CN102799757A - 一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法 - Google Patents

Abstract

本发明涉及弱信号处理领域，具体涉及一种强干扰背景下去除强趋势项及瞬态脉冲干扰的微弱信号提取方法。本发明包括(1)对强干扰背景下的微弱信号进行经验模态分解；(2)对分解的d阶模态，构造强干扰判决准则；(3)对存在脉冲干扰的模态分量进行包络检波，将瞬态脉冲干扰位置数据置零；(4)利用自回归-滑动平均模型恢复被置零的数据；(5)合并前D阶基本模式分量，得到除强干扰后的微弱信号。相比于现有方法，本发明能够在更完整保留微弱信号特性的同时，去除强复杂趋势线的干扰，将瞬态脉冲干扰部分的数据进行预测恢复，减小对微弱信号波形畸变的影响。

Description

一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法

技术领域

本发明涉及弱信号处理领域，具体涉及一种强干扰背景下去除强趋势项及瞬态脉冲干扰的微弱信号提取方法。

背景技术

理想情况下，高灵敏度的测量系统需要一个绝热、隔振的环境，以避免环境因素如：振动、温度、湿度、气压等对测量的影响。然而，在实际的测量环境中，接收系统很难达到绝热真空处理，并且由于高灵敏度接收系统对空气扰动、低频振动等极其敏感，这些随机干扰将直接影响接收系统的接收效果。常见的两种干扰主要包括：强趋势项干扰和瞬态脉冲干扰。所谓趋势项就是在接收信号中存在缓慢变化的、周期大于记录长度的非线性成份。趋势项干扰的存在，会使时域中的相关分析和频率中的功率谱产生大的误差，甚至使低频谱完全失去真实性。瞬态干扰在时间和能量上都表现为随机性，只在信号的若干周期存在，持续时间很短(相对于脉冲信号持续时间)，强度却非常大，一般比期望信号强度高约十几dB，而所感兴趣的信号一般是连续且相对稳态的。

现有的趋势项消除方法有几种，如平均斜率法、差分法、低通滤波法及最小二乘拟合方法等。这些方法通常需要预先假定信号中趋势项的类型，如线性趋势或指数趋势等等，不适用于具有复杂变化趋势或随即变化趋势的信号，因此不具有普遍的适用性。瞬态脉冲干扰的去除可以通过设置门限来检测出瞬态干扰的位置，然而直接将干扰位置处的数据置零会引起信号波形的畸变。

经验模态分解（EMD：Empirical Mode Decomposition）方法是一种全新的处理方法，该方法依据信号本身的固有特征自然的将信号在不同分量下展开，无需设置先验的分解基函数，因而适用于处理各种多分量的信号。其结果是将含有强干扰的微弱信号中不同尺度的波动或趋势逐级分解，产生一系列具有不同特征尺度的数据序列，从而达到分离趋势项的目的。有的方法在借鉴传统的经验模态分解的基础上，设计出了判断缓慢变化趋势项的评价准则，在不损失原信号的基础上有效地提取趋势项的成份，但没有考虑对瞬态脉冲干扰的去除。本专利提供一种能够完整保留原弱信号信息的同时去除强趋势项干扰和瞬态脉冲干扰的方法，这种方法适用于任何多分量信号的处理。

发明内容

本发明的目的在于提供一种弱信号保存更完整的去除强趋势项及瞬态脉冲干扰的微弱信号提取方法。

本发明的目的是这样实现的，本发明包括如下步骤：

(1)对强干扰背景下的微弱信号进行经验模态分解；

(2)对分解的d阶模态，构造强干扰判决准则：

定义前d个基本模态分量的和为

在R_imf(d)偏离零点时的阶次为D，其中imf_j(t)为分解得到的各阶模态分量、t为时间变量、N为信号长度、j为分解阶数；

(3)对存在脉冲干扰的模态分量进行包络检波，将瞬态脉冲干扰位置数据置零；

(4)利用自回归-滑动平均模型恢复被置零的数据；

(5)合并前D阶基本模式分量

x(t)即去除强干扰后的微弱信号。

经验模态分解的方法如下：

对信号进行经验模态分解，原始数据序列由固有模态函数以及一个均值或趋势项表示为：

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{imf}}_i\left(t\right)+r_n\left(t\right),$

信号的缓慢趋势项为：

$y\left(t\right)=\underset{j=D}{\overset{n}{\mathrm{\Σ}}}{\mathrm{imf}}_j\left(t\right)+r_n\left(t\right)D\∈(1,n)$

其中，n为基本模式分量的个数，r_n(t)为基本模式分量的余项。

本发明的有益效果在于：

相比于现有方法，本发明对于一个多分量信号进行EMD分解，是依据信号本身固有的特征自然的分解信号，无需设置先验知识的分解基函数。同时，对瞬态脉冲干扰的去除仅是在存在瞬态脉冲干扰的某几阶模态上进行，在处理过程中以自回归-滑动平均模型恢复被置零的数据，因此本发明能够在更完整保留微弱信号特性的同时，去除强复杂趋势线的干扰，将瞬态脉冲干扰部分的数据进行预测恢复，减小对微弱信号波形畸变的影响。

附图说明

图1为本发明处理流程图；

图2为原始数据时域及频域图；

图3为对原始数据进行EMD分解得到的各阶模态分量示意图；

图4为前d个IMF的和的示意图；

图5为去除趋势项后的信号及趋势项示意图；

图6为瞬态脉冲去除前、瞬态脉冲位置判断、瞬态脉冲去除后信号的对比示意图；

具体实施方式

下面结合附图举例对本发明做更详细地描述：

本发明提供一种强趋势项干扰背景下去除强趋势项及瞬态脉冲干扰的微弱信号提取方法。当信号中存在强的低频干扰时可以认为是一种趋势项干扰；当信号中存在强度较大，持续时间很短的干扰时，可以认为是一种瞬态脉冲干扰。这两种干扰的存在使得期望信号变得十分微弱，并难以利用常规的滤波手段加以滤除。

图1示出了本分明实施的具体步骤，包括对多分量信号进行EMD分解1，依据判决准则判断进入缓慢变化的独立分量的阶次2，仅对含有瞬态脉冲干扰的独立分量利用门限法并将干扰部分置零3，利用ARMA（自回归-滑动平均模型）对置零后的数据进行预测4，将非缓慢变化的几个分量相加5，最后得到无失真的微弱信号6。

EMD分解方法基于以下几点假设：(1)信号至少有两个极值点，一个极大值和一个极小值，或者极大值或极小值数目比零点的数目多2个(或2个以上)；(2)信号的特征时间尺度是由极值点之间的时间间隔确定的；(3)如果数据中缺乏极值点，但存在奇异点，可以通过一次或多次差分来求出极值点。

当所处理的信号满足以上条件时，EMD分解可以自动的将信号分解，原始数据序列即便可由一系列固有模态函数（IMF）以及一个均值或趋势项表示：

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{imf}}_i\left(t\right)+r_n\left(t\right)---\left(1\right)$

此时的r_n(t)称为余项，每一个筛分出的IMF分量与前一个筛分出的IMF分量相比，含有较低的频率特性。缓慢趋势项的估计可能是分解后的余项和几个低频模式分量的和，即认为从第D个基本模式分量到最后一个基本模式分量和余项的和。由此可以得到信号的缓慢趋势项为：

$y\left(t\right)=\underset{j=D}{\overset{n}{\mathrm{\Σ}}}{\mathrm{imf}}_j\left(t\right)+r_n\left(t\right)D\∈(1,n)---\left(2\right)$

其中，n和r_n(t)分别是经EMD分解得到的基本模式分量的个数和余项。

为了确定D值的大小，首先定义前d个基本模式分量的和为：

$R_{\mathrm{imf}}\left(d\right)=\underset{j=1}{\overset{d}{\mathrm{\Σ}}}\left|\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{imf}}_j\left(t\right)\right|d=\mathrm{1,2},...,n---\left(3\right)$

根据EMD分解原理可知，每个模式分量的均值都应该为零。但是由于一个IMF可能包含非整数个周期，所以在实际应用中R_imf(d)可能是非零的。并且随着分解阶数i的增大，IMF的周期也将增大，随之由于非整数周期引起的前i个IMF分量绝对值的和也单调增加（如图4）。因此，可以观察R_imf(d)随分解阶数i的变化情况，在d≥D后明显地偏离零点便可以认为此时的IMF进入了缓慢变化的状态。取使R_imf(d)明显偏离零点时的d值作为D，然后用式（2）进行重构，就可以获得所求的缓变趋势项。

对于瞬态脉冲干扰的去除是仅针对存在瞬态脉冲干扰的几个模态进行的。首先对存在瞬态脉冲干扰的模态求包络，找出信号包络的极值点，利用设置门限的方法来检测瞬态脉冲干扰的位置，本专利根据数据选择平均信号能量的整数倍来设置门限。

确定瞬态干扰在地声信号时间序列上的精确位置后，若直接把存在干扰的点被置零后，信号在置零位置含有突变信息，会对信号检测带来不利影响。为了避免这一问题，本专利利用ARMA模型预测内插的方法，对置零的部分通过干扰信号邻近的有效信号线性预测恢复出被干扰的数据段，使恢复值与真实值间的误差最小。

以一组实测的强趋势项的干扰和瞬态脉冲干扰的数据为例，说明本发明的处理效果。

图2示出了强复杂趋势项和瞬态脉冲干扰下信号的时域和频域。观察实测数据的时域和频域上的特性不难看出，数据中存在极强的趋势项干扰，并且趋势项的形式非常复杂，而感兴趣的信号部分则相对较弱。

图3示出了对强复杂趋势项和瞬态脉冲干扰下信号自动分解得到的各阶模态分量和余项。对实测数据经过EMD分解得到的12个IMF分量和一个余项。

图4示出了以本发明所指出的趋势项判断方法分析，当d≥4时，R_imf(d)的值明显地偏离了零点。因此取D=4，即利用第5到第12个基本模式分量和余项根据式（2）重构就可以得到信号的缓变趋势项。

图5示出了期望的微弱信号和所提出的复杂趋势项干扰，这种方法能有效地提取并分离出复杂的趋势项成分。

图6示出了去除趋势项干扰后的微弱信号、判断瞬态脉冲干扰的位置和去除瞬态脉冲干扰后的微弱信号。

本发明在有效的去除强趋势项的干扰和瞬态脉冲干扰的同时，保证感兴趣的微弱信号无失真。若仅需去除强趋势项干扰时，可以仅采用本发明权利要求1的(1)、(2)、(5)条的方法；若仅需去除瞬态脉冲干扰时，可以仅采用本发明权利要求1的(1)、(3)、(4)、(5)条的方法。

Claims (2)

1.一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法，其特征在于，包括如下步骤：

(1)对强干扰背景下的微弱信号进行经验模态分解；

(2)对分解的d阶模态，构造强干扰判决准则：

定义前d个基本模态分量的和为

在R_imf(d)偏离零点时的阶次为D，其中imf_j(t)为分解得到的各阶模态分量、t为时间变量、N为信号长度、j为分解阶数；

(3)对存在脉冲干扰的模态分量进行包络检波，将瞬态脉冲干扰位置数据置零；

(4)使用自回归-滑动平均模型恢复被置零的数据；

(5)合并前D阶基本模式分量

x(t)即去除强干扰后的微弱信号。

2.根据权利要求1所述的一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法，其特征在于，所述经验模态分解的方法如下：

对信号进行经验模态分解，原始数据序列由固有模态函数以及一个均值或趋势项表示为：

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{imf}}_i\left(t\right)+r_n\left(t\right),$

信号的缓慢趋势项为：

$y\left(t\right)=\underset{j=D}{\overset{n}{\mathrm{\Σ}}}{\mathrm{imf}}_j\left(t\right)+r_n\left(t\right)D\∈(1,n)$

其中，n为基本模式分量的个数，r_n(t)为基本模式分量的余项。

Images