1.一种基于改进人工蜂群算法的参数小波阈值信号去噪方法，其特征在于，该方法包括以下步骤：S1：首先获取待去噪信号，进行小波变换，得到小波系数；

S2：在传统阈值函数的基础上设计一种新的阈值函数，通过数学推导证明其性质，并确定待优化阈值参数；所述步骤S2具体为：S2-1、一种新的阈值函数构造：

对半软阈值函数进行改进，得到如下表达式：

其中sgn(·)为符号函数,wj,k为原始小波系数，α为指数因子，取值非负数，λj为第j层阈值，j，k表示第j层第k个系数；

S2-2：新的阈值函数性质证明

从连续性的定义来看，新的阈值函数在(-∞,-λj)，(-λj,+λj)和(+λj,+∞)是连续的；当wj,k≥λj时，新的阈值函数可写成：则

当wj,k＝λj时， 当|wj,k|＜λj时，新的阈值函数可写成 即因此

可得新的阈值函数在点wj,k＝λj连续，同理可证明新的阈值函数在wj,k＝-λj也连续，所以新的阈值函数在(-∞,+∞)是连续的；

当wj,k→+∞时，

同理可证当wj,k→-∞时， 所以 因此 是新的阈值函数的一条渐近线，即新的阈值函数是以硬阈值函数为渐进线的一种半软阈值函数；

S2-3：确定待优化阈值参数

将新的阈值函数中的λj和α参数作为待优化阈值参数；

S3：对原始人工蜂群算法进行改进；所述步骤S3具体为：S3-1：基于佳点集的种群初始化

佳点构造方法如下：

其中p是满足(p-3)/2≥D的最小素数，D是解的维度，{·}表示取·的小数部分，r是佳点；因此佳点集构造方法为PSN(i)＝{{r1*i},{r2*i},...,{rD*i}},i＝1,2,...,SN其中{·}表示取·的小数部分，SN为种群大小，则初始种群为X＝Lbd+(Ubd-Lbd)*PSN

其中Lb为解的下界，Ub为解的上界，d是当前维解空间，d＝1,2,...,DS3-2：以动态精英种群指导的领域搜索策略以动态调整精英种群数量，使其以线性增长方式进行领域搜索指导，具体过程如下：首先计算每个Xi，i＝1,2,...,SN的适应度值，然后取较好的Telite＝ceil(p′*SN)个蜜蜂构成动态精英种群DXEi′，i′＝1,2,...,Telite，其中ceil(·)表示向上取整，p′是精英种群在所有种群中占的比例，根据下式确定：其中pmax为比例上限，pmin为比例下限；确定动态精英种群后，领域搜索以动态精英种群为指导，邻域搜索方程为vid＝DXECd+φid(Gbestd-xkd),d＝1,2,...,D其中φid是[-1,1]之间的随机实数；Gbest是全局最优解，动态精英种群中心DXECd由下式计算得到：以动态精英种群指导的领域搜索策略为：在雇佣蜂阶段，雇佣蜂以相同的概率随机搜索领域，并通过邻域搜索方程式产生新解，选择过程以随机非定向方式进行，以此确保种群多样性，避免无效搜索；在观察蜂阶段，在精英种群中先随机选择一个解，然后通过邻域搜索方程式寻找新解；若选择过程选择新解，则以该解继续搜索；否则重新在精英种群中随机选择一个解进行下一次领域搜索，以实现算法快速收敛；

S3-3：模拟退火选择机制

假设当前温度为T，退火参数为K，雇佣蜂得到新解为X′i，其适应度值为fit′i；选择过程判断：若fiti≤fit′i，则接受新解；否则计算接受概率 以概率P接受新解；T以 进行更新，其中β≤1是一个常数，取值0.7，σfit为适应度的标准差；

S4：将待去噪信号和去噪信号之间的均方误差作为S3中改进的人工蜂群算法的适应度函数，在获取最小均方误差情况下得到最优阈值参数；

S5：使用S4得到的最优阈值参数应用到S2中新的阈值函数，对小波系数进行收缩处理得到新的小波系数，再进行逆小波变换，得到去噪信号。

2.如权利要求1所述的信号去噪方法，其特征在于，所述步骤S4的具体步骤为：所述适应度函数定义如下：

其中s(i″)为不含噪声的期望信号， 为通过小波阈值去噪后的重构信号，N为信号长度。