0 引　言

船舶局域网络作为船舶智能化运行的神经中枢，承担着设备控制、数据交互与状态监测的关键功能，其稳定性直接关乎船舶航行安全与运营效率。然而发动机、变频器等设备持续产生的电磁辐射，以及线路接触不良、环境噪声等干扰源，导致网络信号常受到非平稳、多频段噪声的污染，引发数据传输异常、控制指令延迟等问题。传统基于傅里叶变换的频域滤波方法，难以捕捉时变干扰信号的局部特征，而时域统计分析对突发脉冲型干扰的处理效果有限，亟需更有效的干扰信息挖掘技术。小波分析法凭借多尺度时频分解能力，能够在不同分辨率下精细刻画信号的时域突变与频域细节，为解决船舶网络干扰的复杂特性提供了新的技术路径。

国内对信息挖掘方面的研究主要集中在船舶设备状态监测中的应用，如通过小波变换处理柴油机振动信号实现故障诊断，但在网络干扰信息挖掘领域进展较慢^[1]。当前国内船舶网络抗干扰技术仍以硬件防护为主，基于信号处理的软件抗干扰方法研究相对滞后。少数针对船舶通信信号的小波去噪研究，仅针对单一类型噪声，未形成对多源混合干扰的系统性处理框架，且在干扰特征提取时忽略了时频域特征的关联性，导致分类精度难以满足工程需求，更缺乏从干扰信号分析到实际物理设备定位的完整技术链条^{[2 − 3]}。

当前船舶局域网络干扰处理面临多重技术瓶颈：1）机舱内非平稳干扰具有时域突变、频域宽化的特性，传统方法难以准确捕捉其动态特征，导致去噪后信号失真或干扰残留；2）多频段干扰的耦合效应显著，现有小波分析方法在分解尺度选择上依赖经验参数，易造成特征信息丢失或冗余，影响干扰类型识别的准确率。针对上述问题，本文聚焦小波分析法在船舶网络干扰信息挖掘中的应用，构建“信号预处理—特征提取—源定位”的一体化处理框架，最终实现干扰源的时域精准定位与频域范围识别。

1 理论基础 1.1 船舶局域网络干扰特征分析

船舶机舱作为高功率机电设备的集中区域，其局域网络面临的干扰具有显著的复杂性与特殊性。这些干扰直接影响机舱内传感器数据传输、设备控制指令执行及导航系统与机舱的信息交互，可能导致数据丢包、指令延迟甚至设备误动作。典型干扰类型包括^[4]：

1）电磁脉冲干扰。主要来源于电机启停、开关操作等瞬态过程，在船舶机舱中，主机启动时的强电流变化、断路器分合闸操作均会产生此类干扰，时域表现为突发尖峰信号，持续时间达微秒级，频域覆盖甚宽频段，从数十千赫至数百兆赫，易对数字信号产生脉冲噪声污染。

2）谐波噪声干扰。多由变频器、逆变器等非线性设备产生，时域呈现周期性畸变波形，频域以基波频率为中心衍生出丰富的高次谐波分量。

3）物理层干扰。涵盖线路接触不良、接地环路、电缆屏蔽失效等问题，在船舶振动环境下，电缆接头易松动导致接触不良，不同设备接地电位差形成的接地环路会引入低频干扰，时域表现为信号幅值随机衰减、相位突变或周期性丢包，频域特征与干扰位置及传输介质特性相关，常呈现低频段能量集中，如0～10 kHz的噪声耦合。

能量熵作为信号能量分布复杂性的度量，其值越高表明能量分布越复杂。由图1可知，电磁干扰具有低能量熵与瞬时高频特性，谐波噪声表现为中能量熵与周期性多谐波特性，物理层干扰则是高能量熵与复杂时频耦合特性。通过小波分析提取能量熵，可利用其在时频域的独特分布实现3类干扰的精准区分，能量熵能够有效捕捉不同干扰的本质特性。

1.2 小波分析核心理论

小波分析通过构造基函数的尺度与位移变换，实现对信号多分辨率时频的局部化分析。其核心原理在于：通过连续小波变换或离散小波变换，将时域信号分解为不同尺度，从而在时频平面上精细刻画信号的局部特征^[5]。对于非平稳信号，小波变换的时频窗口随尺度自适应调整—高频分量采用窄时窗。针对船舶干扰的非平稳性与多源性，小波分析的优势体现在：

1）时频细节捕捉。通过不同小波基函数，如db系列、sym系列等的选择，精准匹配干扰信号的时域突变点，如电磁脉冲的上升沿与频域能量分布。

2）多尺度特征分离。利用多分辨率分析逐层分解信号，将高斯噪声、高频随机波动、脉冲干扰、中频瞬态分量与有用信号等进行有效分离，为后续去噪与特征提取提供基础。

3）非线性信号适应性。对非高斯分布的脉冲型干扰，如机舱内的电火花噪声，小波变换的稀疏表示能力优于传统傅里叶变换，可在低冗余度下保留干扰的关键特征参数，如脉冲幅值、发生时刻，有助于分析船舶电焊作业对局域网的干扰规律。

2 基于小波分析的干扰信息挖掘方法设计 2.1 自适应小波阈值去噪算法

针对船舶网络混合噪声的复杂性，特别是高斯噪声与脉冲干扰共存使得传统去噪存在极大困难，固定阈值函数难以适应噪声强度的动态变化，易导致信号细节丢失或噪声残留。本文提出基于噪声强度估计的自适应阈值算法，其核心步骤如下：

步骤1　小波包多频段分解

将含噪信号x(t)进行J层小波包分解，得到2J个频域子带$ W_j^k(t) $，其中j=1, 2, …, J；k=0, 1, …, 2^j−1。每个子带对应特定频率范围，实现对多频段干扰的分离。

步骤2　噪声标准差估计

选取高频子带计算噪声标准差$ \hat \sigma $，采用中值估计法：

$ \hat \sigma = \frac{{{\text{median}}(|W_J^k(t)|)}}{{0.6745}} 。$

(1)

该方法对脉冲噪声具有鲁棒性，避免高斯噪声假设下的估计偏差。

步骤3　自适应阈值函数设计

结合软、硬阈值优势，引入调节参数λ构造改进阈值函数：

$ \hat{w}_{j,k}=\left\{\begin{aligned} & \text{sgn}(w_{j,k})(|w_{j,k}|-\lambda\cdot\hat{\sigma})，|w_{j,k}|\geqslant\lambda\cdot\hat{\sigma}，\\ & 0，|w_{j,k}| < \lambda\cdot\hat{\sigma}。\end{aligned}\right. $

(2)

式中：λ为Stein无偏风险估计（SURE）动态确定，最小化去噪后信号的均方误差。

步骤4　信号重构

对阈值处理后的小波包系数进行逆变换，重构去噪信号$ \hat x(t) $：

$ \hat x(t) = \sum\limits_{j = 0}^J {\sum\limits_{k = 0}^{{2^j} - 1} {{\text{IDWT}}} } \{ {\hat w_{j,k}}\}。$

(3)

式中：IDWT为离散小波逆变换的缩写。

2.2 多维度特征提取

为实现对电磁干扰、谐波噪声、物理层干扰的精准分类，构建包含时频域特征的多维向量。能量熵特征是计算各小波包子带能量占比的信息熵，从而表征能量分布的复杂性，信息熵$ {E_{{\text{entropy}}}} $的计算方法为：

$ {E_{{\text{entropy}}}} = - \sum\limits_{k = 1}^{{2^J}} {\left( {\frac{{{E_k}}}{{\sum {{E_k}} }}} \right)} \ln \left( {\frac{{{E_k}}}{{\sum {{E_k}} }}} \right)。$

(4)

式中：$ {E_k} = \sum | {w_{J,k}}{|^2} $为子带能量。

频率重心特征用于反映干扰能量的主要分布频段：

$ {f_{{\text{Dis}}}} = \frac{{\displaystyle\sum {({f_k} \cdot {E_k})} }}{{\displaystyle\sum {{E_k}} }}。$

(5)

式中，f_k为子带中心频率。

2.3 时频定位与干扰源追踪算法

结合小波变换的时频局部化特性与网络节点信号到达时间差（TDOA）技术，实现干扰源的时空定位。通过小波变换模平方$ |W(a,b){|^2} $识别干扰信号的时频能量聚集区域，确定干扰发生的时间区间[t₁，t₂]及频率范围[f_min，f_max]，其中尺度参数a与频率f的关系为f = f₀/a，其中f₀为小波基中心频率。

到达时间差（Time Difference of Arrival，TDOA）模型是一种基于信号到达不同接收节点的时间差进行目标定位的技术，广泛应用于无线通信、雷达、声呐及干扰源定位等领域。其核心原理是利用信号在空间中传播的时间差构建几何约束方程，通过多节点协同测量实现目标位置的解算^[6]。

设干扰源坐标为(x, y, z)，第i、j个传感器节点坐标为(x_i, y_i, z_i)、(x_j, y_j, z_j)，信号到达时间差为$ \Delta {t}_{ij}={t}_{i}-{t}_{j} $，则距离差满足：

$ \begin{split}&\sqrt {{{(x - {x_i})}^2} + {{(y - {y_i})}^2} + {{(z - {z_i})}^2}} -\\ &\sqrt {{{(x - {x_j})}^2} + {{(y - {y_j})}^2} + {{(z - {z_j})}^2}} = c \cdot \Delta {t_{ij}}。\end{split}$

(6)

式中：c为信号传播速度。

图2为TDOA定位原理，利用至少3个节点（A1、A2、A3）的TDOA数据构建方程组，采用Chan算法进行闭式解算，首先计算参考节点与其他节点的坐标差$ \Delta {x_{ij}} = {x_i} - {x_j} $，构建增广变量$ u = {x^2} + {y^2} + {z^2} $。将距离差方程转化为线性方程组，通过最小二乘法估计u及坐标(x, y, z)。最后将小波分析得到的干扰时间t_k与TDOA定位结果关联，筛选同一时段内多个节点检测到的干扰事件，排除孤立噪声点，最终实现干扰源定位误差小于5%网络覆盖半径，形成“信号时频分析—时空传播建模—物理设备定位”的技术闭环。

3 仿真实验设计与性能评估

本次仿真实验围绕船舶机舱复杂干扰场景，构建包含高斯噪声与脉冲干扰的混合信号模型以验证算法性能。

1）不同干扰类型的信噪比（SNR）提升效果

为了验证本文提出的自适应小波阈值算法对SNR的提升效果，并与传统设置硬阈值的方法进行比较，设定原始信号为双频正弦波，其表达式为：

$ x(t) = 2\sin (2{\text{π}} \cdot 50t) + 1.5\sin (2{\text{π}} \cdot 120t)。$

(7)

采样频率为1000 Hz，采样时长为1 s，总采样点数N = 1000。图3为自适应小波阈值算法与传统硬阈值算法对不同噪声的SNR提升效果对比。可以发现，对于高斯噪声、脉冲干扰和混合干扰，自适应算法的SNR提升分别为15.8、18.3、16.2 dB，均显著高于传统硬阈值方法9.5、12.1、8.7 dB。这表明基于小波分析的自适应算法在处理船舶局域网络复杂干扰时，能够更高效地抑制噪声，提升信号质量。尤其在脉冲干扰场景下，自适应算法优势突出，SNR提升比传统方法高6.2 dB，体现了对瞬时高频干扰的卓越处理能力。实验结果验证了该算法在多类型干扰环境下的有效性。

2）干扰源定位误差统计

对干扰源定位进行仿真分析，通过36次实验分析，结果如图4所示，超70%实验误差≤6 m，中高误差占比低且可控。在船长150 m的货轮上，该精度可满足干扰源定位到具体设备的需求，如区分是左舷还是右舷的电机干扰。这不仅验证了算法在船舶复杂环境下的高精度定位能力，还为技术优化和干扰源精准治理提供了数据依据，确保船舶局域网络干扰源定位的可靠性，助力提升船舶航行安全与网络运行效率。

4 结　语

1）自适应去噪算法在多干扰类型下的信噪比提升显著优于传统方法，多维度特征成功区分三类干扰，时频定位与TDOA结合实现设备级定位，形成完整处理闭环，有效应对船舶网络复杂干扰；

2）该体系提升了船舶网络稳定性，缩短干扰排查时间，为机舱设备干扰治理提供直接依据，支撑船舶智能化运维，具有重要的工程实用价值和技术创新性。