1.一种基于自适应窗口滤波和小波阈值优化的水声信号去噪方法，其特征在于，该去噪方法包括以下步骤：S1：获取水声信号数据，通过现有数据接收模型来描述水声信道中的高斯/非高斯脉冲噪声；

S2：基于自适应窗口的中值滤波法，抑制非高斯脉冲噪声，得到去非高斯脉冲噪声的水声信号数据；

S3：再将S2得到的去非高斯脉冲噪声的水声信号数据进行基于改进人工蜂群小波阈值优化方法处理，抑制高斯噪声，最终得到去噪后的水声信号数据。

2.如权利要求1所述的去噪方法，其特征在于，所述步骤S1具体如下：S1-1：信号接收模型,其中信号噪声模型采用SαS分布和正态分布模型：对于单发单收水声通信系统，采用数字形式表示接收端收到的时域信号y(t)，用一组离散的样本表示为：y(i)＝s(i)+e(i),i＝1,2,...,N其中s(i)是具有随机幅度和相位的不含噪期望信号；e(i)为加性海洋背景噪声；N是样本数；

S1-2：高斯/非高斯脉冲噪声模型：

高斯噪声模型选用概率密度函数如下：其中，x为噪声压的瞬时值；

信噪比SNR定义如下：

其中 分别为期望信号和高斯噪声的方差；

采用α稳定分布描述水下尖峰脉冲噪声比高斯分布具有更大的优势，若随机变量X的特征函数 可表示为：其中 为实数，表示位置参数，且

则随机变量X服从α稳定分布；其中0＜α≤2，表示特征指数，决定脉冲特性程度，α越小表示脉冲越强烈，α越大越趋近于高斯过程，当α＝2时，即为高斯分布；-1≤β≤1为对称参数，用于确定分布的斜度；γ＞0为分散系数，其含义类似于高斯分布方差；

当β＝0时，α稳定分布特征函数表示为

此时该分布称为对称α稳定分布，记作X～SαS；假设位置参数a＝0，此时SαS分布的概率密度函数为：基于SαS分布的非高斯脉冲噪声无法计算方差，因此采用混合信噪比MSNR描述噪声大小，MSNR定义如下：其中 和γ分别表示期望信号的方差和非高斯脉冲噪声的分散系数；

假设水声噪声模型由高斯噪声和非高斯脉冲噪声模型叠加得到，因此定义水声噪声e(i)为e(i)＝eGauss(i)+eSαS(i)

其中eGauss(i)、eSαS(i)分别由 和产生。

3.如权利要求1所述的去噪方法，其特征在于，所述步骤S2的具体如下：S2-1：噪声点检测：

假设接收端收到的信号为y＝[y(1),y(2),...,y(N)]，初始滑动窗口W长度为LW＝2n+1，利用初始滑动窗口W取出第i时刻接收信号y中除去中心点y(i)对应的样本w(i)：w(i)＝[w1(i),w2(i),...,w2n(i)]＝[y(i-n),...,y(i-1),y(i+1),...,y(i+n)]对w(i)中信号点从小到大排序，得

r(i)＝sort(w(i))

＝[r1(i),r2(i),...r2n(i)]其中sort(·)为排序函数；设Med＝median(r(i))，median(·)表示取中值；定义差分噪声识别器为对于给定预先设定的脉冲阈值Tnoise，若d(i)＞Tnoise，则判定y(i)为脉冲噪声点，并令N(i)＝1，否则y(i)为期望信号，且N(i)＝0，其中N(i)表示脉冲标记；水声接收信号中，设声速为c，振幅为A，采样频率为fs，载波频率为fc，则任意相邻采样点变化率一般不会超过且水声接收信号采样长度为 由此设定脉冲阈值为S2-2：自适应窗口大小确定：

对于初始滑动窗口W长度为LW＝2n+1，当中心点y(i)为脉冲噪声点时，计算窗口内噪声点数目：新窗口记作为Wnew，长度为：

S2-3：噪声滤波：

根据新窗口大小 和脉冲标记N(i)对接收信号进行滤波；其中新窗口内非噪声点不变，而噪声点被新窗口内信号中值替换；假设yip(i)为Wnew内噪声点，取出新窗口内除去yip(i)的所有信号样本wnew(i)：对wnew(i)中信号点从小到大排序，得

则噪声点yip(i)由下式替代：

y′ip(i)＝median(rnew(i))其中y′ip(i)为滤波后信号。

4.如权利要求1所述的去噪方法，其特征在于，所述步骤S3具体如下：首先对y′ip(i)进行小波变换，得到小波系数wj,k，其中，此处j,k表示第j层第k个系数；

再构建新的阈值函数：

S3-1：一种新的阈值函数构造：

其中 为指数因子，取值非负数，λj为第j层阈值，j＝1,2,...,L，L为分解层数；

S3-2：确定待优化阈值参数：

将新的自适应阈值函数中的阈值λj和指数因子 看作未知阈值参数，然后基于GDES-ABC方法对阈值参数进行优化估计，提高估计精度与速度；

S3-3：基于佳点集的种群初始化：

基于佳点集的种群初始化可以有效提高种群多样性，避免方法过早陷入局部最优；佳点的构造方法如下：其中p是满足(p-3)/2≥D的最小素数，D是解的维度，deci{·}表示取小数部分，rk是佳点；因此，佳点集[PSN(1),PSN(2),...,PSN(SN)]T的构造方法如下：PSN(i)＝{deci{r1*i},...,deci{rD*i}},i＝1,2,...,SN其中[·]T表示转置，SN是种群大小；则初始种群为X＝Lb+(Ub-Lb)*PSN

其中Ub和Lb分别是解的上界和下界，d是当前维解空间，d＝1,2,...,D；

S3-4：以动态精英种群指导的领域搜索策略：

动态精英种群包含种群中较好的解，其规模随迭代次数的不同而不同；基于动态精英群的邻域搜索可以有效地加速方法收敛速度，提高搜索效率；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和pmin分别表示p′的最大值和最小值；t是当前迭代次数，tmax是最大迭代次数；

GDES-ABC方法基于动态精英种群的改进的邻域搜索方法如下：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，xkd是xid的随机邻域，DXECd是动态精英种群中心，表达式如下：基于动态精英种群的邻域搜索策略描述如下：对于每个邻域搜索，雇佣蜂以相同的概率随机地搜索邻域，并且由改进的邻域搜索方法生成新解；观察蜂从精英种群中随机搜索邻域，并通过改进的邻域搜索方法生成新的解；对于观察蜂，如果新解比当前解更好，则选择该新解进行下一次邻域搜索；否则，在下一次邻域搜索中，重新从精英种群中随机搜索邻域进行下一次邻域搜索；该邻域搜索策略是随机进行的；

S3-5：模拟退火选择机制：

假设第t次迭代时，当前温度为Tt，退火参数为K，由改进的邻域搜索方法得到新解为Vt，其适应度值为fitv；模拟退火选择机制如下：若fitv＞fiti，则接受新解，其中fiti为当前解适应度值；否则以概率P接受新解，接受概率定义为其中

随迭代次数改变；其中β≤1是一个常数，取值0.7，σfit为所有解的适应度的标准差；

由接受概率可知，方法初期，t较小，Tt较大，因此P较大，方法接受一定的较差值，蜂群具有较大的开拓能力；方法后期，t变大，Tt减小，P减小，方法以较大概率拒绝较差值；

S3-6：将待去噪信号和去噪信号之间的均方误差作为S3中改进的人工蜂群方法的适应度函数，在获取最小均方误差情况下得到最优阈值参数；适应度函数表示为：其中s(i)为训练信号， 为重构训练信号，N为训练信号长度。由新的自适应阈值函数可知，所示阈值函数是参数λj和 的函数；一旦λj和 确定，阈值函数新的自适应阈值函数也被确定，阈值收缩后即可得到小波系数，从而可重构出去噪后的信号最后，对小波系数通过构建新的阈值函数和最优阈值参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。