1.一种基于WOA‑VMD算法的信号去噪方法，其特征在于，具体按照如下步骤实施：步骤1，根据鲸鱼优化算法分别建立目标包围、发泡网攻击以及猎物搜寻的数学模型；

步骤2，初始化步骤1建立的数学模型中的参数；

步骤3，在取值范围内初始化鲸鱼的位置向量，根据位置向量对原始振动信号进行VMD分解，然后计算每个鲸鱼位置下的平均包络熵；

步骤4，更新最小平均包络熵，即获得当前群体中最佳个体的位置；

步骤5，更新当前鲸群个体的空间位置；

步骤6，重复步骤3‑5，直到迭代次数达到设定的迭代次数；

步骤7，输出最佳鲸鱼个体的位置向量，即得VMD的分解参数组合；

步骤8，根据所得到的分解参数组合对信号进行VMD分解，将分解出IMF分量相加得到重构信号，即得去噪后的信号。

2.根据权利要求1所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤1中目标包围的数学模型如下：根据座头鲸包围猎物的行为，建立数学建模如下：*

D＝|C·X(M)‑X(M)|                    (1)*

X(M+1)＝X(M)‑AD                       (2)其中，D为鲸群最佳个体和普通个体的距离，M是迭代次数，X(M)表示第M次迭代时，鲸群*

个体的位置向量，则X(M+1)表示第M+1次迭代时，鲸群个体的位置向量；X (M)表示第M次迭代中，鲸群最佳个体的位置向量；A和C是系数向量，表达式如下：A＝2a·rand1‑a                   (3)C＝2rand2                       (4)其中，rand1和rand2是0到1的随机数，a从2线性递减到0，表达式为 Mmax是最大迭代次数。

3.根据权利要求2所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤1中发泡网攻击的数学模型具体为：据座头鲸螺旋游动行为的气泡网觅食行为，首先计算鲸群个体和猎物之间的距离，然后在鲸群个体和猎物的位置之间创建一个数学模型：*

Dp＝|X(M)‑X(M)|             (6)其中，b为螺旋线系数，lrand为(‑1,1)的随机数，Dp为鲸群最佳个体位置到猎物之间的距离；

假定收缩包围机制和更新螺旋位置机制的概率p均为0.5，则座头鲸在捕食收缩圆圈内沿着螺旋形路径来回游动行为的数学模型为：其中，p为(0,1)上的随机数。

4.根据权利要求3所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤1中猎物搜寻的数学模型为：

X(M+1)＝Xrand‑AD             (8)D＝|CXrand‑X(M)|           (9)其中，Xrand表示鲸鱼个体的随机位置向量，当A≥1时，随机确定某个个体的位置，以此来更新其他座头鲸的位置信息，从而增强算法的搜索捕食能力，使WOA能够进行全局搜索。

5.根据权利要求4所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤2具体为：设置迭代次数为M，鲸鱼个体数目为m，将(K,α)设置为鲸鱼的位置向量，其中K和α是VMD的分解参数。

6.根据权利要求5所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述K的取值范围为2～12，α的取值范围为800～5000。

7.根据权利要求6所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤3具体为：在取值范围内初始化鲸鱼的位置向量，根据位置向量，即(K，α)组合，在一个位置向量(K，α)下VMD将原始振动信号分解为K个分量，根据式(10)计算每个位置向量(K，α)下的平均包络熵，并从中选出最小的平均包络熵，即可得到最佳位置向量其中， 为鲸鱼最优的位置向量，Hen(i)是第i个IMF分量的包络熵；

其中，bi(n)是第i个分量的包络，N是采样点数，pi(n)是第i个分量包络的归一化形式。

8.根据权利要求7所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤5具体为：

当p＜0.5时，若A＜1，利用式(1)更新当前鲸群个体的空间位置；

当p＜0.5时，若A≥1，则从当前群体中随机选择鲸群个体位置，并利用式(8)更新当前鲸群个体的空间位置；

当p≥0.5时，利用式(5)更新当前鲸群个体的空间位置。

9.根据权利要求8所述的一种基于WOA‑VMD算法的信号去噪方法，其特征在于，所述步骤6具体为：重复步骤3‑步骤6，直到迭代次数达到M；

所述步骤7具体为：输出最佳鲸鱼个体的位置向量，即得VMD的分解参数组合步骤8具体为：根据所得到的分解参数组合 对信号进行VMD分解，将分解出的个IMF分量相加得到重构信号，即得去噪后的信号。