CN109525215B - 一种采用峭度谱确定子频带边界的经验小波变换方法 - Google Patents
一种采用峭度谱确定子频带边界的经验小波变换方法 Download PDFInfo
- Publication number
- CN109525215B CN109525215B CN201811145202.XA CN201811145202A CN109525215B CN 109525215 B CN109525215 B CN 109525215B CN 201811145202 A CN201811145202 A CN 201811145202A CN 109525215 B CN109525215 B CN 109525215B
- Authority
- CN
- China
- Prior art keywords
- frequency
- wavelet
- kurtosis
- time
- signal
- 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
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0201—Wave digital filters
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
- H03H17/0213—Frequency domain filters using Fourier transforms
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0219—Compensation of undesirable effects, e.g. quantisation noise, overflow
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及采用峭度谱确定子频带边界的经验小波变换方法,首先对信号进行时频变换,以时频变换结果为基础,沿时频变换结果的频率轴,以固定频率步长、固定的带宽,依次对局部时频区域进行逆变换,获得该时频区域的信号分量,再求取它的峭度,最终得到峭度序列;以每个局部时频区域的中心频率作为横坐标、它的信号分量的峭度作为纵坐标,得到该信号的峭度谱,在峭度谱上找出局部极小值,重新排列其对应频率,把这些频率作为小波子频带的边界频率,由此把信号的分析频带分割成一组相互连接、互不交叠的小波子频带,在此基础上,基于小波子频带构造尺度滤波器和小波滤波器,按照小波分解原理对信号进行小波变换,得到信号在各个子频带的信号分量。
Description
技术领域
本发明属于信号处理领域,具体涉及一种采用峭度谱确定子频带边界的经验小波变换方法。
背景技术
经验小波变换(Empirical Wavelet Transform,EWT)是Gilles在2013年提出一种信号自适应处理方法,它结合了小波分析的完备理论性和经验模式分解的自适应性,把信号分解为一系列具有调频调幅特征分量。在信号分解时,先对信号进行傅里叶变换,然后对频谱上的局部极大幅值按大小降序排列,把相邻两个局部极大值的中点作为小波子频带的边界(起始频带的边界为0,最末频带的边界为信号Nyquist分析频带的边界值),把信号Nyquist分析频带划分为多个互不交叠的小波子频带。在此基础上,基于划分的子频带构造的正交小波的尺度滤波器和小波滤波器,得到分解信号的正交滤波器组,然后按照小波分解原理对信号进行小波变换。
但是,在现实世界中,信号通常含有噪声,对于信噪比较低的信号,在其频谱上信号中噪声分量的谱峰会影响信号的峰值分布,因此,采用局部极大幅值方法确定的小波子频带边界往往失去合理性,使得经验小波变换分解得到的信号分量有效性不足,影响了其工程应用。
以下是申请人检索的与本申请相关的参考文献:
[1]、J.Gilles.Empirical Wavelet Transform[J].IEEE Transactions onSignal Processing,2013,61(16):3999-4010。
发明内容
为了克服经典经验小波变换过程中的信号噪声分量谱峰对小波子频带边界的影响,本发明的目的在于,提供一种采用峭度谱确定子频带边界的经验小波变换方法,以获得合理的小波子频带边界划分,改善信号分解结果的有效性。
为了实现上述任务,本发明采用如下的技术解决方案:
一种采用峭度谱确定子频带边界的经验小波变换方法,按下列步骤实施:
1)首先对信号进行时频变换,再以时频变换结果为基础,沿时频变换结果的频率轴,以一个固定频率步长、固定的带宽,依次对局部时频区域进行逆变换,获得该时频区域的信号分量,再求取它的峭度,最终得到峭度序列;
2)以每个局部时频区域的中心频率作为横坐标、它的信号分量的峭度作为纵坐标,即可得到该信号的峭度谱;
3)在峭度谱上找出局部极小值,把其对应的频率从小到大依次排列,并把这些频率作为小波子频带的边界频率,设起始频带的边界频率为0,最末子频带的终点边界为信号Nyquist分析频带的最大频率,这样,得到一组相互连接、互不交叠的小波子频带;在此基础上,基于小波子频带构造尺度滤波器和小波滤波器,然后按照小波分解原理对信号进行小波变换,得到信号在各个子频带的信号分量。
根据本发明,所述的小波子频带是峭度谱上2个相邻局部极小值对应频率为边界所包含的频带。
本发明给出的采用峭度谱确定子频带边界的经验小波变换方法,克服了采用频谱局部极大值对应频率计算小波子频带边界易受噪声分量谱峰影响的不足,得到了合理的子频带边界,以此为基础构造的小波滤波器组能够更加有效地展现信号所包含的特征。
附图说明
图1是采用峭度谱确定子频带边界的经验小波变换的流程图。
图2是应用实施例给出的一个轴承损伤的响应信号图谱。
图3是经验小波变换的频谱局部极大值边界的划分结果图谱。
图4是采用本发明的采用峭度谱确定子频带边界的经验小波变换方法的子频带边界划分结果图谱。
图5采用本发明的采用峭度谱确定子频带边界的经验小波变换方法对应的频谱频带划分图谱。
图6为采用本发明的采用峭度谱确定子频带边界的经验小波变换方法的经验小波变换结果谱;其中,(a)图为子频带1的图谱,(b)图为子频带2的图谱,(c)图为子频带3的图谱,(d)图为子频带4的图谱。
图7为峭度最大峰值所在的子频带2的分量包络谱。
以下结合附图和实施例以及具体应用对本发明作进一步的详细说明。
具体实施方式
本实施例给出一种采用峭度谱确定子频带边界的经验小波变换方法,按下列步骤实施:
1)首先对信号进行时频变换,再以时频变换结果为基础,沿时频变换结果的频率轴,以一个固定频率步长、固定的带宽,依次对局部时频区域进行逆变换,获得该时频区域的信号分量,再求取它的峭度,最终得到峭度序列;
2)以每个局部时频区域的中心频率作为横坐标、它的信号分量的峭度作为纵坐标,即可得到该信号的峭度谱;
3)在峭度谱上找出局部极小值,把其对应的频率从小到大依次排列,这些频率即为小波子频带(起始频带的边界为0,最末频带的边界为信号Nyquist解析频带的边界值)。这样,得到了一组相互连接、但互不交叠的小波子频带。
在此基础上,基于小波子频带构造尺度滤波器和小波滤波器,然后按照小波分解原理对信号进行小波变换,得到信号在各个子频带的信号分量。
本实施例中,所述的小波变换是改进的经验小波变换,一种信号按频带分解的时频分解方法。
所述的时频变换是一种具有可逆变换的时频分解方法,它把时域信号映射到时频空间。
所述的峭度是描述信号在时域的一种无量纲统计指标。
所述的峭度谱是一种表示在Nyquist分析频带上峭度随频率变化曲线。
所述的逆变换是指求取给定局部时频区域的信号时域分量的过程。
所述的小波子频带是峭度谱上2个相邻局部极小值对应频率为边界所包含的频带。
所述的小波子频带划分是指下面的过程:把峭度谱上的极小值对应的频率从小到大依次排列,并以峭度极小值对应频率为子频带边界,对信号Nyquist分析频带做分割获取小波子频带的操作。
所述的尺度滤波器和小波滤波器是按照经验小波变换原理而构造的正交滤波器组。
所述的信号重构是指对所选频带进行频率切片小波逆变换或傅里叶变换分离出该频带的信号分量的过程。
如图1所示,采用峭度谱确定子频带边界的经验小波变换的实现方法如下:
(1)确定时频区域的频带宽度fp和步长ΔW;
(2)计算循环次数,设信号f(t)的采样频率为fs、采样时间为ts,则循环次数为M=fs/fp,M取计算结果的整数部分;
(3)对信号进行时频变换;
(4)设子频带序号为i,令i=1
(5)求子频带的起始频率fb(i)和结束频率fe(i)
fb(i)=(i-1)fp
fe(i)=(i-1)fp+ΔW
(6)通过时频逆变换计算每个时频区域[0,ts,fb(i),fe(i)]的信号分量yi(t),并求出每个分量的峭度Kr(i):
(7)计算每个时频区域的中心频率;
(8)当i≠M时,令i=i+1,重复(5)~(7),继续计算子频带的中心频率和分量信号的峭度。
(9)以时频区域的中心频率作为横坐标、对应信号分量的峭度作为纵坐标,形成峭度谱。
(10)搜索峭度谱极小值,确定其对应的频率,以此频率为边界对信号的Nyquist解析频带进行子频带划分,得到划分的小波子频带。
(11)针对每个子频带按照经验小波变换构造正交小波滤波器组。
(12)采用正交滤波器组进行经验小波变换,得到每个小波子频带的信号分量。
以下给出本实施例的采用峭度谱确定子频带边界的经验小波变换方法的具体实施和验证过程:
设采样频率为fs,信号长度为N,W(t,f)为信号f(t)在时频空间[0,tN-1,0,fs/2]的时频变换,tn=(n-1)/fs,n=1~N。
在时频区域[t1,t2,f1,f2]上的信号分量y(t)为:
在信号f(t)的时频空间上,定义频带宽度为ΔW,步长为fp,则在[(k-1)fp,(k-1)fp+ΔW],从时频子空间重构的信号分量yk(t)为:
k=1,2,......,M,M为fs/2fp的整数部分。
则yk(t)的峭度为:
当k=1~M时,信号f(t)在频带[0,fs/2]的峭度序列为:
KR={Kr(k),k=1~M}
Fc={fc(k),k=1~M}
用Fc作为横坐标,KR作为纵坐标,得到信号f(t)的峭度谱。
设峭度谱上第n个局部极小值为Kr(n),它所对应的频率为fn。
如果在峭度谱存在局部L个极小值,则它们对应的频率为{fnl,l=1~L},则第n个小波子频带为[fn-1,fn],n=1~L,设f0=0。
式中,β(x)=x4(35-84x+70x2-20x3),
因此,在子频带[Ωn-1,Ωn],信号f(t)的经验小波变换的细节系数为:
逼近系数为:
其中,*表示函数的卷积运算。
具体应用实例:
参见图2,图2给出了一个轴承损伤的响应信号,其固有频率f=2000Hz,损伤特征频率为120Hz,采样频率为12000Hz,数据长度为4096,信噪比为-11.76dB。
图3给出的是采用经验小波变换的频谱局部极大值边界的划分结果图谱(仅使用频谱的前3个较大峰值计算子频带边界),由于噪声分量的影响,改变了频谱局部最大值的分布,中心频谱为2000Hz及其变频带被划分到2个相邻子频带中。
图4为采用本发明的采用峭度谱确定子频带边界的经验小波变换方法的小波子频带边界划分结果。
图5为其对应的频谱频带划分,以中心频率2000Hz及其边频带被划在子频带2中。
图6为采用本方法的子频带边界划分结果。
图7为峭度最大峰值所在的子频带2的分量包络谱,3个显著的峰值对应的频率分别为重复冲击频率的1~3倍频。
Claims (1)
1.一种采用峭度谱确定子频带边界的经验小波变换的方法,其特征在于,所述采用峭度谱确定子频带边界的经验小波变换的方法应用于轴承损伤的响应信号,按下列步骤实施:
1)首先对信号进行时频变换,再以时频变换结果为基础,沿时频变换结果的频率轴,以一个固定频率步长、固定的带宽,依次对局部时频区域进行逆变换,获得该时频区域的信号分量,再求取信号分量的峭度,最终得到峭度序列;
2)以每个局部时频区域的中心频率作为横坐标、它的信号分量的峭度作为纵坐标,即可得到该信号的峭度谱;
3)在峭度谱上找出局部极小值,把其对应的频率从小到大依次排列,并把这些频率作为小波子频带的边界频率,设起始频带的边界频率为0,最末子频带的终点边界为信号Nyquist分析频带的最大频率,这样,得到一组相互连接、互不交叠的小波子频带;在此基础上,基于小波子频带构造尺度滤波器和小波滤波器,按照小波分解原理对信号进行小波变换,得到信号在各个子频带的信号分量;
其中,设峭度谱上第n个局部极小值为Kr(n),对应的频率记为fn;
令峭度谱存在局部L个极小值,对应的频率为fnl,其中,l=1~L,则第n个小波子频带为[fn-1,fn],n=1~L;
所述的尺度滤波器和小波滤波器是按照经验小波变换原理而构造的正交滤波器组;
所述的采用峭度谱确定子频带边界的经验小波变换是改进的经验小波变换,是一种轴承损伤的响应信号按频带分解的时频分解方法;
所述的时频变换是一种具有可逆变换的时频分解方法,将时域信号映射到时频空间;
所述的峭度是描述信号在时域的一种无量纲统计指标;
所述的峭度谱是一种表示在Nyquist分析频带上峭度随频率变化曲线;
所述的逆变换是指求取给定局部时频区域的信号时域分量的过程;
所述的小波子频带是峭度谱上2个相邻局部极小值对应频率为边界所包含的频带;
所述的小波子频带划分是指下面的过程:
把峭度谱上的极小值对应的频率从小到大依次排列,并以峭度极小值对应频率为子频带边界,对信号Nyquist分析频带做分割获取小波子频带的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811145202.XA CN109525215B (zh) | 2018-09-29 | 2018-09-29 | 一种采用峭度谱确定子频带边界的经验小波变换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811145202.XA CN109525215B (zh) | 2018-09-29 | 2018-09-29 | 一种采用峭度谱确定子频带边界的经验小波变换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109525215A CN109525215A (zh) | 2019-03-26 |
CN109525215B true CN109525215B (zh) | 2023-02-28 |
Family
ID=65772351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811145202.XA Active CN109525215B (zh) | 2018-09-29 | 2018-09-29 | 一种采用峭度谱确定子频带边界的经验小波变换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109525215B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111141520A (zh) * | 2020-02-24 | 2020-05-12 | 江南大学 | 一种基于改进经验小波变换的滚动轴承故障诊断方法 |
CN111769810B (zh) * | 2020-06-29 | 2022-03-22 | 浙江大学 | 一种基于能量峭度谱的流体机械调制频率提取方法 |
CN113537102B (zh) * | 2021-07-22 | 2023-07-07 | 深圳智微电子科技有限公司 | 一种微震信号的特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808114A (zh) * | 2017-09-19 | 2018-03-16 | 长安大学 | 一种基于信号时频分解的幅值谱峭度图的实现方法 |
CN107941511A (zh) * | 2017-11-10 | 2018-04-20 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6862558B2 (en) * | 2001-02-14 | 2005-03-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Empirical mode decomposition for analyzing acoustical signals |
-
2018
- 2018-09-29 CN CN201811145202.XA patent/CN109525215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808114A (zh) * | 2017-09-19 | 2018-03-16 | 长安大学 | 一种基于信号时频分解的幅值谱峭度图的实现方法 |
CN107941511A (zh) * | 2017-11-10 | 2018-04-20 | 长安大学 | 一种基于信号时频分解的频率—峭度图的实现方法 |
Non-Patent Citations (1)
Title |
---|
Empirical wavelet transform;Jérôme Gilles;《IEEE Transactions on Signal Processing》;20130815;第61卷(第16期);正文第3999页第2栏第2段-4010页第1栏第1段,附图5-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN109525215A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109525215B (zh) | 一种采用峭度谱确定子频带边界的经验小波变换方法 | |
US7492814B1 (en) | Method of removing noise and interference from signal using peak picking | |
Jwo et al. | Windowing techniques, the welch method for improvement of power spectrum estimation | |
Wang et al. | Application of the dual-tree complex wavelet transform in biomedical signal denoising | |
CN107808114B (zh) | 一种基于信号时频分解的幅值谱峭度图的实现方法 | |
CN102624349B (zh) | 一种对原始数据低失真的谐波噪声干扰和白噪声干扰的去除方法 | |
CN104849757A (zh) | 消除地震信号中随机噪声系统及方法 | |
CN114492538A (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN101577116A (zh) | 一种语音信号的MFCC系数提取方法、装置及一种Mel滤波方法 | |
Vimala et al. | Noise reduction based on double density discrete wavelet transform | |
CN113702037B (zh) | 基于子带重排与集合双树复小波包变换的重加权谱峭度方法 | |
CN105187341A (zh) | 一种基于交叉验证的平稳小波变换去噪方法 | |
CN114330459A (zh) | 基于多层分解的振源响应信噪分离方法及系统 | |
CN113268924B (zh) | 基于时频特征的变压器有载分接开关故障识别方法 | |
CN109959964B (zh) | 一种高铁震源地震信号的宽频背景噪声压制方法 | |
Yang et al. | Enhanced generalized nonlinear sparse spectrum based on dual-tree complex wavelet packet transform for bearing fault diagnosis | |
Kulkarni et al. | Periodicity-aware signal denoising using Capon-optimized Ramanujan filter banks and pruned Ramanujan dictionaries | |
Susrutha et al. | Analysis on FFT and DWT transformations in image processing | |
Narasimhan et al. | Discrete cosine harmonic wavelet transform and its application to signal compression and subband spectral estimation using modified group delay | |
Codello et al. | Wavelet analysis of speech signal | |
CN115128666A (zh) | 一种提高地震数据分辨率的方法、装置及存储介质 | |
CN112764108B (zh) | 一种基于改进经验小波变换的新型地震资料噪声压制算法 | |
CN110287948B (zh) | 一种基于能量分离的魏格纳-维利时频分解方法 | |
Thangaraj et al. | Analysis and estimation of harmonics using wavelet packet transform | |
CN111161128A (zh) | 基于频域方向滤波的图像变换及其在稀疏分解中的应用 |
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 |