CN105447318B - 一种微弱信号去噪方法及装置 - Google Patents
一种微弱信号去噪方法及装置 Download PDFInfo
- Publication number
- CN105447318B CN105447318B CN201510868151.3A CN201510868151A CN105447318B CN 105447318 B CN105447318 B CN 105447318B CN 201510868151 A CN201510868151 A CN 201510868151A CN 105447318 B CN105447318 B CN 105447318B
- Authority
- CN
- China
- Prior art keywords
- mode
- mrow
- peak value
- irrelevant
- signals
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明提供一种微弱信号去噪方法及装置,能够无失真的重构原始微弱信号,同时提高重构信号的信噪比。所述方法包括:获取含噪信号和所述含噪信号分解后的本征模态;根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号。本发明适用于信号处理技术领域。
Description
技术领域
本发明涉及信号处理技术领域,特别是指一种微弱信号去噪方法及装置。
背景技术
目前,实现经验模态分解(Empirical Mode Decomposition,EMD)去噪的最普遍的方法是将含噪信号进行EMD分解后,对形成的一系列本征模态作详细特征分析,包括能量角度、相似性判断角度、均方误差角度和自相关系数角度等考虑不同模态和原始含噪信号的差别,然后利用这些差别实现信号和背景噪声的初步分离。
基于EMD去噪研究的核心问题之一是模态选择。模态选择是指在经由EMD分解得到的一系列本征模态函数中,包括有噪声主导模态和信号主导模态,有效的区分这两种模态是之后信号处理的第一步。模态选择问题中最重要的是分界模态的判断,分界模态是可以有效的代表信号主导模态的第一个模态。分界模态的判断从最初由Flandrin提出的连续均方误差(Continuous Mean Square Error,CMSE)判断准则开始,近年来发展出许多构思在不同信号特征量上的判断方法。这些判断方法在不同的输入信噪比范围内有各自的优异性能表现,其中引人注意的是几何距离在模态判断中的使用。
Ali Komaty,Abdel Boudraa和Delphine Dare在2012IEEE InternationalSymposium on Signal Processing and Information Technology中提出一种基于豪斯多夫距离(Hausdorff Distance)的模态选择方法。该方法原理如下:首先通过EMD分解得到各个本征模态函数(Intrinsic Mode Function,IMF),然后计算每个模态的概率密度函数,并作出相应的概率密度曲线。算法将概率密度曲线作为一种几何形状加以考量,基于豪斯多夫距离,以原始含噪信号的概率密度曲线作为比较参考曲线,分别将其与各模态概率密度曲线进行相似性比较。比较过程遵循下式:
kHD=arg max{hd(i)}+1
最终分界模态的序号应该满足如下条件:选取两比较曲线间豪斯多夫距离达到最大值后的下一个模态。最后计算所得的kHD为首个相关模态的序号,利用序号kHD及其之后的各模态来重构信号。
基于豪斯多夫距离的EMD去噪算法通过以信号的概率密度曲线为研究对象,考察各模态和含噪信号概率密度曲线的相似性,以选取豪斯多夫距离首次达到极大值后的第一个模态为分界模态为判据,在信号去噪方面相比于中值滤波和均值滤波等传统滤波方法性能提升较大。但该方法在实施过程中仅以几何形状和豪斯多夫距离本身特性作为技术基础,单从序列数据大小出发,未充分考虑微弱信号的特性,因此在对微弱信号实施过程中无法保证算法性能的完整复现。同时,豪斯多夫距离在比较曲线相似性时对几何形状具有敏感性,也即两条曲线间的豪斯多夫距离值可能很小,但并不能保证两条曲线相似,这点在判断概率密度曲线时有负面影响。另外,该方法是一种失真测量法,在信号重构之后虽然信噪比有所提升,但是性能差。
发明内容
本发明要解决的技术问题是提供一种微弱信号去噪方法及装置,能够提高重构信号的信噪比,无失真地还原出原始的微弱信号。
为解决上述技术问题,本发明实施例提供一种微弱信号去噪方法,包括:
获取含噪信号和所述含噪信号分解后的本征模态;
根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;
根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;
将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号。
进一步地,所述根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态包括:
根据获取到的含噪信号和分解后的本征模态,得到含噪信号和所述含噪信号分解后的各本征模态的概率密度曲线;
将含噪信号的概率密度曲线作为参考,确定所述含噪信号的概率密度曲线与各本征模态的概率密度曲线间的弗雷歇距离;
将最大弗雷歇距离对应的本征模态确定为分界模态,通过所述分界模态将所有的本征模态分为相关模态和非相关模态。
进一步地,所述将含噪信号的概率密度曲线作为参考包括:
若含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点不在同一点,则平移本征模态的概率密度曲线,使含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点在同一点。
进一步地,所述根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪包括:
获取每个相关模态的概率密度曲线的峰值及所述峰值所处的区间范围;
根据所述峰值及所述峰值所处的区间范围确定对应的相关模态的峰值区间范围概率值;
根据所述峰值区间范围概率值确定对应的相关模态的峰值区间信息熵,并记录每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵;
根据记录的每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪。
进一步地,所述根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪包括:
对非相关模态执行模态区间阈值去噪算法,得到去噪后的非相关模态所述模态区间阈值去噪算法的公式为:
其中,kfd表示分界模态对应的序号,表示去噪后的第i个IMF,表示第i个IMF第j区间内的样本,表示第j区间内的极值点,Ti表示第i个IMF的去噪阈值,其值取值取决于各个本征模态的能量和样本数。
进一步地,所述区间包括:超过去噪阈值的一个极大值点和两个极小值点;
超过去噪阈值的非相关模态信号及位于去噪阈值内的处于相邻两个过零点之间的非相关模态信号被原样保留,其余非相关模态信号被置为0。
本发明实施例还提供一种微弱信号去噪装置,包括:
获取单元,用于获取含噪信号和所述含噪信号分解后的本征模态;
模态划分单元,用于根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;
去噪单元,用于根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;
重构单元,用于将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号。
进一步地,所述模态划分单元包括:
曲线生成模块,用于根据获取到的含噪信号和分解后的本征模态,得到含噪信号和所述含噪信号分解后的各本征模态的概率密度曲线;
距离确定模块,用于将含噪信号的概率密度曲线作为参考,确定所述含噪信号的概率密度曲线与各本征模态的概率密度曲线间的弗雷歇距离;
模态划分模块,用于将最大弗雷歇距离对应的本征模态确定为分界模态,通过所述分界模态将所有的本征模态分为相关模态和非相关模态;
其中,含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点在同一点。
进一步地,所述去噪单元包括:
获取模块,用于获取每个相关模态的概率密度曲线的峰值及所述峰值所处的区间范围;
概率值确定模块,用于根据所述峰值及所述峰值所处的区间范围确定对应的相关模态的峰值区间范围概率值;
记录模块,用于根据所述峰值区间范围概率值确定对应的相关模态的峰值区间信息熵,并记录每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵;
去噪模块,用于根据记录的每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪。
进一步地,所述去噪模块,用于对非相关模态执行模态区间阈值去噪算法,超过去噪阈值的非相关模态信号及位于去噪阈值内的处于相邻两个过零点之间的非相关模态信号被原样保留,其余非相关模态信号被置为0,得到去噪后的非相关模态所述模态区间阈值去噪算法的公式为:
其中,kfd表示分界模态对应的序号,表示去噪后的第i个IMF,表示第i个IMF第j区间内的样本,表示第j区间内的极值点,Ti表示第i个IMF的去噪阈值,其值取值取决于各个本征模态的能量和样本数;所述区间包括:超过去噪阈值的一个极大值点和两个极小值点。
本发明的上述技术方案的有益效果如下:
上述方案中,通过弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;并根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;最后,将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构出原始的微弱信号。这样,通过弗雷歇距离判断准则,能够避免现有技术中针对两条不相似曲线却具有小豪斯多夫距离值的误判,且采用峰值区间信息熵衰减的思想构造非相关模态的去噪阈值,通过去噪阈值对非相关模态进行去噪处理分离出有用信号,能够提高重构信号的信噪比、降低均方误差,无失真地还原出原始的微弱信号。
附图说明
图1为本发明实施例提供的微弱信号去噪方法的方法流程图;
图2为本发明实施例提供的根据弗雷歇距离判断准则确定分界模态的方法流程图;
图3为本发明实施例提供的两条曲线间的弗雷歇距离示意图;
图4为本发明实施例提供的概率密度曲线峰值区间范围的概率值示意图;
图5为本发明实施例提供的非相关模态区间阈值算法流程图;
图6(a)为非相关模态信号示意图;
图6(b)为在区间保留超过去噪阈值的非相关模态信号的示意图;
图6(c)为非相关模态区间阈值去噪示意图;
图7为本发明实施例提供的微弱信号去噪装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例一
参看图1所示,本发明实施例提供的一种微弱信号去噪方法,包括:
获取含噪信号和所述含噪信号分解后的本征模态;
根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;
根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;
将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号。
本发明实施例所述的微弱信号去噪方法,通过弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;并根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;最后,将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构出原始的微弱信号。这样,通过弗雷歇距离判断准则,能够避免现有技术中针对两条不相似曲线却具有小豪斯多夫距离值的误判,且采用峰值区间信息熵衰减的思想构造非相关模态的去噪阈值,通过去噪阈值对非相关模态进行去噪处理分离出有用信号,能够提高重构信号的信噪比、降低均方误差,无失真地还原出原始的微弱信号。
在前述微弱信号去噪方法的具体实施方式中,进一步地,所述根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态包括:
根据获取到的含噪信号和分解后的本征模态,得到含噪信号和所述含噪信号分解后的各本征模态的概率密度曲线;
将含噪信号的概率密度曲线作为参考,确定所述含噪信号的概率密度曲线与各本征模态的概率密度曲线间的弗雷歇距离;
将最大弗雷歇距离对应的本征模态确定为分界模态,通过所述分界模态将所有的本征模态分为相关模态和非相关模态。
本发明实施例中,所述含噪信号为微弱信号,基于微弱信号噪声数据占据量大、含噪信号的概率密度函数更多地取决于噪声数据的特征,在对本征模态概率密度函数曲线和含噪信号的概率密度函数曲线进行比较时,将弗雷歇距离作为模态选择/划分的基本判断准则,如图2所示,执行过程如下:
首先,例如,可以获取-5dB含噪信号x(t),并对所述含噪信号做时间离散、幅值归一化处理,得到离散信号x(n),然后,使用经验模态分解(EMD)方法对x(n)进行模态分解,得到一系列个本征模态(本征模态函数IMF),将所得的各本征模态放入向量点集中,其中的点分别代表不同采样点下的幅值强度,点序号代表各离散时刻,点大小代表不同强度;
其次,例如,可以通过核心平滑密度估计方法计算含噪信号x(n)和模态分解后得到的各本征模态(函数)的概率密度函数;
接着,在得到含噪信号和各本征模态的概率密度曲线之后,将含噪信号的概率密度曲线作为参考,计算其与不同本征模态概率密度曲线间的弗雷歇距离fd(i):
fd(i)=FD[pdf(x(t)),pdf(IMFi(t))]
式中,pdf表示概率密度函数,FD表示弗雷歇距离,fd(i)表示第i个IMFi(t))的概率密度曲线到含噪信号x(t)的概率密度曲线间的弗雷歇距离。
本发明实施例中,以弗雷歇距离大小为判断准则判断相关模态和非相关模态,该判断准则为:当弗雷歇距离在第一个最大值之后开始减小时,选择这个本征模态作为分界模态,并根据弗雷歇距离特性kfd=argmax{fd(i)}+1选取分界模态对应的序号kfd,从而,得到相关模态和非相关模态其中,N表示分解得到的IMF的数量,参看图3所示,可以得到kfd=7,图3中,Q表示含噪信号的概率密度曲线,P表示本征模态的概率密度曲线,曲线P和曲线Q上的各点间的连线按点位置和顺序分别相连,并且遵循相邻两点不能相互跨越的原则,当把两个曲线起始点保持一致时,该曲线的弗雷歇距离为0,意即曲线完全相同。这样,通过弗雷歇距离综合考虑了本征模态的位置和顺序,对曲线流形特质加以综合分析,避免了两条不相似曲线却具有小豪斯多夫距离值的误判。
在前述微弱信号去噪方法的具体实施方式中,进一步地,所述将含噪信号的概率密度曲线作为参考包括:
若含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点不在同一点,则平移本征模态的概率密度曲线,使含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点在同一点。
本发明实施例中,计算弗雷歇距离时需要满足以下条件:保证各本征模态概率密度曲线的起始点与含噪信号概率密度曲线的起始点保持在同一点,如果二者起始点不在同一点,则需要平移本征模态概率密度曲线,使含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点在同一点。
本发明实施例中,当选定第7个模态作为分界模态后,将所有的本征模态分为相关模态和非相关模态后,对非相关模态执行模态区间阈值去噪算法,具体算法如下:
首先,对第7个本征模态和之后的各本征模态的概率密度曲线进行峰值区间信息熵计算:
获取每个相关模态的概率密度曲线的峰值及所述峰值所处的区间范围,并进行记录,根据所述峰值及所述峰值所处的区间范围确定对应的相关模态的峰值区间范围概率值,由此获得各个模态下取值可能性最大的峰值区间范围概率值,参看图4所示,图中的阴影部分为峰值区间范围的概率值;根据所述峰值区间范围概率值确定对应的相关模态的峰值区间信息熵,并记录。
接着,根据记录的每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵,采用峰值区间信息熵衰减的思想构造非相关模态的去噪阈值对非相关模态进行阈值去噪。
本发明实施例中,非相关模态中含有大量的噪声信号,但也同时含有少量的有用信号,针对采用模态选择方法重构原始微弱信号存在失真度较高的缺陷,为了避免有用信号的简单丢弃,综合考虑了有用信号峰值区间信息熵及其衰减程度,采用峰值区间信息熵衰减的思想构造非相关模态的去噪阈值,通过去噪阈值对非相关模态进行去噪处理分离出有用信号,能够保证最后重构输出的原始微弱信号具有较高的信噪比和较低的失真度。
本发明实施例中,对非相关模态执行模态区间阈值去噪算法,使非相关模态信号中的噪声分量得以减小,得到去噪后的非相关模态所述模态区间阈值去噪算法的公式为:
其中,kfd表示分界模态对应的序号,表示去噪后的第i个IMF,表示第i个IMF第j区间内的样本,表示第j区间内的极值点,Ti表示第i个IMF的去噪阈值,其值取值取决于各个本征模态的能量和样本数。
本发明实施例中,参看图6(a)所示,所述区间必须含有超过去噪阈值的三个极值点,所述三个极值点包括:一个极大值点和两个极小值点。
本发明实施例中,不同的非相关模态具有不同的去噪阈值,根据得到的去噪阈值对非相关模态依次进行阈值去噪。通过所述模态区间阈值去噪算法对非相关模态依次进行阈值去噪后,超过去噪阈值的非相关模态信号及位于去噪阈值内的处于相邻两个过零点之间的非相关模态信号被原样保留,其余非相关模态信号被置为0,如图5和图6(b),6(c)所示。
本发明实施例中,最后,将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号
式中,IMFi(t)表示第i相关模态,表示经过阈值去噪的第i非相关模态。
实施例二
本发明还提供一种微弱信号去噪装置的具体实施方式,由于本发明提供的微弱信号去噪装置与前述微弱信号去噪方法的具体实施方式相对应,该微弱信号去噪装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述微弱信号去噪方法具体实施方式中的解释说明,也适用于本发明提供的微弱信号去噪装置的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
参看图7所示,本发明实施例还提供一种微弱信号去噪装置,包括:
获取单元101,用于获取含噪信号和所述含噪信号分解后的本征模态;
模态划分单元102,用于根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;
去噪单元103,用于根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;
重构单元104,用于将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号。
本发明实施例所述的微弱信号去噪装置,通过弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;并根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;最后,将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构出原始的微弱信号。这样,通过弗雷歇距离判断准则,能够避免现有技术中针对两条不相似曲线却具有小豪斯多夫距离值的误判,且采用峰值区间信息熵衰减的思想构造非相关模态的去噪阈值,通过去噪阈值对非相关模态进行去噪处理分离出有用信号,能够提高重构信号的信噪比、降低均方误差,无失真地还原出原始的微弱信号。
在前述微弱信号去噪装置的具体实施方式中,进一步地,所述模态划分单元102包括:
曲线生成模块,用于根据获取到的含噪信号和分解后的本征模态,得到含噪信号和所述含噪信号分解后的各本征模态的概率密度曲线;
距离确定模块,用于将含噪信号的概率密度曲线作为参考,确定所述含噪信号的概率密度曲线与各本征模态的概率密度曲线间的弗雷歇距离;
模态划分模块,用于将最大弗雷歇距离对应的本征模态确定为分界模态,通过所述分界模态将所有的本征模态分为相关模态和非相关模态;
其中,含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点在同一点。
在前述微弱信号去噪装置的具体实施方式中,进一步地,所述去噪单元103包括:
获取模块,用于获取每个相关模态的概率密度曲线的峰值及所述峰值所处的区间范围;
概率值确定模块,用于根据所述峰值及所述峰值所处的区间范围确定对应的相关模态的峰值区间范围概率值;
记录模块,用于根据所述峰值区间范围概率值确定对应的相关模态的峰值区间信息熵,并记录每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵;
去噪模块,用于根据记录的每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪。
在前述微弱信号去噪装置的具体实施方式中,进一步地,所述去噪模块,用于对非相关模态执行模态区间阈值去噪算法,超过去噪阈值的非相关模态信号及位于去噪阈值内的处于相邻两个过零点之间的非相关模态信号被原样保留,其余非相关模态信号被置为0,得到去噪后的非相关模态所述模态区间阈值去噪算法的公式为:
其中,kfd表示分界模态对应的序号,表示去噪后的第i个IMF,表示第i个IMF第j区间内的样本,表示第j区间内的极值点,Ti表示第i个IMF的去噪阈值,其值取值取决于各个本征模态的能量和样本数;所述区间包括:超过去噪阈值的一个极大值点和两个极小值点。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种微弱信号去噪方法,其特征在于,包括:
获取含噪信号和所述含噪信号分解后的本征模态;
根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态;
根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪;
将去噪后的非相关模态和弗雷歇距离判定的相关模态进行信号叠加,重构原始的微弱信号;
其中,所述根据弗雷歇距离判断准则确定分界模态,将分解后的本征模态分为相关模态和非相关模态包括:
根据获取到的含噪信号和分解后的本征模态,得到含噪信号和所述含噪信号分解后的各本征模态的概率密度曲线;
将含噪信号的概率密度曲线作为参考,确定所述含噪信号的概率密度曲线与各本征模态的概率密度曲线间的弗雷歇距离;
将最大弗雷歇距离对应的本征模态确定为分界模态,通过所述分界模态将所有的本征模态分为相关模态和非相关模态;
其中,所述根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪包括:
获取每个相关模态的概率密度曲线的峰值及所述峰值所处的区间范围;
根据所述峰值及所述峰值所处的区间范围确定对应的相关模态的峰值区间范围概率值;
根据所述峰值区间范围概率值确定对应的相关模态的峰值区间信息熵,并记录每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵;
根据记录的每个相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵,采用峰值区间信息熵衰减的思想构造非相关模态的去噪阈值对非相关模态进行阈值去噪;
其中,根据相关模态的峰值、所述峰值所处的区间范围和峰值区间信息熵构造非相关模态的去噪阈值对非相关模态进行阈值去噪包括:
对非相关模态执行模态区间阈值去噪算法,得到去噪后的非相关模态所述模态区间阈值去噪算法的公式为:
<mrow>
<msup>
<mover>
<mrow>
<mi>i</mi>
<mi>m</mi>
<mi>f</mi>
</mrow>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>imf</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>|</mo>
<msup>
<mi>imf</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msup>
<mi>imf</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msup>
<mi>imf</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>></mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<msup>
<mi>imf</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,kfd表示分界模态对应的序号,表示去噪后的第i个IMF,表示第i个IMF第j区间内的样本,表示第j区间内的极值点,Ti表示第i个IMF的去噪阈值,其值取值取决于各个本征模态的能量、样本数和信息熵的衰减程度。
2.根据权利要求1所述的方法,其特征在于,所述将含噪信号的概率密度曲线作为参考包括:
若含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点不在同一点,则平移本征模态的概率密度曲线,使含噪信号的概率密度曲线的起始点与本征模态的概率密度曲线的起始点在同一点。
3.根据权利要求1所述的方法,其特征在于,所述区间包括:超过去噪阈值的一个极大值点和两个极小值点;
超过去噪阈值的非相关模态信号及位于去噪阈值内的处于相邻两个过零点之间的非相关模态信号被原样保留,其余非相关模态信号被置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510868151.3A CN105447318B (zh) | 2015-12-01 | 2015-12-01 | 一种微弱信号去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510868151.3A CN105447318B (zh) | 2015-12-01 | 2015-12-01 | 一种微弱信号去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447318A CN105447318A (zh) | 2016-03-30 |
CN105447318B true CN105447318B (zh) | 2018-04-17 |
Family
ID=55557488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510868151.3A Active CN105447318B (zh) | 2015-12-01 | 2015-12-01 | 一种微弱信号去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447318B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144829B (zh) * | 2017-06-29 | 2019-11-19 | 南京信息工程大学 | 一种高效的激光雷达回波信号去噪方法 |
CN107766793A (zh) * | 2017-09-20 | 2018-03-06 | 天津大学 | 基于混合型方法的mems陀螺仪信号去噪处理方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN111275019B (zh) * | 2020-03-09 | 2022-02-08 | 哈尔滨理工大学 | 一种微弱信号噪声剥离方法 |
CN111914806B (zh) * | 2020-08-18 | 2023-12-15 | 成都爱科特科技发展有限公司 | 一种高噪声环境下超短波微弱信号检测方法、装置、终端设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984866A (zh) * | 2014-05-20 | 2014-08-13 | 浙江师范大学 | 一种基于局域均值分解的信号去噪方法 |
CN104182625A (zh) * | 2014-08-15 | 2014-12-03 | 重庆邮电大学 | 基于形态学与emd类小波阈值的心电信号去噪方法 |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012025694A1 (fr) * | 2010-08-27 | 2012-03-01 | France Telecom | Traitement de donnees pour le debruitage d'un signal |
-
2015
- 2015-12-01 CN CN201510868151.3A patent/CN105447318B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984866A (zh) * | 2014-05-20 | 2014-08-13 | 浙江师范大学 | 一种基于局域均值分解的信号去噪方法 |
CN104182625A (zh) * | 2014-08-15 | 2014-12-03 | 重庆邮电大学 | 基于形态学与emd类小波阈值的心电信号去噪方法 |
CN104636609A (zh) * | 2015-01-30 | 2015-05-20 | 电子科技大学 | 一种基于经验模态分解与小波分析的信号联合去噪方法 |
Non-Patent Citations (6)
Title |
---|
Development of EMD-Based Denoising Methods Inspired by Wavelet Thresholding;Yannis Kopsinis 等;《IEEE Transactions on Signal Processing》;20090123;第57卷(第4期);第1351-1362页第IV小节 * |
The de-noising method of EMD threshold based on correlation;Li Xiaofeng 等;《IEEE International Conference on Signal Processing》;20101028;第2613-2616页 * |
一种改善微弱信号信噪比的小波变换消噪法;张海波 等;《现代电子技术》;20090215(第4期);第124-126,130页 * |
基于Fréchet距离准则的智能地图匹配算法;曹凯 等;《计算机工程与应用》;20071001;第43卷(第28期);第223-226页第1-2小节 * |
基于经验模态分解(EMD)的小波阈值除噪方法;杜修力 等;《北京工业大学学报》;20070331;第33卷(第3期);第265-272页 * |
基于经验模态分解和小波变换声发射信号去噪;于金涛 等;《哈尔滨工业大学学报》;20111031;第43卷(第10期);第88-92页第1小节,图1 * |
Also Published As
Publication number | Publication date |
---|---|
CN105447318A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447318B (zh) | 一种微弱信号去噪方法及装置 | |
CN103543469B (zh) | 一种基于小波变换的小尺度阈值去噪方法 | |
CN103761719B (zh) | 一种基于邻域相关性的自适应小波阈值去噪方法 | |
CN107192878A (zh) | 一种基于压缩感知的电力系统谐波检测方法及装置 | |
CN107132579B (zh) | 一种保地层结构的地震波衰减补偿方法 | |
CN102928517A (zh) | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 | |
CN101739671A (zh) | 一种含噪图像的降噪处理方法及系统 | |
CN107144879A (zh) | 一种基于自适应滤波与小波变换结合的地震波降噪方法 | |
CN103247028A (zh) | 一种多假设预测的分块压缩感知图像处理方法 | |
CN103745727A (zh) | 一种含噪声语音信号压缩感知方法 | |
CN105913402B (zh) | 一种基于ds证据理论的多幅遥感图像融合去噪方法 | |
CN106094046A (zh) | 基于奇异值分解和小波分析的时间域航空电磁数据去噪方法 | |
CN107179550B (zh) | 一种数据驱动的地震信号零相位反褶积方法 | |
CN106680874A (zh) | 基于波形形态特征稀疏化建模的谐波噪声压制方法 | |
CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
CN104730572B (zh) | 一种基于l0半范数的绕射波成像方法及装置 | |
CN104635264B (zh) | 叠前地震数据的处理方法及设备 | |
CN104280776A (zh) | 一种自适应小波阈值求取方法 | |
CN103645504A (zh) | 基于广义瞬时相位及p范数负模的地震弱信号处理方法 | |
CN106950597B (zh) | 基于三边滤波的混合震源数据分离方法 | |
Li et al. | An attention‐guided convolution neural network for denoising of distributed acoustic sensing–vertical seismic profile data | |
CN103323853B (zh) | 一种基于小波包和双谱的鱼类识别方法及系统 | |
CN106024006A (zh) | 基于小波变换的鲸类叫声信号去噪方法和装置 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN103839239A (zh) | 一种电缆瓷套终端红外图像自适应去噪方法 |
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 |