CN108594161B - 一种电能表内异物声音信号降噪方法、系统 - Google Patents

Abstract

本发明公开了一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法、系统，它包括：采集电能表内异物摇晃产生的声音数据；通过短时能量定位提取异物声音信号数据；对提取的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号。本发明取得的有益效果是：能够利用短时能量定位提取数据，提升了处理速度；利用多尺度熵和经验模态分解对电能表内异物声音信号进行处理，是一种自适应的过程，避免了传统谱减法去噪声估计不准确的缺点，同时最大程度避免了新噪声的引入，能准确检测电能表内异物。

Description

一种电能表内异物声音信号降噪方法、系统

技术领域

本发明涉及电能表技术领域，特别是一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法、系统。

背景技术

现有电能表内异物自动检测装置通过模拟人工方式，设计摇表结构，并通过电气控制实现摇表和声音采集。对采集到的声音进行处理，判断有无异物。由于外界环境存在较大的背景噪声，例如：电机皮带的声音，操作人员工作与机器运转等产生的噪声等。这些干扰噪声可能会影响最终的检测结果。

电能表内异物声音信号是一种非线性非平稳信号，现阶段对非线性非平稳信号降噪较为常用、同时也较为有效的方法是小波去噪法。小波去噪法包括小波变换模极大值去噪法、小波系数相关性去噪方法和小波阈值去噪法，从去噪效果上看，又以小波阈值去噪法最优。但该方法需要选取合适的小波基函数、小波分解层数及阈值才能达到最好的去噪效果。另外现有系统采用谱减法去除环境噪声，谱减法去噪原理简单易懂，容易实时实现，在去噪过程中只涉及正反傅里叶变换算法。但谱减法多适用于加性噪声，且经过谱减法去噪处理后会带入一些噪声，这种噪声位置随机且伴随着整个频域带宽，当这些尖脉冲转换到时域就变成了类似流水声音的残留噪声，即“音乐噪声”。小波阈值去噪法需要选取合适的小波基函数、小波分解层数及阈值才能达到最好的去噪效果。谱减法虽原理简单，易于实时实现，但是过于粗糙，对噪声的估计容易估计不准确，不是一种自适应的过程；其次对采集到的声音数据定位不够准确，数据存在冗余；最后易引入新的噪声。

因此，本申请需要解决如下几个技术问题：(1)设计出一种能够精确定位异物声音段数据的方法或系统；(2)设计出一种能自适应处理数据、最大程度避免新噪声引入的方法或系统；(3)设计出一种更好的降低电能表内异物声音数据噪声、提高检测准确性的方法或系统。

针对上述问题，亟需一个简单且去噪效果更优的算法或系统来更好地实现电能表内异物检测的准确性。

发明内容

有鉴于现有技术的上述缺陷，本发明的目的就是提供一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法、系统，能够利用短时能量定位提取数据，避免了数据过长、数据冗余的缺点，提升了处理速度；利用多尺度熵和经验模态分解对电能表内异物声音信号进行处理，是一种自适应的过程，避免了传统谱减法去噪声估计不准确的缺点，同时最大程度避免了新噪声的引入，能准确检测电能表内异物。

本发明的目的之一是通过这样的技术方案实现的，一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法，它包括有：

S1：采集电能表内异物摇晃产生的声音数据；

S2：通过短时能量定位提取异物声音信号数据；

S3：对步骤S2中提取的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；

S4：对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号。

进一步，所述步骤S2包括有：

式中，E(i)是第i帧语音信号的y_i(n)的短时能量，fn是对采集的电能表内异物声音数据进行分帧以后的帧数，L为每帧数据的帧长。

进一步，所述步骤S3中利用经验模态分解处理包括将电能表内异物声音信号进行从高频段到低频段的分解；

处理步骤如下：

S301：找出人工模拟产生的电能表异物声音信号，通过短时能量定位提取原始异物声音信号X(t)的所有极大值点和极小值点；

S302：用三次样条函数对所有极大值点和极小值点进行拟合，分别得到对应的上包络线u₁(t)和下包络线u₂(t)；并求出上包络线u₁(t)和下包络线u₂(t)的均值a₁(t)，即：

a₁(t)＝(u₁(t)+u₂(t))/2；

S303：用原始声音信号X(t)减去a₁(t)后得到一个除去低频的新信号m₁(t)，即：

m₁(t)＝X(t)-a₁(t)；

S304：对m₁(t)重复进行步骤S301至S303，得到第一级IMF分量c₁(t)，c₁(t)表示原始声音信号中频率最高的部分；

S305：用X(t)减去c₁(t)得到r₁(t)，并对r₁(t)重复上述步骤S301至S304，并得到第二级IMF分量c₂(t)、其余的IMF分量以及残余分量；

S306：电能表内异物声音信号X(t)经过EMD分解后可以用如下的公式表示：

进一步，多尺度熵的计算步骤如下：

S311：对于时间序列{y(t),t＝1,2,...,M}，采用下式重新构造粗粒化的时间序列{u(t),t＝1,2,...,N}，其中τ表示尺度因子，N＝int(M/τ)为重构后时间序列长度，int代表取整；

S312：设定嵌入维数m和相似容量r，按照如下公式构造m维向量x(i)；

x(i)＝[u(i),u(i+1),...,u(i+m-1)],(i＝1-N-m+1)；

S313：根据如下公式计算向量x(i)(1≤i≤N-m+1)和其他向量x(j)(1≤j≤N-m+1,j≠i)之间的距离，即：

S314：根据给定的相似容量r(r＞0)以及每个i(1≤i≤N-m+1)值，分别计算距离d[x(i),x(j)]＜r的数目，其中i,j＝1,2,...,N-m+1且i≠j；按照如下公式计算d[x(i),x(j)]＜r的数目与向量个数N-m的比值，该比值为

S315：按照如下公式计算步骤S314中计算结果的平均值Φ^m(r)；

S316：令m＝m+1，重复上述步骤S311至步骤S315，计算Φ^m+1(r)；

S317：粗粒化时间序列{u(t),t＝1,2,...,N}的样本熵计算公式如下；

S318：根据上述步骤S311至步骤S317，计算不同尺度τ下的样本熵，从而得到一组多尺度熵。

进一步，所述步骤S4包括有：

S41：根据步骤S3中IMF分量的多尺度熵值直接去掉第一个只包含噪声信息的IMF分量；

S42：根据计算得到的多尺度熵值设定一阈值，并根据设置的阈值对剩下的IMF分量进行滤波降噪处理；

S43：将通过阈值滤波降噪后剩余的IMF分量与残余分量一起进行EMD信号重构，得到降噪后的电能表内异物声音信号。

进一步，所述步骤S42还包括有：

S421：根据计算得到的各级IMF分量的多尺度熵值，将其绘图，计算相邻两个IMF分量多尺度熵值的斜率，将斜率变化最大的点设定为阈值；

S422：将大于该阈值的IMF分量去除，小于该IMF分量的阈值予以保留；

S423：将剩余的IMF分量进行EMD重构得到去噪后的信号。

本发明的另一个目的是通过这样的技术方案实现的，一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪系统，它包括有：

采集模块，用于采集电能表内异物摇晃产生的声音数据；

提取模块，用于通过短时能量定位提取异物声音信号数据；

分解模块，用于对提取模块中的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；

处理模块，用于对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号。

由于采用了上述技术方案，本发明具有如下的优点：

1、采用短时能量定位并提取采集的异物声音信号，可以有效减少处理数据的长度，提升处理速度，同时还能最大程度地避免数据冗余。

2、EMD分解是一种自适应的过程，避免了小波阈值去噪过程中小波基函数、小波分解层数的选择。

3、基于EMD和多尺度熵的去噪过程具有自适应性、有很好的去噪性能，同时最大程度地避免了新噪声的引入。

4、通过本发明可以方便高效地对采集的电能表内异物声音信号进行降噪处理，从而提高电能表内异物检测的准确性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。

附图说明

本发明的附图说明如下：

图1为基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法的流程示意图。

图2为人工摇表装置模拟电能表内异物声音摇晃产生的声音数据的波形图。

图3为对采集的声音数据进行分帧以后计算的短时能量波形图。

图4为电能表内异物声音数据进行经验模态分解得到的IMF分量以及残余分量图。

图5为对经验模态分解后的各级IMF分量计算得到的多尺度熵值的绘制图。

图6为进行EMD信号重构前原始异物声音信号(a)的波形图。

图7为进行EMD信号重构后得到的降噪信号(b)波形图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例：如图1至图7所示；一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法，它包括有：

S1：采集电能表内异物摇晃产生的声音数据；

S2：通过短时能量定位提取异物声音信号数据；

S3：对步骤S2中提取的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；

S4：对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号。

所述步骤S2包括有：

式中，E(i)是第i帧语音信号的y_i(n)的短时能量，fn是对采集的电能表内异物声音数据进行分帧以后的帧数，L为每帧数据的帧长。

所述步骤S3中利用经验模态分解处理包括将电能表内异物声音信号进行从高频段到低频段的分解；

处理步骤如下：

S301：找出人工模拟产生的电能表异物声音信号，通过短时能量定位提取原始异物声音信号X(t)的所有极大值点和极小值点；

S302：用三次样条函数对所有极大值点和极小值点进行拟合，分别得到对应的上包络线u₁(t)和下包络线u₂(t)；并求出上包络线u₁(t)和下包络线u₂(t)的均值a₁(t)，即：

a₁(t)＝(u₁(t)+u₂(t))/2；

S303：用原始声音信号X(t)减去a₁(t)后得到一个除去低频的新信号m₁(t)，即：

m₁(t)＝X(t)-a₁(t)；

S304：通常情况下m₁(t)并不满足本征模态函数IMF分量的要求；

因此对m₁(t)重复进行上述操作，即找出m₁(t)的所有极大值与极小值点，然后求出两者平均值a₂(t)，再用m₁(t)减去a₂(t)得到m₂(t)。

如果m₂(t)仍然不满足IMF分量的要求，则继续重复上述步骤，直到得到的某一级m_n(t)符合IMF分量的要求，这样就得到了第一级IMF分量c₁(t)，c₁(t)表示原始声音信号中频率最高的部分；

S305：用X(t)减去c₁(t)得到r₁(t)，并对r₁(t)重复上述步骤S301至S304，并得到第二级IMF分量c₂(t)，不断重复上述步骤，得到其余的IMF分量以及残余分量；

S306：电能表内异物声音信号X(t)经过EMD分解后可以用如下的公式表示：

多尺度熵的计算步骤如下：

S311：对于时间序列{y(t),t＝1,2,...,M}，采用下式重新构造粗粒化的时间序列{u(t),t＝1,2,...,N}，其中τ表示尺度因子，N＝int(M/τ)为重构后时间序列长度，int代表取整；

S312：设定嵌入维数m和相似容量r，按照如下公式构造m维向量x(i)；

x(i)＝[u(i),u(i+1),...,u(i+m-1)],(i＝1-N-m+1)；

S313：根据如下公式计算向量x(i)(1≤i≤N-m+1)和其他向量x(j)(1≤j≤N-m+1,j≠i)之间的距离，即：

S314：根据给定的相似容量r(r＞0)以及每个i(1≤i≤N-m+1)值，分别计算距离d[x(i),x(j)]＜r的数目，其中i,j＝1,2,...,N-m+1且i≠j；按照如下公式计算d[x(i),x(j)]＜r的数目与向量个数N-m的比值，该比值为

S315：按照如下公式计算步骤S314中计算结果的平均值Φ^m(r)；

S316：令m＝m+1，重复上述步骤S311至步骤S315，计算Φ^m+1(r)；

S317：粗粒化时间序列{u(t),t＝1,2,...,N}的样本熵计算公式如下；

S318：根据上述步骤S311至步骤S317，计算不同尺度τ下的样本熵，从而得到一组多尺度熵。

所述步骤S4包括有：

S41：根据步骤S3中IMF分量的多尺度熵值直接去掉第一个只包含噪声信息的IMF分量；

S42：根据计算得到的多尺度熵值设定一阈值，并根据设置的阈值对剩下的IMF分量进行滤波降噪处理；

S43：将通过阈值滤波降噪后剩余的IMF分量与残余分量一起进行EMD信号重构，得到降噪后的电能表内异物声音信号。

所述步骤S42还包括有：

S421：根据计算得到的各级IMF分量的多尺度熵值，将其绘图，计算相邻两个IMF分量多尺度熵值的斜率，将斜率变化最大的点设定为阈值；

S422：将大于该阈值的IMF分量去除，小于该IMF分量的阈值予以保留；

S423：将剩余的IMF分量进行EMD重构得到去噪后的信号。

具体包括有：

如图1所示，图1为本发明的工作流程图，其具体过程为先将采集的原始电能表内异物声音信号进行分帧，设定合适的帧移，计算每一帧的短时能量，提取出短时能量最大的那一帧数据，其次对提取出的数据进行经验模态分解，计算分解后的各级IMF分量的多尺度熵值，根据计算得到的多尺度熵值绘制图形，并计算相邻两个IMF分量的多尺度熵值的斜率，选择斜率变化最大的那一个点设定为阈值，对IMF分量进行滤波处理，最后将滤波剩下的IMF分量以及残余分量进行EMD信号重构，从而得到降噪后的信号。

多尺度熵可以用来反映信号在不同的时间尺度下的子相似性和复杂程度。信号复杂度越高，生成新模式的机率越大，多尺度熵值也就越大。计算经验模态分解后的各级IMF分量的多尺度熵值，根据预设的多尺度熵阈值重构经验模态分量，实现电能表内异物声音信号的去噪。

采集数据时，首先将放有异物的电能表放入滚筒里固定的工位，其次通过电气控制摇动滚筒，连接在滚筒下面的声卡开始采集滚筒转动过程中电能表内异物晃动产生的声音数据，最后并采集到的数据保存为.wav格式的音频文件，采样频率为44.1KHz。

通过模拟的人工摇表装置，装置里设计了多个放置电能表的工位，每个工位连接声卡的一个通道，采集数据时，将放有异物的电能表放进摇表装置，摇动的过程中声卡开始采集数据，采集的数据保存为.wav格式。

如图2和图3所示，图2为电能表内异物声音数据，可以看到原始异物声音数据中含有较大的噪声，甚至在某些时刻，噪声淹没了信号的原始特征；图3为对采集的电能表内异物声音数据分帧以后计算的短时能量，可以看出，随着摇表装置的摇晃，在某一时间段能量最大，提取出这一时间段的数据更有利于后面的异物检测。

摇表装置摇动频率固定时，电能表内异物在摇动周期内晃动情况下的能量明显大于卡住情况下的能量，故可以通过对采集的数据设定合适的帧长帧移进行分帧(帧长帧移一般设定为采样频率的整数分之一)，其次对每一帧数据计算短时能量，最后提取出短时能量最大的那一帧数据进行分析。

如图4所示，图4为利用短时能量提取处理后的电能表内异物声音信号进行经验模态分解之后得到的IMF分量以及残余分量，可以看出信号被分解成从高频段到低频段的12个IMF分量以及1个残余分量，如以下公式所示：

如图5所示，图5为经验模态分解后各级IMF分量多尺度熵的计算值绘制的图，横坐标从小到大依次为从高频到低频的一个IMF分量分解序号，纵坐标为多尺度熵值，由此计算相邻两个IMF分量的斜率，可以得出第4级IMF分量到第5级IMF分量的斜率变化最大，由此设定阈值，对各级IMF滤波处理，最后将剩余的IMF分量进行重构，得到去噪后的信号。计算相邻两个IMF分量的多尺度熵值的斜率，比较斜率变化，由此设定阈值。

如图6和图7所示，经过降噪处理后的信号与原信号的对比图，通过对比图6和图7可以得出，经过该一种基于多尺度熵和EMD的电能表内异物声音降噪方法后，原始电能表内声音信号中的噪声基本被去除，且很好的保留了信号的特征，通过该方法可以对电能表内异物声音信号进行很好的降噪处理，从而提高异物检测的准确性。

一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪系统，它包括有：

采集模块，用于采集电能表内异物摇晃产生的声音数据；

提取模块，用于通过短时能量定位提取异物声音信号数据；

分解模块，用于对提取模块中的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；

处理模块，用于对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号。

(1)采用短时能量定位并提取采集的异物声音信号，可以有效减少处理数据的长度，提升处理速度，同时还能最大程度地避免数据冗余。

(2)EMD分解是一种自适应的过程，避免了小波阈值去噪过程中小波基函数、小波分解层数的选择。

(3)基于EMD和多尺度熵的去噪过程具有自适应性、有很好的去噪性能，同时最大程度地避免了新噪声的引入。

(4)通过本发明可以方便高效地对采集的电能表内异物声音信号进行降噪处理，从而提高电能表内异物检测的准确性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法，其特征在于，包括有如下步骤：

S1：采集电能表内异物摇晃产生的声音数据；

S2：通过短时能量定位提取异物声音信号数据；

S3：对步骤S2中提取的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；

S4：对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号；

所述步骤S4包括有：

S41：根据步骤S3中IMF分量的多尺度熵值直接去掉第一个只包含噪声信息的IMF分量；

S42：根据计算得到的多尺度熵值设定一阈值，并根据设置的阈值对剩下的IMF分量进行滤波降噪处理；

S43：将通过阈值滤波降噪后剩余的IMF分量与残余分量一起进行EMD信号重构，得到降噪后的电能表内异物声音信号；

所述步骤S42还包括有：

S421：根据计算得到的各级IMF分量的多尺度熵值，将其绘图，计算相邻两个IMF分量多尺度熵值的斜率，将斜率变化最大的点设定为阈值；

S422：将大于该阈值的IMF分量去除，小于该IMF分量的阈值予以保留。

2.如权利要求1所述的基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法，其特征在于，所述步骤S2包括有：

式中，E(i)是第i帧异物声音信号的y_i(n)的短时能量，fn是对采集的电能表内异物声音数据进行分帧以后的帧数，L为每帧数据的帧长。

3.如权利要求1所述的基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法，其特征在于，所述步骤S3中利用经验模态分解处理包括将电能表内异物声音信号进行从高频段到低频段的分解；

处理步骤如下：

S301：找出人工模拟产生的电能表异物声音信号，通过短时能量定位提取原始异物声音信号X(t)的所有极大值点和极小值点；

S302：用三次样条函数对所有极大值点和极小值点进行拟合，分别得到对应的上包络线u₁(t)和下包络线u₂(t)；并求出上包络线u₁(t)和下包络线u₂(t)的均值a₁(t)，即：

a₁(t)＝(u₁(t)+u₂(t))/2；

S303：用原始声音信号X(t)减去a₁(t)后得到一个除去低频的新信号m₁(t)，即：

m₁(t)＝X(t)-a₁(t)；

S304：对m₁(t)重复进行步骤S301至S303，得到第一级IMF分量c₁(t)，c₁(t)表示原始声音信号中频率最高的部分；

S305：用X(t)减去c₁(t)得到r₁(t)，并对r₁(t)重复上述步骤S301至S304，并得到第二级IMF分量c₂(t)、其余的IMF分量以及残余分量；

S306：电能表内异物声音信号X(t)经过EMD分解后可以用如下的公式表示：

4.如权利要求1所述的基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法，其特征在于，多尺度熵的计算步骤如下：

S311：对于时间序列{y(t),t＝1,2,...,M}，采用下式重新构造粗粒化的时间序列{u(t),t＝1,2,...,N}，其中τ表示尺度因子，N＝int(M/τ)为重构后时间序列长度，int代表取整；

S312：设定嵌入维数m和相似容量r，按照如下公式构造m维向量x(i)；

x(i)＝[u(i),u(i+1),...,u(i+m-1)],(i＝1-N-m+1)；

S313：根据如下公式计算向量x(i)(1≤i≤N-m+1)和其他向量x(j)(1≤j≤N-m+1,j≠i)之间的距离，即：

S314：根据给定的相似容量r(r＞0)以及每个i(1≤i≤N-m+1)值，分别计算距离d[x(i),x(j)]＜r的数目，其中i,j＝1,2,...,N-m+1且i≠j；按照如下公式计算d[x(i),x(j)]＜r的数目与向量个数N-m的比值，该比值为

S315：按照如下公式计算步骤S314中计算结果的平均值Φ^m(r)；

S316：令m＝m+1，重复上述步骤S311至步骤S315，计算Φ^m+1(r)；

S317：粗粒化时间序列{u(t),t＝1,2,...,N}的样本熵计算公式如下；

S318：根据上述步骤S311至步骤S317，计算不同尺度τ下的样本熵，从而得到一组多尺度熵。

5.一种如权利要求1至4任一项权利要求所述的基于短时能量、多尺度熵和EMD的电能表内异物声音信号降噪方法的降噪系统，其特征在于，所述系统包括有：

采集模块，用于采集电能表内异物摇晃产生的声音数据；

提取模块，用于通过短时能量定位提取异物声音信号数据；

分解模块，用于对提取模块中的异物声音信号数据进行经验模态分解EMD处理，并计算经验模态分解EMD得到的各级本征模态函数IMF分量的多尺度熵值；

处理模块，用于对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号；

对IMF分量的多尺度熵值进行降噪滤波处理，得到降噪滤波后的电能表内异物声音信号包括有：

根据IMF分量的多尺度熵值直接去掉第一个只包含噪声信息的IMF分量；

根据计算得到的多尺度熵值设定一阈值，并根据设置的阈值对剩下的IMF分量进行滤波降噪处理；

将通过阈值滤波降噪后剩余的IMF分量与残余分量一起进行EMD信号重构，得到降噪后的电能表内异物声音信号；

根据计算得到的多尺度熵值设定一阈值，并根据设置的阈值对剩下的IMF分量进行滤波降噪处理还包括有：

根据计算得到的各级IMF分量的多尺度熵值，将其绘图，计算相邻两个IMF分量多尺度熵值的斜率，将斜率变化最大的点设定为阈值；

将大于该阈值的IMF分量去除，小于该IMF分量的阈值予以保留。

Images