CN104636609B - 一种基于经验模态分解与小波分析的信号联合去噪方法 - Google Patents
一种基于经验模态分解与小波分析的信号联合去噪方法 Download PDFInfo
- Publication number
- CN104636609B CN104636609B CN201510049964.XA CN201510049964A CN104636609B CN 104636609 B CN104636609 B CN 104636609B CN 201510049964 A CN201510049964 A CN 201510049964A CN 104636609 B CN104636609 B CN 104636609B
- Authority
- CN
- China
- Prior art keywords
- signal
- imf
- noise
- threshold value
- wavelet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Noise Elimination (AREA)
Abstract
本发明属于信号处理技术领域,尤其涉及低信噪比下加性高斯白噪声信号的去噪方法。本发明根据信号的自相关性,对信号求自相关,所述信号的自相关函数在零点处取得最大值,幅度随着时间差的变化而变化,并不会很快的衰减到很小的值。对混有高斯白噪声的信号进行EMD分解,由于EMD分解的性质,高斯白噪声已不再是真正的白噪声,但白噪声的统计特性近似存在,即所述混有高斯白噪声的信号的自相关函数在零点取得最大值,幅值随着时间差的变化而变化,但其随着时间的衰减很快。利用这种差异可以选取出噪声起主导作用的IMF分量有效降低噪声对信号的影响。在低信噪比条件下,本发明的去噪性能优于传统方法,能够在价低信噪比条件下完成信号去噪。
Description
技术领域
本发明属于信号处理技术领域,尤其涉及低信噪比下加性高斯白噪声信号的去噪方法。
背景技术
信号通常包含着很多有用信息,比如频率特征、时间特征等。信号分析的目的就是把信号的某些信息特征通过一定的手段变换成人们容易理解的形式,以便更好地认识信号所代表的物理特性。为了从信号中提取有用的信息,人们研究了多种变换和分析方法,以便更好地从多个角度来观察和分析信号。传统的信号处理方法大都是以线性平稳的高斯信号作为假设前提的,而实际生活和生产工作中很多信号大都是非线性、非平稳的,其统计量(如功率谱、相关函数等)是时变的函数。在传统的信号分析方法中,大多假设信号强度远大于噪声强度,实际工程中我们常遇见的是噪声强度较大甚至信号完全淹没在噪声中这种情况。在此条件下,传统的基于高信噪比假设的信号分析方法大多性能变差甚至已经完全无法进行分析工作。基于此,本文提出一种适用于较低信噪比的基于经验模态分解与小波分析的信号联合去噪方法。
针对形如S1(t)=s(t)+σn(t)的信号模型,其中,s(t)为真实信号,σ为噪声幅度,n(t)为零均值,方差为1的高斯白噪声。
传统的经验模态分解(Empirical Mode Decomposition,EMD)信号分析方法流程图如图1所示,基本步骤如下:
假设接收信号中的噪声部分是加性高斯白噪声,对接收信号进行EMD分解;
直接去除前面几个阶数较小的固有模态函数(Intrinsic Mode Function,IMF)分量(最初的EMD去噪方案)亦或找出IMF能量的全局最小点;
信号重构。
但是,当信噪比较低时,其性能并不稳定。因为在低信噪比下,有用信号的能量很低,经EMD分解得到的IMF分量中,有些IMF的能量相差不大,即使某个IMF能量达到局部最小值,但并不一定就是噪声起主导作用,若选取这个IMF以后的IMF分量进行信号重构就会造成有用信息丢失,甚至某些情况下根本无法找到全局极小值。对于最初的EMD去噪方案,可能会直接将有用信息所在的IMF直接去除,无法很好-针对信号模型S1(t)=s(t)+σn(t)。
传统的小波分析方法流程图如图2所示,其基本步骤如下:
对接收信号就行小波变换;
对小波分解后得到的细节部分进行阈值处理;
利用小波重构函数完成信号重构。
但是,小波分析方法性能的主要限制性因素是小波基的选取和门限的选取,针对小波基的选取,已有现行的平稳小波变换(自适应的选取小波基)解决了基的选取问题,对于门限的选取,现有方法大致可划分为如下几种:固定阈值、Rigrsure阈值、启发式阈值和极大极小阈值。这几种阈值选取方案在信噪比较高时去噪性性能各有差异,但均能较好的完成去噪工作。在信噪比较低时,由于信号有用信息能量很小,且噪声部分随着分解层数的增加而变小这一特征要求门限应当具有自适应性,因此,上述几种方案在低信噪比下去噪性能较差。
发明内容
本发明目的在于在较低信噪比下,提供一种基于经验模态分解与小波分析的信号联合去噪方法。本发明根据信号的自相关性,对信号求自相关,所述信号的自相关函数在零点处取得最大值,幅度随着时间差的变化而变化,并不会很快的衰减到很小的值。对混有高斯白噪声的信号进行EMD分解,由于EMD分解的性质,高斯白噪声已不再是真正的白噪声,但白噪声的统计特性近似存在,即所述混有高斯白噪声的信号的自相关函数在零点取得最大值,幅值随着时间差的变化而变化,但其随着时间的衰减很快。利用这种差异可以选取出噪声起主导作用的IMF分量有效降低噪声对信号的影响,具体如下:
S1、对接收信号进行EMD分解,得到m个IMF分量;
S2、分别求取S1所述m个IMF分量的自相关函数,并选取出界值点K,所述界值点K为S1所述接收信号的IMF分量中信号主导部分和噪声主导部分的分界点,其中,1<K<m;
S3、根据公式对IMF1-IMFK进行阈值处理得到第j个IMF分量的阈值T0(j),其中,N为S1所述接收信号的长度,IMFj表示第j个IMF分量,1≤j≤K;
S4、对比S3所述第j个IMF分量的阈值与第j个IMF分量内元素的大小,具体为:
若IMFj(i)≥T0(j),则判定第j个IMF分量内元素i为S1所述接收信号的真实信号部分,转到S5,
若IMFj(i)<T0(j),则判定第j个IMF分量内元素i为S1所述接收信号的噪声部分,对所述元素i赋值为0;
S5、根据量化函数IMFj(i)=sign(IMFj(i))×(|IMFj(i)|-λ*T0(j))对S4所述第j个IMF分量内元素i进行阈值量化,得到量化后的IMF分量;
S6、将S5所述的量化后的IMF分量与IMFK+1-IMFm一起通过重构函数进行信号重构,完成信号一级处理,其中,n为离散变量;
S7、对S6所述经过信号一级处理的信号进行N2层平稳小波分解,得到小波细节部分和近似部分;
S8、根据公式T1(f)=resort(index)对S7所述小波系数的细节部分进行阈值处理得到第f层细节部分的阈值T1(f),所述resort(*)表示第f层绝对值|SWDf|的降序排列序列,索引index按照公式给出,其中,α1,α2均为试验常数参量,N1为S6所述经过信号一级处理的信号长度,1≤f≤N2;
S9、比较S8所述第f层细节部分的阈值T1(f)和第f层细节部分的第g个元素SWDf(g)的大小,
若SWDf(g)≥T1(f),则根据公式SWDf(g)=sign(SWDf(g))×(|SWDf(g)|-λ1*T1(f))进行阈值量化,
若SWDf(g)<T1(f),则判定为噪声分量,赋值为0;
S10、利用平稳小波逆变换函数完成次级信号重构:根据S9所述阈值量化后的细节部分和第N2层的近似部分,利用平稳小波逆变换函数完成信号重构。
进一步地,S7所述N2=4。
本发明的有益效果是:
本发明利用信号与噪声的特性,在EMD分解中引入基于自相关的界值选取方法,很好的解决的低信噪比下EMD分解噪声界点的选取问题。本发明利用噪声随小波分解级数逐渐减小的特性,引入自适应阈值,很好的解决了低信噪比下小波阈值的选取问题。仿真结果表明,在低信噪比条件下,本发明的去噪性能优于传统方法,能够在价低信噪比条件下完成信号去噪。
附图说明
图1、EMD信号分析流程图。
图2、小波分析流程图。
图3、基于EMD分解与小波分析的信号联合去噪流程图。
图4、直接小波降噪处理,基于自相关EMD、本发明去噪性能对比图。
具体实施方式
下面结合实施例和附图,详细说明本发明的技术方案。
本实施例以matlab仿真系统中提供的方波为例进行仿真,加入高斯白噪声,信噪比为-9db。仿真平台操作系统是windows2007,采用matlab进行编译。
步骤A、对接收信号进行EMD分解,其中,分解层数m=9。
步骤B、对各级IMF分量求自相关,利用自相关界点选取法得到噪声分界点K,其中,K=4。
步骤C、根据IMF1~IMFK进行阈值量化。对于IMFj,阈值按照如下公式给出其中,median函数所得为第j个IMF分量的绝对中值,N=1024为信号长度,j表示第j个IMF分量,IMFj(i)表征第j个IMF分量中的的i个值,若其大于T0(j)则判定为信号部分,利用如下公式处理:
IMFj(i)=sign(IMFj(i))×(|IMFj(i)|-λ*T0(j))
其中,λ(λ=0.3)为试验常数参量;若其小于T0(j)则判定为噪声部分,赋予零。
步骤D、信号一级重构:利用阈值量化后的前K个IMF分量和未处理的IMF分量按照如下公式重构:
其中,m(m=9)为EMD分解层数。
步骤E、平稳小波变换:对一级处理后的信号进行小波分解。
步骤F、自适应小波阈值量化:对于第f层的小波细节部分SWDf,该级的阈值按照如下公式给出:
T1(f)=resort(index)
其中,resort为该级绝对值|SWDf|的降序排列序列,索引index按照如下公式给出
其中,α1=3,α2=4.5均为试验常数参量,N1=1024为经过信号一级处理的信号长度,N2=4为小波分解层数。对于第f层的第g个分量SWDf(g),若其大于T1(f)则判定为信号部分,按照如下公式进行阈值量化:
SWDf(g)=sign(SWDf(g))×(|SWDf(g)|-λ1*T1(f))
若其小于T1(f),则判定为噪声分量,赋予零。
步骤G、信号次级重构:根据阈值量化后的SWD和第4层的近似分量SWD4,利用平稳小波逆变换函数完成信号重构。
如图4所示,本发明提出的方法在较低信噪比下,去噪性能优于原始的EMD分解和小波分析去噪。
Claims (2)
1.一种基于经验模态分解与小波分析的信号联合去噪方法,其特征在于,包括如下步骤:
S1、对接收信号进行EMD分解,得到m个IMF分量;
S2、分别求取S1所述m个IMF分量的自相关函数,并选取出界值点K,所述界值点K为S1所述接收信号的IMF分量中信号主导部分和噪声主导部分的分界点,其中,1<K<m;
S3、根据公式对IMF1-IMFK进行阈值处理得到第j个IMF分量的阈值T0(j),其中,N为S1所述接收信号的长度,IMFj表示第j个IMF分量,1≤j≤K;
S4、对比S3所述第j个IMF分量的阈值与第j个IMF分量内元素的大小,具体为:
若IMFj(i)≥T0(j),则判定第j个IMF分量内元素i为S1所述接收信号的真实信号部分,转到S5,
若IMFj(i)<T0(j),则判定第j个IMF分量内元素i为S1所述接收信号的噪声部分,对所述元素i赋值为0;
S5、根据量化函数IMFj(i)=sign(IMFj(i))×(|IMFj(i)|-λ*T0(j))对S4所述第j个IMF分量内元素i进行阈值量化,得到量化后的IMF分量,其中,λ=0.3,i为不为零的自然数;
S6、将S5所述的量化后的IMF分量与IMFK+1-IMFm一起通过重构函数进行信号重构,完成信号一级处理,其中,n为离散变量;
S7、对S6所述完成信号一级处理的信号进行N2层平稳小波分解,得到小波系数细节部分和近似部分;
S8、根据公式T1(f)=resort(index)对S7所述小波系数的细节部分进行阈值处理得到第f层细节部分的阈值T1(f),所述resort(*)表示第f层绝对值|SWDf|的降序排列序列,索引index按照公式给出,其中,α1,α2均为试验常数参量,N1为S6所述完成信号一级处理的信号长度,1≤f≤N2;
S9、比较S8所述第f层细节部分的阈值T1(f)和第f层细节部分的第g个元素SWDf(g)的大小,
若SWDf(g)≥T1(f),则进行阈值量化,
若SWDf(g)<T1(f),则判定为噪声分量,赋值SWDf(g)=0;
S10、利用平稳小波逆变换函数完成次级信号重构:根据S9所述阈值量化后的细节部分和第N2层的近似部分,利用平稳小波逆变换函数完成信号重构。
2.根据权利要求1所述的一种基于经验模态分解与小波分析的信号联合去噪方法,其特征在于:S7所述N2=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049964.XA CN104636609B (zh) | 2015-01-30 | 2015-01-30 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049964.XA CN104636609B (zh) | 2015-01-30 | 2015-01-30 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636609A CN104636609A (zh) | 2015-05-20 |
CN104636609B true CN104636609B (zh) | 2017-12-19 |
Family
ID=53215350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510049964.XA Expired - Fee Related CN104636609B (zh) | 2015-01-30 | 2015-01-30 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636609B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447318B (zh) * | 2015-12-01 | 2018-04-17 | 北京科技大学 | 一种微弱信号去噪方法及装置 |
CN105573104A (zh) * | 2015-12-16 | 2016-05-11 | 上海大学 | 基于改进emd的手表检测降噪方法 |
CN106093701A (zh) * | 2016-06-06 | 2016-11-09 | 国家电网公司 | 一种基于经验模态分解滤波的电缆故障信号检测方法 |
CN106645943A (zh) * | 2016-09-14 | 2017-05-10 | 哈尔滨工业大学 | 一种基于小波理论和eemd的微弱信号的去噪方法 |
CN106798554A (zh) * | 2017-01-12 | 2017-06-06 | 安徽大学 | 一种含噪imf分量及心电信号的去噪方法 |
CN107272066B (zh) * | 2017-06-22 | 2019-01-25 | 东华理工大学 | 一种含噪地震信号初至走时拾取方法及装置 |
CN107302407B (zh) * | 2017-06-28 | 2021-06-22 | 北京航空航天大学 | 一种基于经验模态分解的电磁频谱信号场强的预处理方法 |
CN107782706A (zh) * | 2017-09-05 | 2018-03-09 | 燕山大学 | 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法 |
CN107991706B (zh) * | 2017-11-24 | 2020-07-31 | 华北科技学院 | 基于小波包多重阈值和改进经验模态分解的煤层水力压裂微震信号联合降噪方法 |
CN108871558B (zh) * | 2018-09-26 | 2021-05-07 | 国网安徽省电力有限公司铜陵市义安区供电公司 | 一种基于大数据的电力电缆运行振动健康监测系统 |
CN109409232B (zh) * | 2018-09-27 | 2020-04-10 | 广州供电局有限公司 | 噪声源检测方法、装置、计算机设备和存储介质 |
CN109410977B (zh) * | 2018-12-19 | 2022-09-23 | 东南大学 | 一种基于EMD-Wavelet的MFCC相似度的语音段检测方法 |
CN112213561B (zh) * | 2020-09-25 | 2022-01-18 | 清华大学 | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 |
CN112232321B (zh) * | 2020-12-14 | 2021-03-19 | 西南交通大学 | 一种振动数据干扰降噪方法、装置、设备及可读存储介质 |
CN112836583B (zh) * | 2021-01-05 | 2024-04-12 | 沈阳工业大学 | 一种风力机故障诊断方法 |
CN114966403B (zh) * | 2022-08-01 | 2022-10-25 | 山东博源精密机械有限公司 | 一种新能源汽车电机堵转故障检测方法及系统 |
CN117116291A (zh) * | 2023-08-22 | 2023-11-24 | 昆明理工大学 | 一种含沙水流冲击水轮机的声信号处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436586A (zh) * | 2011-10-28 | 2012-05-02 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
CN102930149A (zh) * | 2012-10-24 | 2013-02-13 | 武汉理工大学 | 基于pca和emd的传感器网络感知信息去噪处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090027648A1 (en) * | 2007-07-25 | 2009-01-29 | Asml Netherlands B.V. | Method of reducing noise in an original signal, and signal processing device therefor |
-
2015
- 2015-01-30 CN CN201510049964.XA patent/CN104636609B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436586A (zh) * | 2011-10-28 | 2012-05-02 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
CN102930149A (zh) * | 2012-10-24 | 2013-02-13 | 武汉理工大学 | 基于pca和emd的传感器网络感知信息去噪处理方法 |
Non-Patent Citations (1)
Title |
---|
激光超声信号去噪的经验模态分解实现及改进;罗玉昆等;《光学精密工程》;20130220;第21卷(第2期);第479-487页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636609A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636609B (zh) | 一种基于经验模态分解与小波分析的信号联合去噪方法 | |
CN105677035B (zh) | 基于eemd和小波阈值的运动想象脑电信号消噪方法 | |
CN107688120A (zh) | 基于模糊熵的含噪信号处理方法及迭代奇异谱软阈值去噪方法 | |
CN102279390B (zh) | 一种低信噪比雷达辐射源信号脉内调制识别方法 | |
Wang et al. | Fractal complexity-based feature extraction algorithm of communication signals | |
CN109325399B (zh) | 一种基于信道状态信息的陌生人手势识别方法及系统 | |
CN109001703A (zh) | 一种基于小波包多阈值处理的海杂波去噪办法 | |
CN109190673B (zh) | 基于随机森林和数据拒判的地面目标分类方法 | |
CN106529478A (zh) | 一种联合三维熵特征的雷达辐射源信号识别方法 | |
CN102901630A (zh) | 基于自适应冗余提升小波降噪分析的轴承故障识别方法 | |
CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN104635223A (zh) | 基于经验模式分解与分数阶傅里叶变换的激光回波去噪方法 | |
CN115700544A (zh) | 一种联合经验模态分解及小波软阈值的色谱信号去噪方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN112764003A (zh) | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 | |
Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN106842141B (zh) | 一种高阶多次共轭滞后积脉内分析方法 | |
Zhao et al. | Speech signal feature extraction based on wavelet transform | |
CN103605120B (zh) | 距离扩展目标内禀模态局部奇异值有序融合检测方法 | |
CN104467995B (zh) | 基于隐马尔科夫模型的盲主用户检测与发送电平识别方法 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
CN114417722A (zh) | 基于人工智能的雷电电磁脉冲波形压缩方法及系统 | |
CN104000587A (zh) | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 Termination date: 20210130 |