CN106092492A - 一种滤波去噪方法 - Google Patents
一种滤波去噪方法 Download PDFInfo
- Publication number
- CN106092492A CN106092492A CN201610381798.8A CN201610381798A CN106092492A CN 106092492 A CN106092492 A CN 106092492A CN 201610381798 A CN201610381798 A CN 201610381798A CN 106092492 A CN106092492 A CN 106092492A
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- probability
- point
- interval
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种滤波去噪方法,涉及用于空气动力学的实验和测试技术领域,能够在低信噪比场合下保持有效的去噪效果。本发明包括:采集背景噪声,获取所述背景噪声的噪声数据的概率分布规律,所述噪声数据的概率分布规律包括:所述噪声数据的偏离中心值的幅度和对应的概率,其中,按照分析精度的变化趋势将偏离度等分n个区间,所述对应的概率用于表示为噪声数据点落在各个区间内的概率值;根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声;对判定为噪声的数据点进行衰减,得到滤波去噪后的信号。本发明适用于高频测量的应用环境中信号采集分析。
Description
技术领域
本发明涉及用于空气动力学的实验和测试技术领域,尤其涉及一种滤波去噪方法。
背景技术
在许多进行高频测量的应用环境中,需要采用灵敏度较高的动态测量传感器,这就不可避免的会引入噪声信号,而噪声信号与物理信号叠加后会极大的增加后期的数据处理难度。
例如:在高信噪比场合,有用信号能量明显高于噪声信号能量,采用传统的傅里叶变换(例如图1,左边是样本全貌,右边是高频部分放大)及逆变换、小波变换的分解与重构(例如图2、图3,左边是样本全貌,右边是高频部分放大),或基于自相关系数去噪等滤波方法即可以有效去除噪声成分。但在一些需要进行高频测量的应用环境中,比如:在实验流体力学中,通过动态压力传感器测得的壁面压力,往往噪声信号的能量大于有用物理信号的能量或两者相当,且大部分压力等随机信号的数据呈现非平稳分布状态,此时传统的滤波方案难以有效降低噪声影响,并且还容易去除有用的物理信号成分,极大地降低了后期的分析处理的准确性。
发明内容
本发明的实施例提供一种滤波去噪方法,能够在低信噪比场合下保持有效的去噪效果,尽可能的保留了有用物理信息。为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,本发明的实施例提供的方法,包括:
采集的背景噪声,并获取所述背景噪声的噪声数据的概率分布规律,所述噪声数据的概率分布规律包括:所述噪声数据的偏离中心值的幅度和对应的概率,其中,按照分析精度的变化趋势将偏离度等分n个区间,所述对应的概率用于表示为噪声数据点落在各个区间内的概率值;
根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声;
对判定为噪声的数据点进行衰减,并得到滤波去噪后的信号。
结合第一方面,在第一方面的第一种可能的实现方式中,所述获取所述背景噪声的噪声数据的概率分布规律,包括:
获取所述背景噪声的数据偏离中心值的幅度及对应的概率,并按照分析精度的变化趋势将偏离度等分n个区间;
计算得到所述背景噪声的各数据点落在各个区间内的概率值,所述各数据点落在各个区间内的概率值表示为噪声数据概率分布函数F(x),其中,F表示概率值,x表示噪点偏离中心值的程度;
对噪声数据概率分布函数进行积分面积等分并确定分界点概率,并计算振幅能量高点所占样本容量大小的比率。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,还包括:对所述振幅能量的高点的尖锐点峰值按进行光顺处理。
结合第一方面或第一方面的第一种可能的实现方式,在第三种可能的实现方式中,所述根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声,包括:
根据滤波器截止频率确定最小短周期序列,并得到最小短周期序列下的自协方差函数其中, Δ表示序列的尺度,KX(Δ)为该尺度下的方差函数,RX(Δ)为自相关函数,σX为短序列标准差,mX为短序列期望,N为短序列样本量,x(n)为短序列原始数据按照预设的放大速率放大短周期序列的区间宽度,并根据自相关阈值的限制确定最小稳定尺度;
针对所述待处理信号的数据点,在所述最小稳定尺度内,根据偏离中心值的程度d和概率F(d)进行衰减,其中,进行的衰减依据:z=[1-F(d)]s,y=1-(z+1)-J,y为衰减率,S为概率识别因子,J为幅值识别因子。
结合第一方面或第一方面的第一种可能的实现方式,在第三种可能的实现方式中,在根据偏离中心值的程度d和概率F(d)进行衰减之前,还包括:按预设的精度对所述最小稳定尺度内的数据点进行光顺处理。
本发明实施例提供的去噪滤波的方法,能适用于高信噪比场合,又能在低信噪比环境中有效去噪,同时不影响有用的物理信息,并尽可能保留有用物理信息的成分。相比较基于傅里叶变换和小波变换的各种滤波器而言,去除的噪声更彻底,原有的物理信息几乎没有改变,而且计算量相较于傅里叶变换和逆变换要小。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为现有技术采用傅里叶变换的巴特沃斯低通滤波器得到的去噪滤波数据;
图2为现有技术采用D4小波经3次分解与重构得到的去噪滤波数据;
图3为现有技术采用D8小波经3次分解与重构得到的去噪滤波数据;
图4为用于实施测试而构造的无噪理想函数;
图5为基于工程背景实测的一段白噪声数据;
图6为构造的无噪理想函数与工程实测白噪声叠加的样本数据;
图7为本发明实施例的流程图;
图8为基于工程背景实测白噪声的概率分布函数图;
图9为采用本发明实施例方法后得到的去噪滤波数据。
图10为工程实例1实测数据使用本发明的去噪法去噪前后的对比图;
图11为工程实例2实测数据使用本发明的去噪法去噪前后的对比图;
其中,图1-6、9-11中的横坐标time(s)为时间参数值,纵坐标P(Pa)为压力参数值
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为达到上述目的,具体阐述实施方式,构造了一具体实施例,如图4至图6所示。其中图4是构造的无噪理想函数f(x),包含平直、低频、中频、高频、方波、锯齿波、阶跃、周期短脉冲等多种物理特征,图4左边为函数全貌,右边是高频部分;图5是基于一工程背景中实测的一组纯噪声数据r(n),即空采噪声数据,采样频率10000Hz,图5左边为样本全貌数据,右边为高频放大图;将构造的理想函数与实测的白噪声叠加并用10000Hz采样6.5s得到如图6所示样本数据,图6采样频率10000Hz,左边为样本全貌数据,右边为高频放大图;可见该样本数据信噪比较低,有利于凸显本发明方法优势。具体而言,本发明的实施例采用如下技术方案:
第一方面,本发明的实施例提供的方法,如图7所示,包括:
S1、采集的背景噪声,并获取所述背景噪声的噪声数据的概率分布规律,所述噪声数据的概率分布规律包括:所述噪声数据的偏离中心值的幅度和对应的概率,其中,按照分析精度的变化趋势将偏离度等分n个区间,所述对应的概率用于表示为噪声数据点落在各个区间内的概率值;
S2、根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声;
S3、对判定为噪声的数据点进行衰减,并得到滤波去噪后的信号。
在本实施例中,所述获取所述背景噪声的噪声数据的概率分布规律,包括:
获取所述背景噪声的数据偏离中心值的幅度及对应的概率,并按照分析精度的变化趋势将偏离度等分n个区间;
计算得到所述背景噪声的各数据点落在各个区间内的概率值,所述各数据点落在各个区间内的概率值表示为噪声数据概率分布函数F(x),参见图8,其中,F表示概率值,x表示噪点偏离中心值的程度;
对噪声数据概率分布函数进行积分面积等分并确定分界点概率,并计算振幅能量高点所占样本容量大小的比率。
结合图8,其中,式中G(y)是F(x)的反函数,令a=b解出x0与F(x0),以此作为分界点,计算出振幅能量较高点所占总样本容量的比率。
在本实施例中,还包括:对所述振幅能量的高点的尖锐点峰值按进行光顺处理。
在本实施例中,所述根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声,包括:
根据滤波器截止频率确定最小短周期序列,并得到最小短周期序列下的自协方差函数其中, Δ表示序列的尺度,KX(Δ)为该尺度下的方差函数,RX(Δ)为自相关函数,σX为短序列标准差,mX为短序列期望,N为短序列样本量,x(n)为短序列原始数据;
按照预设的放大速率放大短周期序列的区间宽度,并根据自相关阈值的限制确定最小稳定尺度;
针对所述待处理信号的数据点,在所述最小稳定尺度内,根据偏离中心值的程度d和概率F(d)进行衰减,其中,进行的衰减依据:z=[1-F(d)]s,y=1-(z+1)-J,y为衰减率,S为概率识别因子,J为幅值识别因子。
结合第一方面或第一方面的第一种可能的实现方式,在第三种可能的实现方式中,在根据偏离中心值的程度d和概率F(d)进行衰减之前,还包括:按预设的精度对所述最小稳定尺度内的数据点进行光顺处理。
图9是采用本发明实施例方法后得到的去噪滤波数据,左边是样本全貌,右边是高频部分放大图;将本发明实施例应用于工程实例,得到的效果如图10和图11所示可以看出,采用本发明实施例提供的去噪滤波的方法,能适用于高信噪比场合,又能在低信噪比环境中有效去噪,同时不影响有用的物理信息,并尽可能保留有用物理信息的成分。相比较基于傅里叶变换和小波变换的各种滤波器而言,去除的噪声更彻底,原有的物理信息几乎没有改变,而且计算量相较于傅里叶变换和逆变换要小。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种滤波去噪方法,其特征在于,包括:
采集背景噪声,获取所述背景噪声的噪声数据的概率分布规律,所述噪声数据的概率分布规律包括:所述噪声数据的偏离中心值的幅度和对应的概率,其中,按照分析精度的变化趋势将偏离度等分n个区间,所述对应的概率用于表示为噪声数据点落在各个区间内的概率值;
根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声;
对判定为噪声的数据点进行衰减,得到滤波去噪后的信号。
2.根据权利要求1所述的方法,其特征在于,所述获取所述背景噪声的噪声数据的概率分布规律,包括:
获取所述背景噪声的数据偏离中心值的幅度及对应的概率,并按照分析精度的变化趋势将偏离度等分n个区间;
计算得到所述背景噪声的各数据点落在各个区间内的概率值,所述各数据点落在各个区间内的概率值表示为噪声数据概率分布函数F(x),其中,F表示概率值,x表示噪点偏离中心值的程度;
对噪声数据概率分布函数进行积分面积等分并确定分界点概率,并计算振幅能量高点所占样本容量大小的比率。
3.根据权利要求2所述的方法,其特征在于,还包括:对所述振幅能量的高点的尖锐点峰值按进行光顺处理。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述根据所述噪声数据的概率分布规律,判定所述待处理信号中各数据点是否为噪声,包括:
根据滤波器截止频率确定最小短周期序列,并得到最小短周期序列下的自协方差函数其中, Δ表示序列的尺度,KX(△)为该尺度下的方差函数,RX(△)为自相关函数,σX为短序列标准差,mX为短序列期望,N为短序列样本量,x(n)为短序列原始数据。按照预设的放大速率放大短周期序列的区间宽度,并根据自相关阈值的限制确定最小稳定尺度;
针对所述待处理信号的数据点,在所述最小稳定尺度内,根据偏离中心值的程度d和概率F(d)进行衰减,其中,进行的衰减依据:z=[1-F(d)]s,y=1-(z+1)-J,y为衰减率,S为概率识别因子,J为幅值识别因子。
5.根据权利要求4所述的方法,其特征在于,在根据偏离中心值的程度d和概率F(d)进行衰减之前,还包括:按预设的精度对所述最小稳定尺度内的数据点进行光顺处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610381798.8A CN106092492B (zh) | 2016-06-01 | 2016-06-01 | 一种滤波去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610381798.8A CN106092492B (zh) | 2016-06-01 | 2016-06-01 | 一种滤波去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106092492A true CN106092492A (zh) | 2016-11-09 |
CN106092492B CN106092492B (zh) | 2018-08-28 |
Family
ID=57446964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610381798.8A Active CN106092492B (zh) | 2016-06-01 | 2016-06-01 | 一种滤波去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106092492B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191387A (zh) * | 2018-07-20 | 2019-01-11 | 河南师范大学 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
CN113031524A (zh) * | 2021-02-07 | 2021-06-25 | 南京航空航天大学 | 一种基于三次样条的压装力包络线生成方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04155268A (ja) * | 1990-10-18 | 1992-05-28 | Yamaha Corp | 周波数測定装置 |
CN101192411A (zh) * | 2007-12-27 | 2008-06-04 | 北京中星微电子有限公司 | 大距离麦克风阵列噪声消除的方法和噪声消除系统 |
CN101908138A (zh) * | 2010-06-30 | 2010-12-08 | 北京航空航天大学 | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 |
CN103792427A (zh) * | 2012-10-26 | 2014-05-14 | 安捷伦科技有限公司 | 对非平稳信号进行实时频谱分析的方法及系统 |
CN103954443A (zh) * | 2014-04-29 | 2014-07-30 | 华电电力科学研究院 | 自适应总体平均经验模式分解eemd协助噪声大小确定方法 |
CN103957068A (zh) * | 2014-04-14 | 2014-07-30 | 杭州电子科技大学 | 一种基于dpm模型的rb粒子滤波时间同步方法 |
DE102013013551A1 (de) * | 2013-08-13 | 2015-03-05 | Justus-Liebig-Universität Giessen | Verfahren zur Erkennung signifikant veränderter Signale vor einem Hintergrund dominanter Störungen |
CN104463841A (zh) * | 2014-10-21 | 2015-03-25 | 深圳大学 | 衰减系数自适应的滤波方法及滤波系统 |
CN104616011A (zh) * | 2015-02-13 | 2015-05-13 | 中国人民解放军国防科学技术大学 | 基于梯度信息和块状区域组合先验的mrf车牌去噪算法 |
CN104849552A (zh) * | 2015-05-14 | 2015-08-19 | 浙江大学 | 一种基于自适应陷波滤波器的谐波提取方法 |
-
2016
- 2016-06-01 CN CN201610381798.8A patent/CN106092492B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04155268A (ja) * | 1990-10-18 | 1992-05-28 | Yamaha Corp | 周波数測定装置 |
CN101192411A (zh) * | 2007-12-27 | 2008-06-04 | 北京中星微电子有限公司 | 大距离麦克风阵列噪声消除的方法和噪声消除系统 |
CN101908138A (zh) * | 2010-06-30 | 2010-12-08 | 北京航空航天大学 | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 |
CN103792427A (zh) * | 2012-10-26 | 2014-05-14 | 安捷伦科技有限公司 | 对非平稳信号进行实时频谱分析的方法及系统 |
DE102013013551A1 (de) * | 2013-08-13 | 2015-03-05 | Justus-Liebig-Universität Giessen | Verfahren zur Erkennung signifikant veränderter Signale vor einem Hintergrund dominanter Störungen |
CN103957068A (zh) * | 2014-04-14 | 2014-07-30 | 杭州电子科技大学 | 一种基于dpm模型的rb粒子滤波时间同步方法 |
CN103954443A (zh) * | 2014-04-29 | 2014-07-30 | 华电电力科学研究院 | 自适应总体平均经验模式分解eemd协助噪声大小确定方法 |
CN104463841A (zh) * | 2014-10-21 | 2015-03-25 | 深圳大学 | 衰减系数自适应的滤波方法及滤波系统 |
CN104616011A (zh) * | 2015-02-13 | 2015-05-13 | 中国人民解放军国防科学技术大学 | 基于梯度信息和块状区域组合先验的mrf车牌去噪算法 |
CN104849552A (zh) * | 2015-05-14 | 2015-08-19 | 浙江大学 | 一种基于自适应陷波滤波器的谐波提取方法 |
Non-Patent Citations (2)
Title |
---|
占荣辉 等: "基于序贯蒙特卡罗概率假设密度滤波的多目标检测前跟踪改进算法", 《电子与信息学报》 * |
罗焕章: "方向性滤波去噪方法及其应用", 《油气地质与采收率》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191387A (zh) * | 2018-07-20 | 2019-01-11 | 河南师范大学 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
CN109191387B (zh) * | 2018-07-20 | 2021-09-24 | 河南师范大学 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
CN113031524A (zh) * | 2021-02-07 | 2021-06-25 | 南京航空航天大学 | 一种基于三次样条的压装力包络线生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106092492B (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20090030628A1 (en) | Signal analyser | |
CN104793253A (zh) | 基于数学形态学的航空电磁数据去噪方法 | |
CN106887238A (zh) | 一种基于改进独立向量分析算法的声信号盲分离方法 | |
CN106199185B (zh) | 一种基于连续对数扫频的线性脉冲响应测量方法及系统 | |
CN109085477B (zh) | 用于电力电缆分布式局部放电监测系统的信号识别和定位方法 | |
CN107607065A (zh) | 一种基于变分模态分解的冲击回波信号分析方法 | |
CN107843305B (zh) | 一种基于回波信号包络拟合的气体超声波流量计信号处理方法 | |
CN104133248B (zh) | 一种高保真声波干扰压制方法 | |
CN106092492A (zh) | 一种滤波去噪方法 | |
CN1678129B (zh) | 啸叫频率分量加重方法及设备 | |
CN103308829B (zh) | 一种gis单次局放信号提取与触发时刻调整方法 | |
Melgoza et al. | Comparing radar receiver pulse deinterleaving performance of differing window functions for bandpass FIR filter design | |
CN110049423A (zh) | 一种利用广义互相关和能量谱检测麦克风的方法和系统 | |
CN111143927B (zh) | 一种基于结构响应线性组合的约束模态分解与频率识别方法 | |
CN108872402B (zh) | 超声波巴特沃斯、汉宁窗组合带阻滤波方法 | |
CN105092022B (zh) | 基于抹香鲸叫声的水下目标测距单脉冲筛选方法及装置 | |
CN117238313A (zh) | 基于梅尔谱和深度学习的西瓜成熟度无损检测方法及系统 | |
CN108195326B (zh) | 一种基于经验模态分解的撞击定位方法 | |
US20100268080A1 (en) | Apparatus and technique to inspect muscle function | |
CN108535542B (zh) | 一种寻峰鉴相方法 | |
Wu et al. | De-noising algorithm based on compression of wavelet coefficient for MEMS accelerometer signal | |
CN111707304A (zh) | 一种变步长光纤f-p传感器离散腔长快速解调方法 | |
CN112505640A (zh) | 基于参数自适应的扩展b分布脉冲信号时频分析方法 | |
CN110161560A (zh) | 一种微震事件的检测方法和装置 | |
CN105699981A (zh) | 一种测量云层高度和厚度的硬件和软件配合方法 |
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 |