本发明涉及水下干涉信号处理，尤其涉及一种基于自适应多元变分模态分解的声纳干涉相位滤波方法。
背景技术：
1、水下干涉测量方法在合成孔径声纳、测深侧扫声纳、三维前视声纳等设备中有着广泛应用。在水下干涉数据处理中，干涉相位滤波是重要的数据处理步骤，直接影响相位展开和水下高程模型的精度。
2、现有的干涉相位滤波算法大致分为空间域滤波算法和变换域滤波算法两类。前者以降低空间分辨率为代价来降低噪声。如最常用的lee滤波器、旋滤波器等。后者则在频域、小波域上对高频噪声进行处理，以goldstein滤波器、baran滤波器为代表。
3、现有的滤波算法的精度往往受限于滤波窗口的大小，正确选择窗口大小和滤波参数对滤波性能影响很大。这使得算法很难适应复杂、低信噪比的水声信号。使得滤波结果很难兼顾降低噪声和保留相位细节信息两个目的。
4、因此，亟需一种自适应的声纳干涉相位滤波方法，为高精度水下干涉测量提供可靠的数据支撑。
技术实现思路
1、本发明的目的在于解决现有技术中的问题，提供一种使用自适应多元变分模态分解(amvmd)进行声纳干涉相位滤波的方法，所述自适应多元变分模态分解算法利用改进的减法优化算法(isabo)实现惩罚因子和模态数的自适应选取，可广泛适用于水下干涉相位滤波中。
2、本发明的技术方案如下：
3、基于自适应多元变分模态分解的声纳干涉相位滤波方法，包括以下步骤：
4、s1.获得声纳系统返回的干涉相位数据，分别对采集到的声纳回波信号做希尔伯特变换得到复信号，将各阵元复信号共轭相乘求得干涉相位；
5、s2.通过改进的减法优化算法，以最小模糊熵为适应度函数进行寻优，实现声纳干涉相位的自适应多元变分模态分解；
6、s3.对分解后的各模态分量，计算模态分量评估参数，以评估模态分量中噪声占比，将各模态分量区分为无噪分量、含噪分量、噪声；
7、s4.利用奇异值分解对含噪分量降噪，降噪后的含噪分量与无噪分量重构得到滤波后相位。
8、其中，s2中所述的改进的减法优化算法，引入了混沌映射和cauchy变异策略。
9、所述步骤s2声纳干涉相位的自适应多元变分模态分解具体为：
10、s21.定义模态数k和惩罚因子α的取值范围，完成种群初始化；
11、s22.以种群中各个体组合为参数，分别对输入的多元信号进行分解，并计算最小模糊熵；
12、s23.利用改进的sabo进行寻优，当没有达到最大迭代次数时，适应度函数找到最小值，返回最小模糊熵对应的参数(k,α)并保存；否则，当达到最大迭代次数时，返回最小模糊熵对应的参数(k,α)并保存；
13、s24.输出最优参数(k,α)，并以此参数进行分解，实现对干涉相位信号的自适应多元变分模态分解；
14、其中，所述的改进sabo算法在原始sabo算法的种群初始化中使用混沌映射方法，并在迭代中引入柯西变异策略，用来避免迭代后期陷入局部最优导致的更新停滞。
15、s3中模态分量评估参数，利用干涉相位与各分量的相关系数和多元模糊熵计算模态分量评估参数，以对各模态分量加以分类区分。
16、其中，所述步骤s4具体为：
17、s41.将一维含噪信号x(n)转换为hankel矩阵x，并对矩阵x进行分解；
18、s42.x矩阵的秩即代表空间中信号分量的个数，保留奇异值较大的q0个分量，得到降噪后的hankel矩阵
19、s43.由矩阵进行逆变换，可进一步求得降噪后的一维含噪信号
20、s44.将与无噪信号加和求得滤波后的声纳干涉相位。
21、根据本发明的一些优选实施方式，所述干涉相位δφ由以下计算模型计算得到：
22、
23、其中，sa与sb分别表示两个基阵的复信号。
24、根据本发明的一些优选实施方式，所述模态分量评估参数计算包含以下步骤：
25、(1)互相关系数(cc)可以用来衡量imf分量与原信号之间的相关性，可区分mvmd分解后信号分量是否包含原始信号的主要特征，包含特征越多，互相关系数越大，计算公式如下：
26、
27、其中，xi、yi为两个信号的第i个值，为两个信号的均值。
28、(2)模糊熵(fuzzyen)衡量的也是新模式产生的概率大小，测度值越大，新模式产生的概率越大，即序列复杂度越大。具体计算方式如下：
29、amvfe＝lnφm(r)-lnφm+1(r)
30、其中，m为相空间维数，r为相似容限度。
31、(3)根据以上原理，设计模态分量评估参数f为：
32、
33、本发明结合混沌映射和cauchy变异策略优化减法平均优化算法，提高算法的寻优效率和精度；通过改进的减法平均优化算法实现水下干涉相位的自适应多元变分模态分解；利用提出的模态分量评估参数区分分解后的各模态；借助奇异值分解对含噪模态降噪，并完成信号的重构，从而实现自适应的干涉相位降噪，算法兼顾相位降噪与相位细节信息的还原。
1.基于自适应多元变分模态分解的声纳干涉相位滤波方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应多元变分模态分解的声纳干涉相位滤波方法，其特征在于，s2中所述的改进的减法优化算法，引入了混沌映射和cauchy变异策略。
3.根据权利要求1所述的基于自适应多元变分模态分解的声纳干涉相位滤波方法，其特征在于，s2中声纳干涉相位的自适应多元变分模态分解，包括如下步骤：
4.根据权利要求3所述的基于自适应多元变分模态分解的声纳干涉相位滤波方法，其特征在于，所述的改进sabo算法是在原始sabo算法的种群初始化中使用混沌映射方法，并在迭代中引入柯西变异策略，用来避免迭代后期陷入局部最优导致的更新停滞。
5.根据权利要求1所述的基于自适应多元变分模态分解的声纳干涉相位滤波方法，其特征在于，s3中模态分量评估参数，利用干涉相位与各分量的相关系数和多元模糊熵计算模态分量评估参数，以对各模态分量加以分类区分。
6.根据权利要求1所述的基于自适应多元变分模态分解的声纳干涉相位滤波方法，其特征在于，s4中奇异值分解降噪，包括如下步骤：
