该文档属于类型a：单篇原创研究论文。以下是针对该研究的学术报告：

作者及研究背景

该研究由Guohui Li、Yaoyu Han和Hong Yang共同完成，均来自西安邮电大学电子工程学院。论文于2024年1月12日发表在期刊《Ocean Engineering》第293卷上，论文标题为“A New Underwater Acoustic Signal Denoising Method Based on Modified Uniform Phase Empirical Mode Decomposition, Hierarchical Amplitude-Aware Permutation Entropy, and Optimized Improved Wavelet Threshold Denoising”。

学术背景

水下声信号（Underwater Acoustic Signal, UAS）在海洋探测、识别和分类中具有重要作用，但其易受到船舶噪声、海水运动、海洋生物、地壳运动及工业活动的影响，导致信号质量严重下降。因此，UAS去噪是后续信号处理的基础。然而，UAS具有非线性、非平稳性、混沌性以及分形特征，这使得传统去噪方法效果有限。近年来，虽然基于时间频率分析、结合分解方法与熵算法的去噪方法以及混合去噪方法不断发展，但仍存在参数选择不合理、缺乏适应性等问题。

该研究旨在提出一种新的UAS去噪方法，结合改进的均匀相位经验模态分解（Modified Uniform Phase Empirical Mode Decomposition, MUPEMD）、分层振幅感知排列熵（Hierarchical Amplitude-Aware Permutation Entropy, HAAPE）以及基于沙猫群优化算法（Sand Cat Swarm Optimization, SCSO）优化的改进小波阈值去噪（Improved Wavelet Threshold Denoising, SIWTD）方法，命名为MUPEMD-HAAPE-SIWTD。

研究流程

1. 信号分解
   首先，通过MUPEMD将原始信号分解为一系列固有模态函数（Intrinsic Mode Functions, IMFs）。MUPEMD通过计算小波包能量比的平均值来自适应选择扰动信号的幅度，解决了传统方法中幅度选择依赖经验的问题。

2. 信号分类
   其次，使用HAAPE确定双阈值，将信号分为纯净信号、混合信号和噪声信号。HAAPE结合了分层分析方法与振幅感知排列熵（Amplitude-Aware Permutation Entropy, AAPE），能够更精细地感知数据振幅变化特征。

3. 混合信号去噪
   然后，利用SCSO优化改进小波阈值去噪方法（SIWTD），自适应选择最优小波基函数，对混合信号进行去噪。SIWTD提出了新的阈值函数，解决了传统小波阈值去噪中的不连续性和恒定偏差问题。

4. 信号重构
   最后，将去噪后的混合信号与纯净信号重构，得到最终的去噪信号。

实验与结果

该研究首先通过Lorenz信号和Duffing信号进行去噪实验，结果表明，该方法能将信号的信噪比（SNR）提高9 dB至13 dB。此外，对模拟船舶辐射噪声信号和四类实际船舶辐射噪声信号的去噪实验表明，该方法使相位图更加平滑清晰，且具有更强的噪声抑制能力。

具体实验结果如下： - 典型混沌信号去噪实验
对Lorenz信号和Duffing信号的高斯白噪声进行去噪，采用五种方法（EMD-HAAPE-SIWTD、CEEMD-HAAPE-SIWTD、CEEMDAN-HAAPE-SIWTD、UPEMD-HAAPE-SIWTD和MUPEMD-HAAPE-SIWTD）进行对比。结果表明，MUPEMD-HAAPE-SIWTD的去噪效果最优，Lorenz信号和Duffing信号的SNR分别提高了13 dB和11 dB。

• 船舶辐射噪声去噪实验
  对模拟船舶辐射噪声信号和四类实际船舶辐射噪声信号进行去噪实验。结果表明，MUPEMD-HAAPE-SIWTD能够有效抑制噪声，并使去噪后的信号具有更高的SNR和Pearson相关系数（PCC）。

结论

该研究提出的MUPEMD-HAAPE-SIWTD方法在UAS去噪中表现出显著优势。主要结论包括： 1. MUPEMD能够自适应选择扰动信号幅度，解决了参数选择问题。 2. HAAPE能够更精细地感知数据振幅变化特征，并结合熵耦合曲线自适应选择阈值。 3. SIWTD通过改进阈值函数和SCSO优化，解决了传统小波阈值去噪中的不连续性、恒定偏差及最优小波基函数选择问题。 4. 实验证明，该方法能够显著提高信号的信噪比，并使相位图更加平滑清晰。

研究亮点

1. 创新性方法

   • MUPEMD、HAAPE和SIWTD的提出为UAS去噪提供了新思路。
   • HAAPE首次应用于UAS去噪，展现了其在信号振幅感知中的优势。
   • SIWTD通过SCSO优化，解决了传统小波阈值去噪的局限性。

2. 实验验证

   • 通过典型混沌信号和实际船舶辐射噪声信号的实验，验证了该方法的有效性和普适性。

3. 应用价值

   • 该方法在海洋探测、船舶噪声分析等领域具有广泛的应用前景。

其他有价值内容

该研究还讨论了低信噪比情况下去噪效果较差的原因，并提出了未来改进方向，例如通过深度学习方法自动学习信号特征以及利用粒子滤波等方法对低频信号进行平滑去噪。

该研究为UAS去噪提供了一种高效、自适应的新方法，具有重要的科学价值和应用潜力。