CN110688964A - 一种基于稀疏分解的小波阈值与emd联合降噪方法 - Google Patents
一种基于稀疏分解的小波阈值与emd联合降噪方法 Download PDFInfo
- Publication number
- CN110688964A CN110688964A CN201910940244.0A CN201910940244A CN110688964A CN 110688964 A CN110688964 A CN 110688964A CN 201910940244 A CN201910940244 A CN 201910940244A CN 110688964 A CN110688964 A CN 110688964A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- threshold
- imf
- coefficient
- 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
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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Image Processing (AREA)
Abstract
本发明是一种基于稀疏分解的小波阈值与EMD联合降噪方法。本发明首先利用EMD分解获取信号的固有模态函数IMF分量,然后计算各IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于鱼雷信号的去噪方法。本发明可以在降噪的同时还能成功地保留信号特征。在保留了EMD运算较快、降噪性能好的优点的同时,采用稀疏化小波阈值降噪改善了各保留IMF的噪声性能,从而提高噪声抑制水平。
Description
技术领域
本发明涉及联合降噪技术领域,是一种基于稀疏分解的小波阈值与EMD联合降噪方法。
背景技术
在信号处理中,噪声是要影响信号传输的主要因素,于是要从采集的信号中,尽可能分离噪声和有效信号,提高信噪比和分辨率。噪声是任何信号中最常见的干扰波,形成原因复杂多样,而且噪声的表现形式是没有规律的振动。由于它的视速度无法预测,传播方向不固定,频率分布范围更是无法确定,这给分离有效信号和随机噪声带来极大的挑战。
经验模态分解(Empirical Mode Decomposition,EMD)以自身数据特性为基础,实现自适应时频处理。信号经过EMD分解,可以被分解成数量有限的本征模态函数(IntrinsicMode Function,IMF)分量,联合Hilbet变换法对信号进行分析,该过程一方面可以确保信号分解的唯一性,另一方面又可以在时频域内得到优化良好的局部信号。
J.Yu and Z.Zhang使用LMD(局部均值分解)和EMD方法对信号进行去噪并比较两种方法的去噪性能,相关数据表明,使用EMD可获得更高的相关度,滤波后的信号具有更高的SNR。通常LMD分解信号后会出现模态混叠现象,造成分解效果不佳,而且,对于大部分信号而言,选取合适的小波基,然后采用小波变换后会获得稀疏的小波系数,就是含有较少的大幅度系数。但是,当信号带有噪声干扰时,将大大削弱小波变换之后小波系数具有的稀疏性。
发明内容
本发明为实现抑制噪声干扰和提高计算效率,本发明提供了一种基于稀疏分解的小波阈值与EMD联合降噪方法,本发明提供了以下技术方案:
一种基于稀疏分解的小波阈值与EMD联合降噪方法,包括以下步骤:
步骤1:采用EMD法对带躁信号s(t)进行分解,得到固有模态函数,根据固有模态函数确定原信号;
步骤2:通过计算每一个IMF分量与带噪信号的相关性,确定每一个IMF分量中是否包含信息数据,
步骤3:找到信号模态和噪声模态之间的分界点k;
步骤4:使用小波阈值降噪算法进行降噪处理,对原信号进行N层小波变换,得到对应的小波轮廓系数和小波系数,对小波轮廓系数和小波系数进行阈值处理,得到硬阈值和软阈值;
步骤5:对小波系数进行稀疏化处理,利用小波轮廓系数和小波系数进行信号重构,得到抑噪后的信号。
优选地,所述步骤1具体为:
步骤1.1:采用EMD法对带噪信号s(t)的全部极小值与极大值点进行分解拟合,得到带噪信号的下包络线el(t)及上包络线eh(t),计算上下包络线的平均值,通过下式表示上下包络线的平均值:
其中,m(t)为上下包络线的平均值;
步骤1.2:采用带噪信号减去上下包络线的平均值得到新一轮的带噪信号,通过下式表示新一轮的带噪信号:
imf(t)=s(t)-m(t) (2)
其中,imf(t)为新一轮的带噪信号;
步骤1.3:由IMF判别准则筛选新一轮的带噪信号,得到的带噪信号的第一阶固有模态函数,直至得到所有的IMF分量为止,根据固有模态函数确定原信号,通过下式确定原信号:
其中,y(t)为原信号,imfj(t)为固有模态函数,j=1,2,…,N,N为时间尺度,rN(t)为残余函数。
优选地,所述步骤2具体为:确定每一个IMF分量与原始信号的相关系数,根据相关系数确定确定每一个IMF分量中是否包含信息数据,通过下式确定每一个IMF分量与原始信号的相关系数:
其中,R(y(t),imfj(t))为每一个IMF分量与原始信号的相关系数。
优选地,所述步骤3具体为:
步骤3.1将IMF按顺序对应于由高到低处在不一致频率段上的分量,即阶数高的IMF对应于信号的低频部分,阶数低的IMF对应于信号的高频部分;
步骤3.2:根据固有模态函数确定适信号模态和噪声模态之间的分界点k,通过下式确定所述分解点k:
优选地,根据所述分界点k将分解点前的IMF分量进行组合,第1层到第k-1层均为噪声,k-1层后的IMF分量含有有用信号。
优选地,所述步骤4具体为:
步骤4.1:使用小波阈值降噪算法进行降噪处理,选取小波基对信号进行分解,确定小波分解层数,对原信号进行N层小波变换,得到对应的小波轮廓系数和小波系数,通过下式表示小波轮廓系数和小波系数:
swaj=argmax||Wf(a,b)||0 (6)
swdj=ΦWf(a,b) (7)
其中,swaj为小波轮廓系数,swdj为小波系数,Φ为测量矩阵,a为伸缩因子,b为平移因子,Wf(a,b)为小波微积分;
步骤4.2:对小波轮廓系数swaj和小波系数swdj进行阈值处理,得到硬阈值和软阈值,通过下式表示硬阈值和软阈值:
其中,Hs为硬阈值,Hh为软阈值,λ为阈值标准值,B为信号长度,δ为噪声标准差。
优选地,所述步骤5具体为:
步骤5.1:采用OMP算法进行小波系数的稀疏化处理,选择随机矩阵Φ,所述随机矩阵满足RIP特性,N维信号在正交基作用下实现稀疏化,通过下式表示稀疏化后的N维信号:
x=ψswaj (11)
其中,x为稀疏化后的N维信号,ψ为正交基;
步骤5.3:利用获得的第k个IMF分量的小波细节系数sωdj (k)和硬阈值进行小波逆变换,通过下式表示小波逆变换过程:
sωdj′=Hs(sωdj (k)+μΦT(y-Φsωdj (k)))μ>0 (12)
其中,sωdj′为小波逆变换的小波细节系数,y为M维测量向量,μ为迭代次数;
步骤5.3:通过线型测量矩阵φ对小波轮廓系数进行测量,得到远小于信号长度的M维测量向量,通过下式表示M维测量向量:
y=φψswaj=Aswaj (13)
其中,A为传感矩阵;
步骤5.4:采用信号重构算法对信号进行重构,通过下式表示重构过程:
其中,y′(t)为重构信号,r′N(t)为去噪后的IMF分量。
本发明具有以下有益效果:
本发明采用基于稀疏分解的小波阈值函数与经验模态分解方法联合噪声抑制技术,是建立在EMD和小波阈值的基础上的,并通过稀疏表示,因此,可以在降噪的同时还能成功地保留信号特征。在保留了EMD运算较快、降噪性能好的优点的同时,采用稀疏化小波阈值降噪改善了各保留IMF的噪声性能,从而提高噪声抑制水平。
附图说明
图1是一种基于稀疏分解的小波阈值与EMD联合降噪方法流程图;
图2是硬阈值与软阈值函数图;
图3是小波阈值去噪流程图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
按照图1所示,本发明提供一种基于稀疏分解的小波阈值与EMD联合降噪方法,包括以下步骤:
步骤1:采用EMD法对带躁信号s(t)进行分解,得到固有模态函数,根据固有模态函数确定原信号;
在EMD是在假设任何信号都可用有限个本征模态函数(Intrinsic ModeFunction,IMF)分量组成的前提下,使信号分解后产生一组有着不一致时间尺度的固有模态分量,使得各个IMF都是窄带信号。同时对于每个IMF都要符合以下两个判别准则:
a)在所有数据区间中,函数的极值点和过零点的数目一定是至多相差一个或相同的关系;
b)任何一点处,全部极小值点所生成的下包络线与全部极大值点所生成的上包络线之间的平均值保持为0,即为该信号的上下包络线关于时间轴处于对称的位置。
EMD分解实质上为一种筛选的过程,而该过程有两个作用:让数据波形完美对称与除掉叠加波。对信号s(t)进行EMD分解的步骤如下:
1)得到信号s(t)的全部极小值点与极大值点,对应将它们利用拟合函数拟合为信号的下包络线el(t)及上包络线eh(t),然后求得上下包络线的平均值,即
然后用原信号s(t)减去m(t),记为:
imf(t)=s(t)-m(t)
2)使得imf(t)成为新一轮的原信号s(t),重复上述的过程,由IMF判别准则筛选得到原信号的第一阶本征模态函数,用s(t)减去imf1(t),记为:
m1(t)=s(t)-imf1(t)
若m1(t)视为新一轮的s(t),采用同一步骤直到得到所有的IMF分量为止。因此,原信号y(t)最终可表示为:
其中,rN(t)为残余函数,表示信号的趋势;imf1(t),imf2(t),…,imfN(t)其意义为信号中不一致时间尺度的分量,尺度按升序排列。
步骤2:通过计算每一个IMF分量与带噪信号的相关性,确定每一个IMF分量中是否包含信息数据;
由于重要的信号会在采集的含噪信号中占据较大的比重,因此可以通过计算每一个IMF分量与含噪信号的相关性来确定每一个IMF分量是否包含重要的信息。每一个IMF分量与原始信号的相关系数可以表示为:
步骤3:找到信号模态和噪声模态之间的分界点k;
根据固有模态函数确定适信号模态和噪声模态之间的分界点k,通过下式确定所述分解点k:
各个IMF按顺序对应于由高到低处在不一致频率段上的分量,即阶数高的IMF对应于信号的低频部分,阶数低的IMF对应于信号的高频部分。而针对多数带噪信号而言,信号的主要能量聚集于低频处,而高频处通常很少包含有用信息。EMD去噪时通过判定条件分解到第k层,并认为第1层到第k-1层均为噪声,k-1层后的IMF分量含有有用信号。
步骤4:使用小波阈值降噪算法进行降噪处理,对原信号进行N层小波变换,得到对应的小波轮廓系数和小波系数,对小波轮廓系数和小波系数进行阈值处理,得到硬阈值和软阈值;
小波变换原理:
设ψ(t)∈L2(R)(L2(R)表示平方可积的实数空间,即能量有限的信号空间)。当ψ(t)满足条件:
一种基于稀疏分解的小波阈值与EMD联合降噪方法称ψ(t)为一个基本小波或母小波,将母小波函数ψ(t)经伸缩和平移后,就可以得到一个小波序列:
其中a为伸缩因子,b为平移因子。
对于任意的函数f(t)∈L2(R)的连续小波变换为:
其中Wf(a,b)为f(t)的小波积分或频谱。
使用小波阈值降噪算法]进行降噪处理时,首先选取适当的小波函数对信号进行分解,其次对分解出的参数进行阈值处理,选取合适的阈值进行分析,最后利用降噪处理后的参数进行逆小波变换。其逆变换为:
小波变换的时频窗是可以由伸缩因子a和平移因子b来调节的,平移因子b,可以改变窗口在相平面时间轴上的位置,而伸缩因子b的大小不仅能影响窗口在频率轴上的位置,还能改变窗口的形状。小波变换对不同的频率在时域上的取样步长是可调节的,在低频时,小波变换的时间分辨率较低,频率分辨率较高:在高频时,小波变换的时间分辨率较高,而频率分辨率较低。
一般来说,小波降噪过程可以分为3个步骤如图3进行:
a)选择合适的小波基并确定小波分解的层数N,然后对信号进行N层小波变换,即可得到相应的小波变换系数swaj和swdj;
b)通过选择合适的阈值和阈值函数,对小波分解后的系数swaj和swdj进行阈值处理,获得软阈值和硬阈值分别为Hs和Hh;
c)利用经过小波稀疏化后的小波细节系数swdj′进行信号重构,再通过小波逆变换,得到去噪后的信号。
小波阈值去噪的整个过程中,选择什么样的阈值或阈值函数也是一非常重要的问题,也将直接影响信号去噪后的效果。当函数在±λ处连续时选用软阈值,这样对小波系数重构有良好的平滑效果;当函数高阶可导时选用硬阈值,这样在一定程度上保存了初始信号的噪声分量。
小波变换得到的小波轮廓系数和小波系数估计值分别为:
swaj=argmax||Wf(a,b)||0 swdj=ΦWf(a,b)
其中,Φ为测量矩阵。
常用的阈值处理函数有:硬阈值和软阈值如图2,硬阈值函数为:
软阈值函数为:
其中,λ为阈值标准值,B为信号长度,δ为噪声标准差。
在实际工程应用中,有用的信号通常表现为低频信号或是一些比较平稳的信号,而噪声信号表现为高频信号。对于小波变换的多层分解,噪声部分通常包含在高频成分中。因此,从信号学的角度看,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波,但由于在去噪后,还能成功地保留信号特征,所以在这一点上又优于传统的低通滤波器。由此可见,小波去噪实际上是特征提取和低通滤波的综合。
步骤5:对小波系数进行稀疏化处理,利用小波轮廓系数和小波系数进行信号重构,得到抑噪后的信号。
这里一种基于稀疏分解的小波阈值与EMD联合降噪方法首先引入压缩感知(Compressive Sensing,CS)算法,其意在充分利用小波系数的整体结构特性估计重要小波系数但不丢失重要信息,压缩感知包括三个核心步骤:采用OMP算法完成小波系数的稀疏化、观测矩阵设计、信号重构算法。压缩感知方法的前提条件是信号具有稀疏性或近似稀疏性,即N维信号x在正交基ψ下实现稀疏化表示,θ为K稀疏性向量,即存在K个非0元素
x=ψswaj
采用OMP算法完成小波系数的稀疏化,算法流程如下:
1)选取合适的随机矩阵ΦM×N,使得其满足RIP特性;
4)如果n=1,转至步骤5;否则,令n=n-1,转至步骤2;
5)利用获得的第k个IMF分量的小波系数估计值sωdj (k)进行小波逆变换
迭代式为:
sωdj′=Hs(sωdj (k)+μΦT(y-Φsωdj (k)))μ>0
其中,swdj (k)n=0,1,2,3....表示第n个IMF分量的小波系数估计值,μ为迭代次数。
通过线性测量矩阵φ对信号进行测量,可以得到远小于信号长度的M(M<<N)维测量向量y:
y=φψswaj=Aswaj
其中,A称为传感矩阵。x在正交基ψ下的稀疏化可以描述为:
swdj′=argmin||y||0
最后,可以通过信号重构算法对信号进行重构:
r′N(t)为去噪后的IMF分量。为了由M维测量向量y准确恢复出N维原始信号,压缩感知对测量信号有比较严苛的要求,即著名的受限等容特性(Restricted IsometryProperty,RIP)。
以上所述仅是一种基于稀疏分解的小波阈值与EMD联合降噪方法的优选实施方式,一种基于稀疏分解的小波阈值与EMD联合降噪方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (7)
1.一种基于稀疏分解的小波阈值与EMD联合降噪方法,其特征是:包括以下步骤:
步骤1:采用EMD法对带躁信号s(t)进行分解,得到固有模态函数,根据固有模态函数确定原信号;
步骤2:通过计算每一个IMF分量与带噪信号的相关性,确定每一个IMF分量中是否包含信息数据;
步骤3:找到信号模态和噪声模态之间的分界点k;
步骤4:使用小波阈值降噪算法进行降噪处理,对原信号进行N层小波变换,得到对应的小波轮廓系数和小波系数,对小波轮廓系数和小波系数进行阈值处理,得到硬阈值和软阈值;
步骤5:对小波系数进行稀疏化处理,利用小波轮廓系数和小波系数进行信号重构,得到抑噪后的信号。
2.根据权利要求1所述的一种基于稀疏分解的小波阈值与EMD联合降噪方法,其特征是:所述步骤1具体为:
步骤1.1:采用EMD法对带噪信号s(t)的全部极小值与极大值点进行分解拟合,得到带噪信号的下包络线el(t)及上包络线eh(t),计算上下包络线的平均值,通过下式表示上下包络线的平均值:
其中,m(t)为上下包络线的平均值;
步骤1.2:采用带噪信号减去上下包络线的平均值得到新一轮的带噪信号,通过下式表示新一轮的带噪信号:
imf(t)=s(t)-m(t) (2)
其中,imf(t)为新一轮的带噪信号;
步骤1.3:由IMF判别准则筛选新一轮的带噪信号,得到的带噪信号的第一阶固有模态函数,直至得到所有的IMF分量为止,根据固有模态函数确定原信号,通过下式确定原信号:
其中,y(t)为原信号,imfj(t)为固有模态函数,j=1,2,…,N,N为时间尺度,rN(t)为残余函数。
5.根据权利要求4所述的一种基于稀疏分解的小波阈值与EMD联合降噪方法,其特征是:根据所述分界点k将分解点前的IMF分量进行组合,第1层到第k-1层均为噪声,k-1层后的IMF分量含有有用信号。
6.根据权利要求1所述的一种基于稀疏分解的小波阈值与EMD联合降噪方法,其特征是:所述步骤4具体为:
步骤4.1:使用小波阈值降噪算法进行降噪处理,选取小波基对信号进行分解,确定小波分解层数,对原信号进行N层小波变换,得到对应的小波轮廓系数和小波系数,通过下式表示小波轮廓系数和小波系数:
swaj=argmax||Wf(a,b)||0 (6)
swdj=ΦWf(a,b) (7)
其中,swaj为小波轮廓系数,swdj为小波系数,Φ为测量矩阵,a为伸缩因子,b为平移因子,Wf(a,b)为小波微积分;
步骤4.2:对小波轮廓系数swaj和小波系数swdj进行阈值处理,得到硬阈值和软阈值,通过下式表示硬阈值和软阈值:
其中,Hs为硬阈值,Hh为软阈值,λ为阈值标准值,B为信号长度,δ为噪声标准差。
7.根据权利要求1所述的一种基于稀疏分解的小波阈值与EMD联合降噪方法,其特征是:所述步骤5具体为:
步骤5.1:采用OMP算法进行小波系数的稀疏化处理,选择随机矩阵Φ,所述随机矩阵满足RIP特性,N维信号在正交基作用下实现稀疏化,通过下式表示稀疏化后的N维信号:
x=ψswaj (11)
其中,x为稀疏化后的N维信号,ψ为正交基;
步骤5.3:利用获得的第k个IMF分量的小波细节系数sωdj (k)和硬阈值进行小波逆变换,通过下式表示小波逆变换过程:
sωdj′=Hs(sωdj (k)+μΦT(y-Φsωdj (k)))μ>0 (12)
其中,sωdj′为小波逆变换的小波细节系数,y为M维测量向量,μ为迭代次数;
步骤5.3:通过线型测量矩阵φ对小波轮廓系数进行测量,得到远小于信号长度的M维测量向量,通过下式表示M维测量向量:
y=φψswaj=Aswaj (13)
其中,A为传感矩阵;
步骤5.4:采用信号重构算法对信号进行重构,通过下式表示重构过程:
其中,y′(t)为重构信号,r′N(t)为去噪后的IMF分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940244.0A CN110688964B (zh) | 2019-09-30 | 2019-09-30 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940244.0A CN110688964B (zh) | 2019-09-30 | 2019-09-30 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688964A true CN110688964A (zh) | 2020-01-14 |
CN110688964B CN110688964B (zh) | 2023-05-26 |
Family
ID=69111253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910940244.0A Active CN110688964B (zh) | 2019-09-30 | 2019-09-30 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688964B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242043A (zh) * | 2020-01-15 | 2020-06-05 | 安徽中科龙安科技股份有限公司 | 一种时间序列大数据的稀疏化方法及系统 |
CN111276154A (zh) * | 2020-02-26 | 2020-06-12 | 中国电子科技集团公司第三研究所 | 风噪声抑制方法与系统以及炮声检测方法与系统 |
CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN111650654A (zh) * | 2020-05-13 | 2020-09-11 | 吉林大学 | 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法 |
CN111751658A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种信号处理方法及装置 |
CN111795931A (zh) * | 2020-07-06 | 2020-10-20 | 武汉理工大学 | 一种针对激光超声缺陷检测衍射回波信号的重构提取方法 |
CN111983919A (zh) * | 2020-07-14 | 2020-11-24 | 广东技术师范大学 | 一种emd-lms混合控制方法及控制系统 |
CN112287883A (zh) * | 2020-11-19 | 2021-01-29 | 金陵科技学院 | 基于emd与稀疏变换的无人设备用非线性抗干扰系统 |
CN112885362A (zh) * | 2021-01-14 | 2021-06-01 | 珠海市岭南大数据研究院 | 基于辐射噪声的目标识别方法、系统、装置及介质 |
CN113074692A (zh) * | 2021-03-03 | 2021-07-06 | 蔡德所 | 阵列式位移监测系统 |
CN113238190A (zh) * | 2021-04-12 | 2021-08-10 | 大连海事大学 | 一种基于emd联合小波阈值的探地雷达回波信号去噪方法 |
CN113537012A (zh) * | 2021-07-06 | 2021-10-22 | 国网江苏省电力有限公司常州供电分公司 | 接地网干扰信号的去噪方法、装置及计算机设备 |
CN113569395A (zh) * | 2021-07-16 | 2021-10-29 | 沈阳工业大学 | 一种用于低频超声胸腔成像的信号降噪方法 |
CN113616213A (zh) * | 2021-07-29 | 2021-11-09 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
CN113820664A (zh) * | 2021-09-18 | 2021-12-21 | 石家庄铁道大学 | 基于压缩感知的雷达信号处理方法 |
CN114936571A (zh) * | 2022-04-01 | 2022-08-23 | 西南交通大学 | 噪声抑制方法、装置、设备及存储介质 |
CN115017940A (zh) * | 2022-05-11 | 2022-09-06 | 西北工业大学 | 一种基于经验模态分解与1(1/2)谱分析的目标检测方法 |
CN116304564A (zh) * | 2023-02-23 | 2023-06-23 | 南京理工大学 | 一种基于改进eemd算法和自相关降噪的信号降噪方法 |
CN116299562A (zh) * | 2023-05-26 | 2023-06-23 | 中国海洋大学 | 一种高度计测距电离层误差校正滤波处理方法 |
CN117094450A (zh) * | 2023-10-19 | 2023-11-21 | 山东世纪阳光科技有限公司 | 基于区块链的化工生产线数据优化处理方法 |
CN117332221A (zh) * | 2023-09-26 | 2024-01-02 | 国网江苏省电力有限公司南通供电分公司 | 一种液压机构油内漏超声信号的降噪方法及系统 |
CN117331125A (zh) * | 2023-12-01 | 2024-01-02 | 中国海洋大学 | 一种分裂波束数据处理方法、装置、电子设备和介质 |
CN117368141A (zh) * | 2023-12-07 | 2024-01-09 | 国检测试控股集团湖南华科科技有限公司 | 基于人工智能的高氯酸盐废水浓度智能检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724147A (zh) * | 2012-06-27 | 2012-10-10 | 哈尔滨工程大学 | 一种水声正交频分复用的信道估计方法 |
CN102968762A (zh) * | 2012-10-24 | 2013-03-13 | 浙江理工大学 | 一种基于稀疏化和泊松模型的pet重建方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
US20170046557A1 (en) * | 2014-04-25 | 2017-02-16 | King Abdullah University Of Science And Technology | System and method for image reconstruction, analysis, and/or de-noising |
CN106897663A (zh) * | 2017-01-06 | 2017-06-27 | 重庆邮电大学 | 主成分分析改进小波算法的超声波消噪方法 |
CN107016656A (zh) * | 2017-04-01 | 2017-08-04 | 中国科学院光电技术研究所 | 基于压缩感知的图像重建中的小波稀疏基优化方法 |
CN108241279A (zh) * | 2016-12-23 | 2018-07-03 | 深圳市点网络科技有限公司 | 一种全息再现系统及其再现算法 |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
CN108844617A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 |
CN108983286A (zh) * | 2018-07-23 | 2018-12-11 | 中国石油大学(华东) | 一种联合ceemd与广义s变换的地震数据去噪方法 |
CN109785854A (zh) * | 2019-01-21 | 2019-05-21 | 福州大学 | 一种经验模态分解和小波阈值去噪相结合的语音增强方法 |
CN109815849A (zh) * | 2019-01-02 | 2019-05-28 | 东莞理工学院 | 基于奇异值分解的混沌信号去噪算法 |
-
2019
- 2019-09-30 CN CN201910940244.0A patent/CN110688964B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724147A (zh) * | 2012-06-27 | 2012-10-10 | 哈尔滨工程大学 | 一种水声正交频分复用的信道估计方法 |
CN102968762A (zh) * | 2012-10-24 | 2013-03-13 | 浙江理工大学 | 一种基于稀疏化和泊松模型的pet重建方法 |
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
US20170046557A1 (en) * | 2014-04-25 | 2017-02-16 | King Abdullah University Of Science And Technology | System and method for image reconstruction, analysis, and/or de-noising |
CN108241279A (zh) * | 2016-12-23 | 2018-07-03 | 深圳市点网络科技有限公司 | 一种全息再现系统及其再现算法 |
CN106897663A (zh) * | 2017-01-06 | 2017-06-27 | 重庆邮电大学 | 主成分分析改进小波算法的超声波消噪方法 |
CN107016656A (zh) * | 2017-04-01 | 2017-08-04 | 中国科学院光电技术研究所 | 基于压缩感知的图像重建中的小波稀疏基优化方法 |
CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
CN108844617A (zh) * | 2018-05-03 | 2018-11-20 | 武汉理工大学 | 主减速器强噪声振动信号的自适应稀疏树结构降噪方法 |
CN108983286A (zh) * | 2018-07-23 | 2018-12-11 | 中国石油大学(华东) | 一种联合ceemd与广义s变换的地震数据去噪方法 |
CN109815849A (zh) * | 2019-01-02 | 2019-05-28 | 东莞理工学院 | 基于奇异值分解的混沌信号去噪算法 |
CN109785854A (zh) * | 2019-01-21 | 2019-05-21 | 福州大学 | 一种经验模态分解和小波阈值去噪相结合的语音增强方法 |
Non-Patent Citations (3)
Title |
---|
林助军 等: "基于经验模式分解与小波软阈值的联合去噪法", 《青岛科技大学学报(自然科学版)》, vol. 36, no. 04, 31 August 2015 (2015-08-31), pages 463 - 467 * |
赵志鹏: "基于小波域维纳滤波器的压缩感知理论及应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 09, 15 September 2011 (2011-09-15), pages 136 - 86 * |
马雪飞 等: "正交频分复用水声通信的判决信道均衡算法", 《应用科学学报》, vol. 30, no. 06, 30 November 2012 (2012-11-30), pages 573 - 580 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242043A (zh) * | 2020-01-15 | 2020-06-05 | 安徽中科龙安科技股份有限公司 | 一种时间序列大数据的稀疏化方法及系统 |
CN111242043B (zh) * | 2020-01-15 | 2023-05-09 | 安徽中科龙安科技股份有限公司 | 一种时间序列大数据的稀疏化方法及系统 |
CN111276154A (zh) * | 2020-02-26 | 2020-06-12 | 中国电子科技集团公司第三研究所 | 风噪声抑制方法与系统以及炮声检测方法与系统 |
CN111276154B (zh) * | 2020-02-26 | 2022-12-09 | 中国电子科技集团公司第三研究所 | 风噪声抑制方法与系统以及炮声检测方法与系统 |
CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN111643068B (zh) * | 2020-05-07 | 2023-05-23 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN111650654A (zh) * | 2020-05-13 | 2020-09-11 | 吉林大学 | 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法 |
CN111650654B (zh) * | 2020-05-13 | 2022-03-22 | 吉林大学 | 联合emd与wt算法的地面磁共振信号尖峰噪声剔除方法 |
CN111751658A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种信号处理方法及装置 |
CN111795931A (zh) * | 2020-07-06 | 2020-10-20 | 武汉理工大学 | 一种针对激光超声缺陷检测衍射回波信号的重构提取方法 |
CN111983919A (zh) * | 2020-07-14 | 2020-11-24 | 广东技术师范大学 | 一种emd-lms混合控制方法及控制系统 |
CN112287883A (zh) * | 2020-11-19 | 2021-01-29 | 金陵科技学院 | 基于emd与稀疏变换的无人设备用非线性抗干扰系统 |
CN112885362A (zh) * | 2021-01-14 | 2021-06-01 | 珠海市岭南大数据研究院 | 基于辐射噪声的目标识别方法、系统、装置及介质 |
CN112885362B (zh) * | 2021-01-14 | 2024-04-09 | 珠海市岭南大数据研究院 | 基于辐射噪声的目标识别方法、系统、装置及介质 |
CN113074692A (zh) * | 2021-03-03 | 2021-07-06 | 蔡德所 | 阵列式位移监测系统 |
CN113238190B (zh) * | 2021-04-12 | 2023-07-21 | 大连海事大学 | 一种基于emd联合小波阈值的探地雷达回波信号去噪方法 |
CN113238190A (zh) * | 2021-04-12 | 2021-08-10 | 大连海事大学 | 一种基于emd联合小波阈值的探地雷达回波信号去噪方法 |
CN113537012A (zh) * | 2021-07-06 | 2021-10-22 | 国网江苏省电力有限公司常州供电分公司 | 接地网干扰信号的去噪方法、装置及计算机设备 |
CN113569395B (zh) * | 2021-07-16 | 2023-08-22 | 沈阳工业大学 | 一种用于低频超声胸腔成像的信号降噪方法 |
CN113569395A (zh) * | 2021-07-16 | 2021-10-29 | 沈阳工业大学 | 一种用于低频超声胸腔成像的信号降噪方法 |
CN113616213A (zh) * | 2021-07-29 | 2021-11-09 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
CN113616213B (zh) * | 2021-07-29 | 2023-02-28 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
CN113820664A (zh) * | 2021-09-18 | 2021-12-21 | 石家庄铁道大学 | 基于压缩感知的雷达信号处理方法 |
CN114936571B (zh) * | 2022-04-01 | 2023-05-05 | 西南交通大学 | 噪声抑制方法、装置、设备及存储介质 |
CN114936571A (zh) * | 2022-04-01 | 2022-08-23 | 西南交通大学 | 噪声抑制方法、装置、设备及存储介质 |
CN115017940A (zh) * | 2022-05-11 | 2022-09-06 | 西北工业大学 | 一种基于经验模态分解与1(1/2)谱分析的目标检测方法 |
CN115017940B (zh) * | 2022-05-11 | 2024-04-16 | 西北工业大学 | 一种基于经验模态分解与1(1/2)谱分析的目标检测方法 |
CN116304564A (zh) * | 2023-02-23 | 2023-06-23 | 南京理工大学 | 一种基于改进eemd算法和自相关降噪的信号降噪方法 |
CN116304564B (zh) * | 2023-02-23 | 2023-10-31 | 南京理工大学 | 一种基于改进eemd算法和自相关降噪的信号降噪方法 |
CN116299562B (zh) * | 2023-05-26 | 2023-08-04 | 中国海洋大学 | 一种高度计测距电离层误差校正滤波处理方法 |
CN116299562A (zh) * | 2023-05-26 | 2023-06-23 | 中国海洋大学 | 一种高度计测距电离层误差校正滤波处理方法 |
CN117332221A (zh) * | 2023-09-26 | 2024-01-02 | 国网江苏省电力有限公司南通供电分公司 | 一种液压机构油内漏超声信号的降噪方法及系统 |
CN117094450B (zh) * | 2023-10-19 | 2024-01-09 | 山东世纪阳光科技有限公司 | 基于区块链的化工生产线数据优化处理方法 |
CN117094450A (zh) * | 2023-10-19 | 2023-11-21 | 山东世纪阳光科技有限公司 | 基于区块链的化工生产线数据优化处理方法 |
CN117331125B (zh) * | 2023-12-01 | 2024-03-01 | 中国海洋大学 | 一种分裂波束数据处理方法、装置、电子设备和介质 |
CN117331125A (zh) * | 2023-12-01 | 2024-01-02 | 中国海洋大学 | 一种分裂波束数据处理方法、装置、电子设备和介质 |
CN117368141A (zh) * | 2023-12-07 | 2024-01-09 | 国检测试控股集团湖南华科科技有限公司 | 基于人工智能的高氯酸盐废水浓度智能检测方法 |
CN117368141B (zh) * | 2023-12-07 | 2024-03-01 | 国检测试控股集团湖南华科科技有限公司 | 基于人工智能的高氯酸盐废水浓度智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110688964B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688964B (zh) | 一种基于稀疏分解的小波阈值与emd联合降噪方法 | |
CN110598166B (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
CN106441288B (zh) | 一种加速度计的自适应小波降噪方法 | |
CN109446928B (zh) | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 | |
CN109871733B (zh) | 一种自适应海杂波信号去噪方法 | |
Li et al. | Near-source noise suppression of AMT by compressive sensing and mathematical morphology filtering | |
CN112084845B (zh) | 基于多尺度小波系数自相关的低频1/f噪声消除方法 | |
CN112560699B (zh) | 基于密度和压缩感知的齿轮振动信源欠定盲源分离方法 | |
CN114325598A (zh) | 信号去噪的方法及装置 | |
CN115840879A (zh) | 一种增材制造构件超声检测回波信号处理方法及系统 | |
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 | |
CN114886378A (zh) | 一种基于改进的互补集合模态分解联合去噪方法及系统 | |
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 | |
Ding | Wavelets, curvelets and wave atoms for image denoising | |
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 | |
CN113204051A (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
Ou et al. | Frame-based time-scale filters for underwater acoustic noise reduction | |
Shuchong et al. | Seismic signals wavelet packet de-noising method based on improved threshold function and adaptive threshold | |
CN110575145B (zh) | 一种基于增强的高斯冗余字典脉搏信号去噪方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
Issaoui et al. | Comparison between soft and hard thresholding on selected intrinsic mode selection | |
Dhandapani et al. | Partial discharge signal denoising based on VMD and group-sparse TV denoising | |
Hadhami et al. | Speech denoising based on empirical mode decomposition and improved thresholding | |
Vishwakarma et al. | De-noising of Audio Signal using Heavy Tailed Distribution and comparison of wavelets and thresholding techniques |
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 |