k+1)与前文β0均为整定系数，其计算方法如式(12)所示。
37、β(k-1)＝ε0std(r(k-1)) (12)
38、步骤3.7：利用第(k-1)余量r(k-1)与第k余量rk去获取原始辐射信号离散函数d[t]的第k个模态函数imfk，具体方法如式(13)所示。
39、imfk＝r(k-1)-rk (13)
40、步骤3.8：重复步骤3.6与3.7，步骤3.6获得第(k+1)余量r(k+1)后若r(k+1)在原始辐射信号离散函数d[t]的定义域t内满足单调条件则终止该循环，此时可得到原始辐射信号离散函数d[t]的模态函数矩阵imf和分解余量res。
41、进一步的，上述步骤3.8中模态函数矩阵imf矩阵结构如式(14)所示。
42、
43、进一步的，上述步骤3.8中分解余量res为最后一次分解获得的余量，即res＝r(k+1)。
44、步骤4：基于原始辐射信号离散函数d[t]的模态函数矩阵imf数据，dbo-wd算法对其进行数据优化去噪运算，其中dbo算法进行小波去噪的阈值选择，最大程度上的实现阈值过滤数据的效果，筛选出符合特定条件的数据，从而提高数据的质量和准确性。dbo算法主要是通过初始化种群、根据目标函数计算出适应度值、更新位置、边界界定、更新当前最优解及其适应度，最终通过迭代实现最优位置选取。蜣螂算法(dbo)具体步骤如下。
45、步骤4.1：在整个搜索空间中沿着给定的方向移动，第i只蜣螂在移动过程中，位置通过迭代次数t不断更新，其中k为扰度系数k∈(0,0.2]，b＝(0,1)为一个定值，δ代表诸多影响因素，位移关系的公式如式(15)所示。
46、xi(t+1)＝xi(t)+δ×k×xi(t-1)+b×δx (15)
47、δx＝|xi(t)-xw|
48、步骤4.2：当遇到障碍物无法前进时，蜣螂就需要重新定位获取新的路线，θ为挠角度，实现更新定位的位移数学公式如式(16)所示。
49、xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)| (16)
50、步骤4.3：对于蜣螂产卵的位置需要进行上下限区域边界的界定，lb*与ub*分别为产卵区上下限区域边界，lb与ub分别代表优化问题上下界。
51、在进行新的相关性控制下的可能适应的公式如式(17)所示。
52、
53、步骤4.4：在dbo算法，因为产卵区域范围是动态的，所以卵球所在位置在迭代过程中也是动态的，bi(t)为第t次迭代卵球位置，b1和b2表示大小为1×d的两个独立随机向量，d表示优化问题的维数，位置公式如式(18)所示。
54、bi(t+1)＝x*+b1×(bi(t)-lb*)+b2×(bi(t)-ub*) (18)
55、步骤4.5：运算中卵孵化后的小蜣螂会在该位置进行下一步进食阶段，上下限区域界定，需要建立最优受食区域，lbb与ubb分别为最佳受食区域上下界，c1表示正态分布的随机数，c2表示(0,1)的随机向量，数学公式如式(19)所示。
56、xi(t+1)＝xi(t)+c1×(xi(t)-lbb)+c2×(xi(t)-ubb) (19)
57、步骤4.6：还有一类蜣螂被称为偷窃蜣螂，它们会进行食物争夺，g表示一个遵循正态分布的大小为1×d的随机向量，s表示一个常数值，xb是竞争食物的最佳位置，最佳地点的位置更新如式(20)所示。
58、|xi(t+1)|＝xb+s×g×(|xi(t)-x*|+|xi(t)-xb|) (20)
59、上述过程所求得的最优位置即为最优阈值。
60、步骤5：基于原始辐射信号离散函数d[t]的模态函数矩阵imf数据，利用dbo-wd算法对其进行数据优化去噪运算，最大程度上将自然环境干扰信号d2[t]、实验装置误差信号d3[t]和其他无关信号d4[t]从原始辐射信号离散函数d[t]中滤除，其具体步骤如下。
61、步骤5.1：将原始辐射信号离散函数d[t]的模态函数矩阵imf按行分成k个n维向量，用于表示d[t]分离获得的各个模态函数，标号imf1、imf2、…、imfk，第i个imfi向量的结构为[imfi1,imfi2,…,imfin]。
62、步骤5.2：根据所需精确程度自动筛选出需要进行小波去噪的数据，其标号分别为a1、a2、…、an，各向量的维度与imf向量的维度相同也为n维，第j个aj向量结构为[aj1,aj2,…,ajn]。
63、步骤5.3：小波去噪的去噪顺序包括小波分解、阈值处理和小波重构，根据信号的情况利用dbo选取最优阈值，通过信噪比计算公式和均方根误差计算公式对多种所述阈值的小波去噪结果进行分析其信噪比计算方法如式(21)所示。
64、
65、通过均方根误差计算公式对多种所述阈值的小波去噪结果进行分析，得到对应数量的均方根误差计算方法如式(22)所示。
66、
67、步骤5.4：通过上述优化后的阈值，可以去除小于该阈值的小波系数，抑制噪声信号，从而获得按优化阈值处理后并将经过阈值处理后的小波系数通过逆小波变换还原为时域信号。可以得到原始辐射信号离散函数d[t]分量dii(i＝1,2,…,n)。
68、步骤5.5：最终可以重复步骤5.3进行去噪效果数学可视化。
69、步骤6：根据上述步骤得到去噪后的向量dii(i＝1,2,…,n)，令其与d[t]的分解余量res重构获得煤岩形变相关信号d1，实现为d[t]降噪的目的。
70、进一步的，所述煤岩形变相关信号d1的信号组成结构如式(23)所示。
71、
72、采用上述技术方案所产生的有益效果在于：本发明提供一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，构造获得的基于emd分解的e(·)和m(·)特定运算算子，并对原始辐射信号离散函数进行iceemdan分解实现对原始信号的特征分离，获得模态函数矩阵imf及分解余量res；对imf矩阵向量化并利用dbo-wd算法令阈值函数对其不同dii分量小波系数进行阈值处理，并对其根据信噪比与阈值的关系选取最优阈值，以此筛选重构获得煤岩形变相关信号实现对原始辐射信号的降噪，提高采集到辐射信号的信噪比。
1.一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，其特征在于，该方法包括以下6个步骤：
2.根据权利要求1所述的一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，其特征在于，所述步骤2中运算算子e(·)与m(·)的求解方法如下：
3.根据权利要求1所述的一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，其特征在于，所述步骤3的过程如下：
4.根据权利要求1所述的一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，其特征在于，所述步骤4的过程如下：
5.根据权利要求1所述的一种基于iceemdan-dbo-wd的受载煤岩辐射信号降噪算法，其特征在于，所述步骤5的过程如下：
