CN107895141A - 一种用于含噪enpemf信号的镜像累加nnmp‑sst时频分析方法 - Google Patents

一种用于含噪enpemf信号的镜像累加nnmp‑sst时频分析方法 Download PDF

Info

Publication number
CN107895141A
CN107895141A CN201710994617.3A CN201710994617A CN107895141A CN 107895141 A CN107895141 A CN 107895141A CN 201710994617 A CN201710994617 A CN 201710994617A CN 107895141 A CN107895141 A CN 107895141A
Authority
CN
China
Prior art keywords
signal
mirror image
noisy
row
nnmp
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
Application number
CN201710994617.3A
Other languages
English (en)
Other versions
CN107895141B (zh
Inventor
郝国成
冯思权
白雨晓
喻佳成
王巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710994617.3A priority Critical patent/CN107895141B/zh
Publication of CN107895141A publication Critical patent/CN107895141A/zh
Application granted granted Critical
Publication of CN107895141B publication Critical patent/CN107895141B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Picture Signal Circuits (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种用于含噪ENPEMF信号的镜像累加NNMP‑SST时频分析方法，包括步骤：对含噪ENPEMF信号进行累加并镜像优化；镜像优化后的待处理信号经稀疏分解得到分量信号IMF1和IMF2后将其组合得到组合后的信号矩阵；初始化信号矩阵的可信度系数和归一化系数；求出初始化后的信号矩阵的分量幅值；确定初始化后的信号矩阵的第i行分量幅值的最大值并确定第i行所有可信度系数等级，然后对初始化后的信号矩阵的第i行分量幅值相应进行归一化得到第i行优化矩阵；判断第i行是否为最后一行；若是，则得到优化信号矩阵；若不是，则i＝i+1并回到确定初始化后的信号矩阵的第i行分量幅值的最大值重新执行后续步骤。本发明可以得到较理想的信号时频联合分布图。

Description

一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法
技术领域
本发明涉及非平稳数据的时频分析处理领域，具体涉及一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法。
背景技术
NMP-SST算法作为时频分析方法的主要优点表现在四个方面：对窗函数的依赖性小、时频图中频率分量曲线聚集度高、对输入信号的频率宽度和幅度范围有较好的适应性、具有较好的抗噪声性能。但是，NMP-SST算法存在高频损失问题和交叉点频率模糊问题。
发明内容
本发明提供了一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，可以有效解决上述问题。
本发明提供的技术方案是：一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，所述方法包括步骤：步骤1：对含噪ENPEMF信号进行累加得到待处理信号；步骤2：对所述待处理信号进行镜像优化得到镜像优化后的待处理信号；步骤3：对所述镜像优化后的待处理信号进行稀疏分解得到分量信号IMF1和IMF2；步骤4：将所述IMF1和IMF2组合得到组合后的信号矩阵x’a；步骤5：初始化信号矩阵x’a的可信度系数和归一化系数得到初始化后的信号矩阵xa；步骤6：求出初始化后的信号矩阵xa的分量幅值；步骤7：确定初始化后的信号矩阵xa的第i行分量幅值的最大值；步骤8：根据所述第i行分量幅值的最大值确定第i行所有可信度系数等级；步骤9：根据可信度系数等级对所述初始化后的信号矩阵xa的第i行分量幅值相应进行归一化得到第i行优化矩阵；步骤10：判断第i行是否为最后一行；步骤11：若是，则得到优化信号矩阵xa；步骤12：若不是，则i＝i+1并回到步骤7。
本发明的有益效果是：本发明提供了一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，通过在传统NMP-SST算法中加入镜像累加和归一化，可以改善信号高频分量的时频表示，一定程度上提高了信号交叉点的频率清晰度，抑制有限长信号的端点扰动效应带来的频率发散，从而得到较理想的信号时频联合分布图。
附图说明
图1是本发明实施例中用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法的整体流程图；
图2是本发明实施例对含噪ENPEMF信号进行累加得到待处理信号流程示意图；
图3是本发明实施例中多种信号进行NMP-SST和镜像累加NNMP-SST效果对比图；
图4是本发明实施例中不同信噪比下经镜像处理后的信号NMP-SST时频二维图；
图5是本发明实施例中对线性调频信号进行NNMP-SST算法处理后的时频分布图；
图6是本发明实施例中不同时段芦山地震期间的ENPEMF信号时频二维分布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，所述方法由硬件设备实现。请参阅图1，图1是本发明实施例中用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法的整体流程图，具体步骤包括：
S101：对含噪ENPEMF信号进行累加得到待处理信号，所述含噪ENPEMF信号含有的噪声为高斯白噪声。
S102：对所述待处理信号进行镜像优化得到镜像优化后的待处理信号，所述镜像优化具体包括：通过增加实验数据让端点处不在实验数据有效区内，从而有效避免端点失真。
S103：对所述镜像优化后的待处理信号进行稀疏分解得到分量信号IMF1和IMF2。
S104：将所述IMF1和IMF2组合得到组合后的信号矩阵x’a，所述信号矩阵xa的表达式为：xa＝mIMF1+nIMF2，其中，当m、n系数均为1时，信号矩阵xa为稀疏表示后的镜像优化后的待处理信号，当m、n值不同时，归一化处理会影响幅度小的分量。
S105：初始化信号矩阵x’a的可信度系数和归一化系数得到初始化后的信号矩阵xa。所述可信度系数记为jp；jp为所述第i行一分量幅值与所述第i行分量幅值的最大值比值的阈值，0≤jp≤1，当jp越接近1时，原信号保留的越少。所述归一化系数记为jq；jq是对一分量幅值进行缩小的系数，0≤jp≤1，当jq越接近1时，原信号保留得越多。
S106：求出初始化后的信号矩阵xa的分量幅值。
S107：确定初始化后的信号矩阵xa的第i行分量幅值的最大值。
S108：根据所述第i行分量幅值的最大值确定第i行所有可信度系数等级。所述可信度系数等级包括：一级可信度(jp2A,jpA)、二级可信度(jp3A,jp2A)、三级可信度(jp4A,jp3A)及四级可信度(0,jp4A)，其中，A表示分量幅度值。
S109：根据可信度系数等级对所述初始化后的信号矩阵xa的第i行分量幅值相应进行归一化得到第i行优化矩阵。一级可信度归一化规则为保留原分量，表达式为：Xa(i,j)＝Xa(i,j)；二级可信度归一化规则为分量幅值二级归一化，表达式为：Xa(i,j)＝jqXa(i,j)；三级可信度归一化规则为分量幅值三级归一化，表达式为：Xa(i,j)＝jq2Xa(i,j)；四级可信度归一化规则为原分量幅值归零，表达式为：Xa(i,j)＝0。
S110：判断第i行是否为最后一行。
S111：若是，则得到优化信号矩阵xa。
S112：若不是，则i＝i+1并回到步骤7。
参见图2，图2是本发明实施例对含噪ENPEMF信号进行累加得到待处理信号流程示意图，包括：信息源201、信道202、含噪ENPEMF信号203、含噪ENPEMF信号204、含噪ENPEMF信号205、累加206及待处理信号207。由图中可见，信息源201经过信道202后分为含噪ENPEMF信号203、含噪ENPEMF信号204及含噪ENPEMF信号205三股信号，所述三股信号经过累加206后就得到待处理信号207。
参加图3，图3是本发明实施例中多种信号进行NMP-SST和镜像累加NNMP-SST效果对比图，双频信号为sig1(t)＝cos(2*π*0.25*t)+cos(2*π*0.1*t)，包括：含噪声双频信号SST时频二维图301、含噪声双频信号NMP-SST时频二维图302、累加处理后的信号NMP-SST时频二维图303及无噪声双频信号NMP-SST时频二维图304。由图中可见，含噪声双频信号SST时频二维图301中处理结果失真较为严重，存在较大误差。含噪声双频信号NMP-SST时频二维图302处理效果有一定提高，但仍存在较大误差。由303中可以看出，NNMP-SST算法对含噪信号的高频分量有较好的还原，高频部分的处理效果得到了较好的改进提升。无噪声双频信号NMP-SST时频二维图304时频分析效果较为理想。
参见图4，图4是本发明实施例中不同信噪比下经镜像处理后的信号NMP-SST时频二维图，双线性调频信号为sig2(t)＝3*cos(t2+t+cos(t))+3*cos(-t+8*π*t+cos(t))，包括：信噪比为10dB时镜像处理后的信号NMP-SST时频二维图401、信噪比为5dB时镜像处理后的信号NMP-SST时频二维图402、信噪比为0dB时镜像处理后的信号NMP-SST时频二维图403及信噪比为-5dB时镜像处理后的信号NMP-SST时频二维图404。由图中可见，四个二维图在时间点15s附近均未出现明显的扩散，频率聚集度得到较大提升。而且由这四个二维图可以进一步看出在信噪比较低的情况下，信号能较为清晰地显示出来，由此说明累加镜像NNMP-SST有着较强的抗噪声性能。
参见图5，图5是本发明实施例中对线性调频信号进行NNMP-SST算法处理后的时频分布图，线性调频信号为sig3(t)＝3*cos(t2+t+cos(t))+cos(8*t)，包括：频率分量501、频率分量502及交叉点503。NNMP-SST算法采用归一化的思想，依据各分量的幅值大小对分量进行处理，保留幅度大的分量，降低幅度小分量的权重，以此来抑制交叉点附近的时频显示模糊问题。由图中可见，NNMP-SST算法在一定程度上削弱两个频率分量的交叉点附近的干扰成分，并能对整个图形的频率聚集度进行优化。
参见图6，图6是本发明实施例中不同时段芦山地震期间的ENPEMF信号时频二维分布图，包括：2013年4月15日芦山地震ENPEMF信号累加镜像NNMP-SST时频二维分布图601及2013年4月16日芦山地震ENPEMF信号累加镜像NNMP-SST时频二维分布图602。由图中可见，累加镜像NNMP-SST方法在处理实际含噪ENPEMF信号时能够有效抑制信号中的噪声，改善信号高频分量的时频表示，一定程度上提高了信号交叉点的频率清晰度，抑制有限长信号的端点扰动效应带来的频率发散，从而得到较理想的信号时频联合分布图。
通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术，本发明的实施例提供了一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，通过在传统NMP-SST算法中加入镜像累加和归一化，可以改善信号高频分量的时频表示，一定程度上提高了信号交叉点的频率清晰度，抑制有限长信号的端点扰动效应带来的频率发散，从而得到较理想的信号时频联合分布图。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：包括以下步骤：
步骤1：对含噪ENPEMF信号进行累加得到待处理信号；
步骤2：对所述待处理信号进行镜像优化得到镜像优化后的待处理信号；
步骤3：对所述镜像优化后的待处理信号进行稀疏分解得到分量信号IMF1和IMF2；
步骤4：将所述IMF1和IMF2组合得到组合后的信号矩阵x’a；
步骤5：初始化信号矩阵x’a的可信度系数和归一化系数得到初始化后的信号矩阵xa；
步骤6：求出初始化后的信号矩阵xa的分量幅值；
步骤7：确定初始化后的信号矩阵xa的第i行分量幅值的最大值；
步骤8：根据所述第i行分量幅值的最大值确定第i行所有可信度系数等级；
步骤9：根据可信度系数等级对所述初始化后的信号矩阵xa的第i行分量幅值相应进行归一化得到第i行优化矩阵；
步骤10：判断第i行是否为最后一行；
步骤11：若是，则得到优化信号矩阵xa；
步骤12：若不是，则i＝i+1并回到步骤7。
2.如权利要求1所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：所述含噪ENPEMF信号含有的噪声为高斯白噪声。
3.如权利要求1所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：所述镜像优化具体包括：通过增加实验数据让端点处不在实验数据有效区内，从而有效避免端点失真。
4.如权利要求1所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：所述信号矩阵xa的表达式为：xa＝mIMF1+nIMF2，其中，当m、n系数均为1时，信号矩阵xa为稀疏表示后的镜像优化后的待处理信号，当m、n值不同时，归一化处理会影响幅度小的分量。
5.如权利要求1所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：所述可信度系数记为jp；jp为所述第i行一分量幅值与所述第i行分量幅值的最大值比值的阈值，0≤jp≤1，当jp越接近1时，原信号保留的越少。
6.如权利要求5所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：所述归一化系数记为jq；jq是对一分量幅值进行缩小的系数，0≤jp≤1，当jq越接近1时，原信号保留得越多。
7.如权利要求6所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：所述可信度系数等级包括：一级可信度(jp2A,jpA)、二级可信度(jp3A,jp2A)、三级可信度(jp4A,jp3A)及四级可信度(0,jp4A)，其中，A表示分量幅度值。
8.如权利要求7所述的一种用于含噪ENPEMF信号的镜像累加NNMP-SST时频分析方法，其特征在于：一级可信度归一化规则为保留原分量，表达式为：Xa(i,j)＝Xa(i,j)；二级可信度归一化规则为分量幅值二级归一化，表达式为：Xa(i,j)＝jqXa(i,j)；三级可信度归一化规则为分量幅值三级归一化，表达式为：Xa(i,j)＝jq2Xa(i,j)；四级可信度归一化规则为原分量幅值归零，表达式为：Xa(i,j)＝0。
CN201710994617.3A 2017-10-23 2017-10-23 一种用于含噪enpemf信号的镜像累加nnmp-sst时频分析方法 Expired - Fee Related CN107895141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710994617.3A CN107895141B (zh) 2017-10-23 2017-10-23 一种用于含噪enpemf信号的镜像累加nnmp-sst时频分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710994617.3A CN107895141B (zh) 2017-10-23 2017-10-23 一种用于含噪enpemf信号的镜像累加nnmp-sst时频分析方法

Publications (2)

Publication Number Publication Date
CN107895141A true CN107895141A (zh) 2018-04-10
CN107895141B CN107895141B (zh) 2020-02-14

Family

ID=61802869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710994617.3A Expired - Fee Related CN107895141B (zh) 2017-10-23 2017-10-23 一种用于含噪enpemf信号的镜像累加nnmp-sst时频分析方法

Country Status (1)

Country Link
CN (1) CN107895141B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635759A (zh) * 2018-12-18 2019-04-16 北京嘉楠捷思信息技术有限公司 一种信号处理方法、装置及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002062819A2 (en) * 2001-02-05 2002-08-15 Peptor Ltd. Backbone cyclized radiolabelled somatostatin analogs
CN103675444A (zh) * 2012-08-30 2014-03-26 中国石油化工股份有限公司 一种高精度的时频分析方法
CN104950335A (zh) * 2015-04-28 2015-09-30 中国地质大学（武汉） Enpemf信号归一化stft-wvd时频分析方法
CN106483555A (zh) * 2016-09-28 2017-03-08 中国地质大学（武汉） Enpemf数据的格林函数‑spwvd时频分析方法
CN107024718A (zh) * 2017-05-31 2017-08-08 西南石油大学 基于ceemd‑spwvd时频谱分析的叠后地震流体预测方法
CN107037486A (zh) * 2017-03-31 2017-08-11 中国地质大学（武汉） 地球天然脉冲电磁场数据处理的时频谱分析方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002062819A2 (en) * 2001-02-05 2002-08-15 Peptor Ltd. Backbone cyclized radiolabelled somatostatin analogs
CN103675444A (zh) * 2012-08-30 2014-03-26 中国石油化工股份有限公司 一种高精度的时频分析方法
CN104950335A (zh) * 2015-04-28 2015-09-30 中国地质大学（武汉） Enpemf信号归一化stft-wvd时频分析方法
CN106483555A (zh) * 2016-09-28 2017-03-08 中国地质大学（武汉） Enpemf数据的格林函数‑spwvd时频分析方法
CN107037486A (zh) * 2017-03-31 2017-08-11 中国地质大学（武汉） 地球天然脉冲电磁场数据处理的时频谱分析方法及系统
CN107024718A (zh) * 2017-05-31 2017-08-08 西南石油大学 基于ceemd‑spwvd时频谱分析的叠后地震流体预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郝国成: ""基于ENPEMF信号时频分析的孕震信息研究"", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635759A (zh) * 2018-12-18 2019-04-16 北京嘉楠捷思信息技术有限公司 一种信号处理方法、装置及计算机可读存储介质
CN109635759B (zh) * 2018-12-18 2020-10-09 北京嘉楠捷思信息技术有限公司 一种信号处理方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN107895141B (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN108847848A (zh) 一种基于信息后处理的极化码的bp译码算法
CN101984612A (zh) 基于压缩感知的非连续正交频分复用信道估计方法
CN103843296B (zh) Ofdm通信系统的接收装置和相应的抑制相位噪声的方法
CN106027444A (zh) 一种子载波调制ofdm系统的峰均比抑制方法
CN106100835A (zh) 一种用于连续变量量子密钥分发中的高精度参数估计及高后处理数据利用率方法
CN101414988A (zh) Tds-ofdm系统中的低复杂度定时恢复方法
CN107895141A (zh) 一种用于含噪enpemf信号的镜像累加nnmp‑sst时频分析方法
CN103577730B (zh) 整数小波变换的可逆数据库水印的嵌入和提取方法
US8018829B2 (en) Method and apparatus for OFDM based on 3D signal constellation
Kandhway et al. Modified clipping based image enhancement scheme using difference of histogram bins
CN108604909B (zh) 一种信号接收方法和装置
Du et al. D-GF-CNN algorithm for modulation recognition
CN101335729B (zh) 正交幅度调制技术定点软判决解调方法
CN103368695A (zh) 一种基于误比特率分布的能量分配方法
CN104639606B (zh) 一种差异化对比分块的优化方法
Liu et al. Restoration algorithm for noisy complex illumination
CN102404275B (zh) 基于信号幅度分布修正的无线ofdm信号峰平比抑制方法
CN107241168B (zh) 信号传输/控制方法/系统，存储介质、发送端及接收端
Ali et al. A proposed method to reduce the BER in wavelet based OFDM
Abdullah et al. Deep learning based asymmetrical autoencoder for PAPR reduction of CP-OFDM systems
CN103297374B (zh) 一种基于叠加训练序列的低复杂度pts方法
CN102811195A (zh) 一种用于lte基带降低峰均比的方法
CN111935044B (zh) 基于emd分解的psk及qam类信号调制识别方法
CN106534025B (zh) 基于改进型交叉熵的载波注入峰均比抑制方法
Chen et al. Research on bilateral filtering algorithm based on trigonometric function

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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

Granted publication date: 20200214

Termination date: 20201023

CF01 Termination of patent right due to non-payment of annual fee