CN110096956B - 基于eemd和排列熵二阶差分的信号去噪方法及装置 - Google Patents
基于eemd和排列熵二阶差分的信号去噪方法及装置 Download PDFInfo
- Publication number
- CN110096956B CN110096956B CN201910228214.7A CN201910228214A CN110096956B CN 110096956 B CN110096956 B CN 110096956B CN 201910228214 A CN201910228214 A CN 201910228214A CN 110096956 B CN110096956 B CN 110096956B
- Authority
- CN
- China
- Prior art keywords
- signal
- imf component
- imf
- noise
- eemd
- 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
-
- 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
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Complex Calculations (AREA)
- Noise Elimination (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明公开了一种基于EEMD和排列熵二阶差分的信号去噪方法及装置。本发明首先利用EEMD方法对原始信号进行分解,得到一系列IMF分量和残差函数;然后计算每个IMF分量的排列熵;接下来根据IMF分量排列熵的二阶差分判断噪声IMF分量和有用信号IMF分量;最后利用有用信号IMF分量和残差函数进行重构得到去噪后的信号。本发明采用EEMD分解可避免噪声IMF分量和有用信号IMF分量之间的模态混叠,利用IMF分量排列熵的二阶差分可自动区分噪声IMF分量和有用信号IMF分量,避免人工选择IMF分量的主观性,其计算简单,具有较好的自适应性,适合于工程应用。
Description
技术领域
本发明属于信号去噪领域,具体涉及到基于EEMD和排列熵的自适应噪声抑制方法及装置。
背景技术
信号在传输过程中,不可避免会受到各种噪声和干扰的影响,造成波形畸变,因此如何提取有用信号、抑制噪声是信号处理的一个主要研究方向。
常用的信号去噪方法包括傅立叶变换、小波变换、短时傅立叶变换和经验模态分解(Empirical Mode Decomposition,EMD)等。傅里叶变换是去噪方法中的一种基础处理手段,一般通过构造频域滤波器来去除噪声,但其仅适用于平稳信号,且难以去除与有用信号频率重叠的噪声。小波变换虽然具有多分辨率特性,适合于非平稳信号,但其去噪效果取决于小波基、阈值和分解层数的选择,在低信噪比下去噪效果较差,应用范围有限。短时傅立叶变换时频窗口固定,时频分辨率无法调节,在时频域难以将噪声和有用信号完全分离。EMD方法是一种基于数据驱动的信号处理方法,它将不同信号尺度的波动或趋势逐级分解为若干个固有模态函数(Intrinsic Mode Function,IMF)和一个残差函数,通过选择有用信号IMF分量重构来去除噪声,在处理非线性、非平稳信号方面具有一定的优势,但是当信号中包含间歇成分、脉冲干扰和噪声时,EMD方法会产生模态混叠问题,即噪声和固有模式存在于同一模态中,影响了去噪效果。
总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)是一种改进的EMD方法,它利用EMD方法对高斯白噪声的二进制滤波特性以及不同白噪声序列对应的IMF分量之间的不相关性,通过对原始信号多次加入不同的白噪声进行EMD分解,将多次分解的IMF分量进行平均得到最终的IMF分量,可克服EMD方法中的模态混叠问题。
在EMD方法和EEMD方法中,去噪是通过选择有用信号IMF分量和残差函数进行重构实现的,因此关键是如何判断噪声IMF分量和有用信号IMF分量。目前噪声IMF分量和有用信号IMF分量主要依赖人为经验判断,具有一定的主观性,因此,如何自适应的准确区分噪声IMF分量和有用信号IMF分量,对于提高EEMD方法的去噪性能具有重要意义。
发明内容
为了解决EEMD方法在去噪时存在的问题,本发明提供了一种基于EEMD和排列熵二阶差分的信号去噪方法及装置。本发明利用EEMD方法对原始信号进行分解,可避免EMD方法中的模态混叠问题;利用IMF分量排列熵的二阶差分判断噪声IMF分量和有用信号IMF分量,可避免人工判断的主观性,具有计算量小、鲁棒性好的优点。
本发明解决其技术问题,所采用基于EEMD和排列熵二阶差分的信号去噪方法包含如下步骤:
(1)输入原始含噪信号;
(2)利用EEMD对原始含噪信号进行分解,得到一系列IMF分量和一个残差函数;
(3)计算各个IMF分量的排列熵值;
(4)计算IMF分量排列熵的二阶差分;
(5)根据IMF分量排列熵的二阶差分判断噪声IMF分量和有用信号IMF分量;
(6)利用有用信号IMF分量和残差函数进行重构,得到去噪后的信号。
进一步地,在本发明的基于EEMD和排列熵二阶差分的信号去噪方法的步骤(2)中,EEMD分解是通过对原始含噪信号加入高斯白噪声,利用高斯白噪声在频域均匀分布的特性,使白噪声信号经过EMD分解后自动分布到合适的参考尺度上;由于白噪声零均值性质,对所得IMF分量多次平均后可抵消加入的白噪声的影响,克服EMD分解中的模态混叠问题,其具体包含如下步骤:
(21)确定总平均次数M和加入的高斯白噪声的标准差kn;其中,M为大于1的正整数,kn大于0;
(22)在原始信号x(t)中加入均值为零、标准差为kn的高斯白噪声,得到:
xi(t)=x(t)+ni(t) i=1,2…,M (1)
其中,xi(t)为第i个附加噪声信号,ni(t)为第i次加入的高斯白噪声;
(23)对各个xi(t)分别进行EMD分解,得到一系列IMF分量和1个残差函数,即:
其中,J为IMF分量的数量,cij(t)为第i个附加噪声信号经EMD分解后的第j个IMF分量,ri(t)为第i个附加噪声信号经EMD分解后的残差函数;
(24)重复步骤(22)和步骤(23)M次,将上述步骤得到的对应IMF分量进行总体平均,以消除加入的高斯白噪声的影响;其中,M次重复过程中,每次加入的高斯白噪声不相同,得到最终的IMF分量和残差函数分别为:
其中,cj(t)为原始信号x(t)经EEMD分解后的第j个IMF分量,r(t)为原始信号x(t)经EEMD分解后的残差函数。
进一步地,在本发明的基于EEMD和排列熵二阶差分的信号去噪方法的步骤(3)中,各个IMF分量的排列熵计算步骤如下:
(31)对于长度为N的离散IMF分量{c(i),i=1,2,...,N}进行相空间重构,得到如下矩阵:
其中,m和λ分别为嵌入维数和延迟时间;K为重构相空间中重构向量个数,K=N-(m-1)λ;
(32)将每个重构向量[c(i),c(i+λ),…,c(i+(m-1)λ)]按照升序重新排列,如下所示:
c[i+(j1-1)λ]≤c[i+(j2-1)λ]≤…≤c[i+(jm-1)λ] (5)
其中,j1,j2,…,jm表示重构分量中各个元素所在列的索引;
对于任一重构向量[c(i),c(i+λ),…,c(i+(m-1)λ)],得到一组符号序列:
S(g)=(j1,j2,…,jm) (6)
其中,g=1,2,…,h,h≤m!;m个不同的符号j1,j2,…,jm共有m!种不同的符号序列,S(g)是m!种符号序列中的一种;
(33)计算每一种符号序列出现的概率p1,p2,…,ph,得到IMF分量{c(i),i=1,2,...,N}的排列熵为:
(34)当pg=1/m!时,Hp(m)达到最大值,将Hp(m)进行归一化处理,即:
Hp=Hp(m)/ln(m!) (8)
其中,Hp的取值范围为[0,1],值的大小表示时间序列的随机性程度,Hp值越大,表示序列随机性越强;Hp值越小,则时间序列越规则。
进一步地,在本发明的基于EEMD和排列熵二阶差分的信号去噪方法的步骤(32)中,如果存在c[i+(jp-1)λ]=c[i+(jq-1)λ],则按照j的值的大小进行排序,即当jp<jq,则c[i+(jp-1)λ]<c[i+(jq-1)λ]。
进一步地,在本发明的基于EEMD和排列熵二阶差分的信号去噪方法的步骤(4)中,IMF分量排列熵的二阶差分的计算方法如下:
(41)假定第j个IMF分量的排列熵为Hj,则Hj的一阶差分为:
H′j=Hj-Hj+1 1≤j≤J-1 (9)
(42)由H′j得到Hj的二阶差分为:
H″j=H′j-H′j+1 1≤j≤J-2 (10)
其中,J表示IMF分量的数量。
进一步地,在本发明的基于EEMD和排列熵二阶差分的信号去噪方法的步骤(5)中,判断噪声IMF分量和有用信号IMF分量的步骤如下:
(51)选取IMF分量排列熵的二阶差分的最大值,得到其对应的IMF阶数:
jmax=argmax(H″j)1≤j≤J-2 (11)
其中,cj(t)为原始信号x(t)经EEMD分解后的第j个IMF分量表示。
进一步地,在本发明的基于EEMD和排列熵二阶差分的信号去噪方法的所述步骤(6)中,信号重构如下:
其中,x1(t)为去噪后的信号,r(t)为原始信号x(t)经EEMD分解后的残差函数。
根据本发明的另一方面,本发明为解决其技术问题,还提供了一种基于EEMD和排列熵二阶差分的信号去噪装置,具有计算机存储介质,用于存储计算机指令,所述计算机指令用于实现上述的基于EEMD和排列熵二阶差分的信号去噪方法。
实施本发明的基于EEMD和排列熵二阶差分的信号去噪方法及装置,具有以下有益效果:
1.采用EEMD方法对信号进行分解,可避免EMD分解中噪声信号与有用信号的模态混叠问题;
2.利用IMF分量排列熵的二阶差分来判断噪声信号IMF分量和有用信号IMF分量,具有准确性高,自适应性好的优点,可提高信号去噪效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明的实现流程图。
图2(a)为原始理想信号,图2(b)以及图2(c)分别表示一组含噪信号。
图3为第1组含噪信号EEMD分解后的结果。
图4为第1组含噪信号各IMF分量的排列熵值。
图5为第1组含噪信号IMF分量排列熵的二阶差分。
图6(a)-图6(d)为第1组含噪信号去噪后的结果,其中图6(a)表示利用IMF4~IMF8和残差函数r重构得到的信号,图6(b)表示利用IMF3~IMF8和残差函数r重构得到的信号,图6(c)表示利用IMF2~IMF8和残差函数r重构得到的信号,图6(d)表示利用小波阈值去噪得到信号。
图7为第2组含噪信号EEMD分解后的结果。
图8为第2组含噪信号各IMF分量的排列熵值。
图9为第2组含噪信号IMF分量排列熵的二阶差分。
图10(a)-图10(d)为第2组含噪信号去噪后的结果,其中,图10(a)表示利用IMF5~IMF8和残差函数r重构得到的信号,图10(b)表示利用IMF4~IMF8和残差函数r重构得到的信号,图10(c)表示利用IMF3~IMF8和残差函数r重构得到的信号,图10(d)表示利用小波阈值去噪得到信号。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,本发明所述的基于EEMD和排列熵二阶差分的信号去噪方法,包括以下步骤:
1.输入原始含噪信号;
2.利用EEMD对原始含噪信号进行分解,得到一系列IMF分量和一个残差函数;
3.计算各个IMF分量的排列熵值;
4.计算IMF分量排列熵的二阶差分;
5.根据IMF分量排列熵的二阶差分判断噪声IMF分量和有用信号IMF分量;
6.利用有用信号IMF分量和残差函数进行重构,得到去噪后的信号。
以图2中的含噪信号为例,来说明本发明实施例的信号去噪方法,包括以下步骤:
1.输入原始含噪声信号,其中原始理想信号和2组含噪信号分别为:
原始理想信号:x(t)=cos(100πt) (13)
第1组含噪声信号:x1(t)=cos(100πt)+0.2n1(t)+n2(t) (14)
第2组含噪声信号:x2(t)=cos(100πt)+1.0n1(t)+n2(t) (15)
其中,x(t)为余弦波,其采样率为5000Hz,采样点数为512;n1(t)为正态分布的随机噪声,其均值为0,方差为1;n2(t)为随机脉冲干扰,分别出现在第100和第300个样点处。
原始理想信号x(t)如图2(a)所示;第1组含噪声信号x1(t)如图2(b)所示;第2组含噪声信号x2(t)如图2(c)所示。
2.利用EEMD对2组含噪信号分别进行分解,其中总平均次数M为100,高斯白噪声的标准差kn为0.2。第1组含噪信号分解结果如图3所示,为8个IMF分量IMF1~IMF8和1个残差函数r;第2组含噪信号分解结果如图7所示,为8个IMF分量IMF1~IMF8和1个残差函数r。
3.计算2组含噪信号各IMF分量的排列熵值,其中嵌入维数m为4,延迟时间λ为1。第1组含噪信号各IMF分量排列熵如图4所示,第2组含噪信号各IMF分量排列熵如图8所示。
4.计算2组含噪信号IMF分量排列熵的二阶差分。第1组含噪信号IMF分量排列熵的二阶差分如图5所示,第2组含噪信号IMF分量排列熵的二阶差分如图9所示。
5.根据图5和图9得到2组含噪信号IMF分量排列熵的二阶差分的最大值分别为3和4,由此得到第1组含噪信号的噪声IMF分量为IMF1~IMF3,有用信号IMF分量为IMF4~IMF8;第2组含噪信号的噪声IMF分量为IMF1~IMF4,有用信号IMF分量为IMF5~IMF8。
6.利用有用信号IMF分量和残差函数重构,得到去噪后的信号。为了分析本发明的去噪性能,这里采用不同IMF分量和残差函数重构方法与小波阈值去噪方法对信号进行处理。
对于第1组含噪信号,利用IMF4~IMF8和残差函数r重构得到的信号,如图6(a)所示;利用IMF3~IMF8和残差函数r重构得到的信号,如图6(b)所示;利用IMF2~IMF8和残差函数r重构得到的信号,如图6(c)所示;利用小波阈值去噪得到信号,如图6(d)所示。
对于第2组含噪信号,利用IMF5~IMF8和残差函数r重构得到的信号,如图10(a)所示;利用IMF4~IMF8和残差函数r重构得到的信号,如图10(b)所示;利用IMF3~IMF8和残差函数r重构得到的信号,如图10(c)所示;利用小波阈值去噪得到信号,如图10(d)所示。
这里采用信噪比(Signal to Noise Ratio,SNR)来评估不同方法的去噪效果,信噪比的表达式为:
从图6中可看出,对于含噪信号1,本发明选择去噪声后波形比较光滑,波形细节保留较好;由其它IMF分量和残差函数r重构得到的两组信号均包含不同程度的噪声和脉冲干扰;小波阈值去噪对随机噪声抑制较好,但是无法消除100样点和300样点处的脉冲干扰。表1中的SNR数据也可以定量证明本发明能准确选择信号IMF分量,具有最好的去噪效果。
从图10中可看出,对于含噪信号2,本发明选择去噪声后波形比较光滑,波形细节保留较好;由其它IMF分量和残差函数r重构得到的两组信号均包含较多的噪声和干扰;小波阈值去噪对随机噪声抑制较好,但是存在一些波形畸变,且在360样点处存在很大的脉冲干扰。表2中的SNR数据也可以定量证明本发明能准确选择信号IMF分量,具有最好的去噪效果。
上述两组信号的实验结果表明,本发明可准确区分信号中的噪声IMF分量和有用信号IMF分量,具有良好的自适应性和稳定性,可有效改善EEMD的去噪效果。
表1为不同方法对含噪信号1去噪后的SNR
表2为不同方法对含噪信号2去噪后的SNR
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (9)
1.一种基于EEMD和排列熵二阶差分的信号去噪方法,其特征在于,包含如下步骤:
(1)输入原始含噪信号;
(2)利用EEMD对原始含噪信号进行分解,得到一系列IMF分量和一个残差函数;
(3)计算各个IMF分量的排列熵值;
(4)计算IMF分量排列熵的二阶差分;
(5)根据IMF分量排列熵的二阶差分判断噪声IMF分量和有用信号IMF分量;
(6)利用有用信号IMF分量和残差函数进行重构,得到去噪后的信号。
2.根据权利要求1所述的基于EEMD和排列熵二阶差分的信号去噪方法,其特征在于,步骤(2)具体包含如下步骤:
(21)确定总平均次数M和加入的高斯白噪声的标准差kn;其中,M为大于1的正整数,kn大于0;
(22)在原始信号x(t)中加入均值为零、标准差为kn的高斯白噪声,得到:
xi(t)=x(t)+ni(t) i=1,2…,M (1)
其中,xi(t)为第i个附加噪声信号,ni(t)为第i次加入的高斯白噪声;
(23)对各个xi(t)分别进行EMD分解,得到一系列IMF分量和1个残差函数,即:
其中,J为IMF分量的数量,cij(t)为第i个附加噪声信号经EMD分解后的第j个IMF分量,ri(t)为第i个附加噪声信号经EMD分解后的残差函数;
(24)重复步骤(22)和步骤(23)M次,将上述步骤得到的对应IMF分量进行总体平均,以消除加入的高斯白噪声的影响;其中,M次重复过程中,每次加入的高斯白噪声不相同,得到最终的IMF分量和残差函数分别为:
其中,cj(t)为原始信号x(t)经EEMD分解后的第j个IMF分量,r(t)为原始信号x(t)经EEMD分解后的残差函数。
3.根据权利要求1所述的基于EEMD和排列熵二阶差分的信号去噪方法,其特征在于,所述步骤(3)中,各个IMF分量的排列熵计算步骤如下:
(31)对于长度为N的离散IMF分量{c(i),i=1,2,...,N}进行相空间重构,得到如下矩阵:
其中,m和λ分别为嵌入维数和延迟时间;K为重构相空间中重构向量个数,K=N-(m-1)λ;
(32)将每个重构向量[c(i),c(i+λ),…,c(i+(m-1)λ)]按照升序重新排列,如下所示:
c[i+(j1-1)λ]≤c[i+(j2-1)λ]≤…≤c[i+(jm-1)λ] (5)
其中,j1,j2,…,jm表示重构分量中各个元素所在列的索引;
对于任一重构向量[c(i),c(i+λ),…,c(i+(m-1)λ)],得到一组符号序列:
S(g)=(j1,j2,…,jm) (6)
其中,g=1,2,…,h,h≤m!;m个不同的符号j1,j2,…,jm共有m!种不同的符号序列,S(g)是m!种符号序列中的一种;
(33)计算每一种符号序列出现的概率p1,p2,…,ph,得到IMF分量{c(i),i=1,2,...,N}的排列熵为:
(34)当pg=1/m!时,Hp(m)达到最大值,将Hp(m)进行归一化处理,即:
Hp=Hp(m)/ln(m!) (8)
其中,Hp的取值范围为[0,1],值的大小表示时间序列的随机性程度,Hp值越大,表示序列随机性越强;Hp值越小,则时间序列越规则。
4.根据权利要求3所述的基于EEMD和排列熵二阶差分的信号去噪方法,其特征在于,步骤(32)中,如果存在c[i+(jp-1)λ]=c[i+(jq-1)λ],则按照j的值的大小进行排序,即当jp<jq,则c[i+(jp-1)λ]<c[i+(jq-1)λ]。
5.根据权利要求1所述的基于EEMD和排列熵二阶差分的信号去噪方法,其特征在于,所述步骤(4)中,IMF分量排列熵的二阶差分的计算方法如下:
(41)假定第j个IMF分量的排列熵为Hj,则Hj的一阶差分为:
H'j=Hj-Hj+1 1≤j≤J-1 (9)
(42)由H'j得到Hj的二阶差分为:
H″j=H'j-H'j+1 1≤j≤J-2 (10)
其中,J表示IMF分量的数量。
8.根据权利要求2所述的基于EEMD和排列熵二阶差分的信号去噪方法,其特征在于,步骤(2)中,kn的取值范围为0.1~0.4。
9.一种基于EEMD和排列熵二阶差分的信号去噪装置,其特征在于,具有计算机存储介质,用于存储计算机指令,所述计算机指令用于实现如权利要求1-8任一项所述的基于EEMD和排列熵二阶差分的信号去噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910228214.7A CN110096956B (zh) | 2019-03-25 | 2019-03-25 | 基于eemd和排列熵二阶差分的信号去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910228214.7A CN110096956B (zh) | 2019-03-25 | 2019-03-25 | 基于eemd和排列熵二阶差分的信号去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110096956A CN110096956A (zh) | 2019-08-06 |
CN110096956B true CN110096956B (zh) | 2023-02-10 |
Family
ID=67443021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910228214.7A Active CN110096956B (zh) | 2019-03-25 | 2019-03-25 | 基于eemd和排列熵二阶差分的信号去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110096956B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007559B (zh) * | 2019-11-25 | 2023-09-15 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN113786178A (zh) * | 2021-08-24 | 2021-12-14 | 煤炭科学研究总院 | 一种基于排列熵的uwb生命体征信号探测方法和装置 |
CN116304570B (zh) * | 2023-03-23 | 2023-10-27 | 昆明理工大学 | 一种基于EEMD联合Chebyshev滤波的水轮机故障信号去噪方法 |
CN116340731B (zh) * | 2023-05-29 | 2023-08-22 | 北京科技大学 | 一种岩石声发射信号的降噪办法及系统 |
CN117235585B (zh) * | 2023-11-16 | 2024-02-27 | 深圳市瑞健医信科技有限公司 | 一种可联机的血透信息管理系统 |
CN117370737B (zh) * | 2023-12-08 | 2024-02-06 | 成都信息工程大学 | 一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480619A (zh) * | 2017-08-03 | 2017-12-15 | 中国地质大学(武汉) | 基于eemd和排列熵的探地雷达b扫描图像的降噪方法及系统 |
CN108267784A (zh) * | 2018-01-18 | 2018-07-10 | 国网江西省电力有限公司电力科学研究院 | 一种地震信号随机噪声压制处理方法 |
WO2018233256A1 (zh) * | 2017-06-22 | 2018-12-27 | 武汉斗鱼网络科技有限公司 | 直播视频监控方法、存储介质、电子设备及系统 |
-
2019
- 2019-03-25 CN CN201910228214.7A patent/CN110096956B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018233256A1 (zh) * | 2017-06-22 | 2018-12-27 | 武汉斗鱼网络科技有限公司 | 直播视频监控方法、存储介质、电子设备及系统 |
CN107480619A (zh) * | 2017-08-03 | 2017-12-15 | 中国地质大学(武汉) | 基于eemd和排列熵的探地雷达b扫描图像的降噪方法及系统 |
CN108267784A (zh) * | 2018-01-18 | 2018-07-10 | 国网江西省电力有限公司电力科学研究院 | 一种地震信号随机噪声压制处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110096956A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110096956B (zh) | 基于eemd和排列熵二阶差分的信号去噪方法及装置 | |
Kemerait et al. | Signal detection and extraction by cepstrum techniques | |
CN109871733B (zh) | 一种自适应海杂波信号去噪方法 | |
CN110598166A (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
Liu et al. | Seismic random noise reduction using adaptive threshold combined scale and directional characteristics of shearlet transform | |
Roy et al. | Raised cosine filter-based empirical mode decomposition | |
CN112990139A (zh) | 基于变模态分解加权重构信号结合小波阈值去噪方法 | |
Zhang et al. | Microseismic denoising and reconstruction by unsupervised machine learning | |
CN116502042A (zh) | 基于变分模态分解与改进小波阈值的电能质量扰动去噪方法 | |
CN109586728B (zh) | 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法 | |
Mahmmod et al. | Speech enhancement algorithm based on a hybrid estimator | |
CN117318671B (zh) | 一种基于快速傅里叶变换的自适应滤波方法 | |
CN111582205B (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
CN113589253A (zh) | 一种基于伪时域的小波变换算法对微弱回波信号进行检测的方法 | |
CN109558857B (zh) | 一种混沌信号降噪方法 | |
Liu et al. | Speech denoising using transform domains in the presence of impulsive and gaussian noises | |
CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
CN110032968B (zh) | 基于双树复小波和自适应半软阈值法的去噪方法 | |
Gupta | A review and comprehensive comparison of image denoising techniques | |
CN110221349B (zh) | 一种基于小波变换与正弦波估计的瞬变电磁信号降噪方法 | |
CN109460614B (zh) | 基于瞬时带宽的信号时间-频率分解方法 | |
CN111144230A (zh) | 一种基于vmd的时域载荷信号的去噪方法 | |
CN114690003A (zh) | 一种基于eemd的局放信号降噪方法 | |
CN113030861B (zh) | 一种时间反转和分数阶小波变换的水声信号检测方法 | |
Kulkarni et al. | Periodicity-aware signal denoising using Capon-optimized Ramanujan filter banks and pruned Ramanujan dictionaries |
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 |