CN111723677A - 一种基于自适应阈值的小波去噪方法 - Google Patents

一种基于自适应阈值的小波去噪方法 Download PDF

Info

Publication number
CN111723677A
CN111723677A CN202010459443.2A CN202010459443A CN111723677A CN 111723677 A CN111723677 A CN 111723677A CN 202010459443 A CN202010459443 A CN 202010459443A CN 111723677 A CN111723677 A CN 111723677A
Authority
CN
China
Prior art keywords
coefficient
wavelet
layer
threshold
energy window
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
CN202010459443.2A
Other languages
English (en)
Other versions
CN111723677B (zh
Inventor
罗远林
吴月超
郑波
陆炅
沈惠良
邹雯
张东东
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.)
PowerChina Huadong Engineering Corp Ltd
Original Assignee
PowerChina Huadong Engineering Corp Ltd
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 PowerChina Huadong Engineering Corp Ltd filed Critical PowerChina Huadong Engineering Corp Ltd
Priority to CN202010459443.2A priority Critical patent/CN111723677B/zh
Publication of CN111723677A publication Critical patent/CN111723677A/zh
Application granted granted Critical
Publication of CN111723677B publication Critical patent/CN111723677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Signal Processing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于自适应阈值的小波去噪方法，包括下述步骤：(1)对染噪信号进行小波分解得到各层小波系数和最高层尺度系数；(2)通过迭代滤波获取各层小波系数自适应阈值；(3)利用卡方能量窗法从各层小波系数中提取脉冲对应系数；(4)将各层小波系数中非脉冲对应系数置零得到处理后小波系数；(5)利用处理后各层小波系数和最高层尺度系数重构得到去噪信号。

Description

一种基于自适应阈值的小波去噪方法
技术领域
本发明属于信号处理技术领域，特别涉及一种基于自适应阈值的小波去噪方法。
背景技术
小波阈值去噪是一种有效的高斯白噪声抑制技术，广泛应用于在心电图检测、电力设备状态在线监测等人和物的健康状态监测领域。阈值规则和阈值函数是小波阈值去噪中的关键难题，对去噪效果影响巨大。
针对上述问题，国内外学者提出了众多解决方案，阈值规则方法包括通用阈值、无偏风险阈值及极大极小阈值等，但普遍存在受系数长度影响的问题。中国专利公开号CN105701456B，公开日2019年10月25日，发明创造的名称为一种基于小波分析的角加速度计信号自适应去噪方法，该申请案公开了一种基于3σ的小波阈值估计方法。其不足之处是用于估计σ的系数包括脉冲对应系数和噪声对应系数，因此将显著大于实际值，导致脉冲被抑制。阈值函数主要包括硬阈值和软阈值，硬阈值会导致去噪信号不连续，软阈值会引起幅值衰减，效果均不理想。
发明内容
本发明的目的在于克服现有小波阈值规则和阈值函数存在的缺点与不足，结合脉冲信号有限连续性和高斯白噪声统计特性，提供一种基于自适应阈值的小波去噪方法，解决在线监测等领域中阈值自适应计算和处理的难题，实现白噪声有效抑制的同时，保障去噪后脉冲波形的高保真度。
本发明的目的通过下述技术方案实现。
一种基于自适应阈值的小波去噪方法，包括以下步骤：
步骤(1)：对染噪信号进行小波分解得到各层小波系数和最高层尺度系数；
步骤(2)：通过迭代滤波获取各层小波系数自适应阈值；
步骤(3)：利用卡方能量窗法从各层小波系数中提取脉冲对应系数；
步骤(4)：将各层小波系数中非脉冲对应系数置零得到处理后小波系数；
步骤(5)：利用处理后各层小波系数和最高层尺度系数重构得到去噪信号。
所述步骤(2)在，包括：
步骤(21)：利用3σ准则计算第k层小波系数临时阈值Tk,t＝3σk；
步骤(22)：对第k层小波系数进行正态性检验；
步骤(23)：通过检验时，第k层小波系数均为白噪声对应系数，临时阈值Tk,t即为第k层小波系数去噪阈值Tk，完成第k层小波系数阈值计算；
步骤(24)：未通过检验时，第k层小波系数仍包含脉冲对应系数，利用临时阈值Tk,t配合卡方能量窗法提取小波系数中脉冲系数；
步骤(25)：将提取的脉冲对应系数从小波系数中剔除得到新的第k层小波系数，对新的小波系数重复步骤(21)～步骤(25)，迭代滤除脉冲对应系数。
所述σk为第k层小波系数的标准差，计算公式如下：
Figure BDA0002510427850000021
式中，xk(i)为第k层小波系数序列，Nk为xk(i)的长度。
所述卡方能量窗法包括：
步骤(a)：根据脉冲宽度下限设定卡方能量窗宽度M；
步骤(b)：逐点比较小波系数的绝对值与幅值阈值a_thr，绝对值大于a_thr的系数x(n)为脉冲对应系数；
步骤(c)：从识别的x(n)开始，能量窗逐点向前滑动，当能量窗标称累积能量E小于能量阈值e_thr时，能量窗终点对应系数为脉冲起点；
步骤(d)：从识别的x(n)开始，能量窗逐点向后滑动，当能量窗标称累积能量E小于能量阈值e_thr时，能量窗起点对应系数为脉冲终点；
步骤(e)：从步骤(d)识别的脉冲终点的下一个系数开始，重复步骤(b)至步骤(e)，直到到达小波系数序列结尾。
所述幅值阈值即为临时阈值，即a_thr＝Tk,t；
所述能量窗标称累积能量E的计算公式如下：
Figure BDA0002510427850000031
所述能量阈值e_thr根据卡方能量窗宽度M查询卡方分布表得到。
本发明相比现有小波阈值去噪方法，提出了利用正态性检验严格筛选小波系数中白噪声对应系数，并用3σ准则得到准确的小波阈值，进而根据高斯白噪声统计特征，结合卡方分布提出卡方能量窗法确定脉冲对应系数，将非脉冲对应系数置零得到阈值处理后小波系数，最终重构得到去噪信号。实现了小波去噪阈值的自适应计算，并避免了当前硬阈值导致的去噪信号不连续和软阈值引起的幅值衰减问题，在准确去除白噪声的同时保障脉冲波形的高保真度，可以有效促进小波去噪技术在心电图检测、电力设备在线监测等领域的推广应用。
附图说明
图1为本发明的一种基于自适应阈值的小波去噪方法的实现流程示意图；
图2为本发明的方法中步骤(2)的流程示意图。
具体实施方式
下面结合附图与实施案例对本发明进行详细说明。
如图1所示，本发明一种基于自适应阈值的小波去噪方法，包括以下步骤：
步骤(1)：对染噪信号进行小波分解得到各层小波系数和最高层尺度系数；
步骤(2)：通过迭代滤波获取各层小波系数自适应阈值；
步骤(3)：利用卡方能量窗法从各层小波系数中提取脉冲对应系数；
步骤(4)：将各层小波系数中非脉冲对应系数置零得到处理后小波系数；
步骤(5)：利用处理后各层小波系数和最高层尺度系数重构得到去噪信号。
对服从正态分布的白噪声序列n(i)，满足P{-3σ<n(i)<3σ}＝0.9974，其中σ为n(i)标准差，即n(i)取值出现在区间(-3σ，3σ)内为小概率事件，因此可利用3σ准则计算小波阈值。
如图2所示，所述步骤(2)，包括：
步骤(21)：利用3σ准则计算第k层小波系数的临时阈值Tk,t＝3σk；
步骤(22)：对第k层小波系数进行正态性检验；
步骤(23)：通过检验时，第k层小波系数均为白噪声对应系数，临时阈值Tk,t即为第k层小波去噪阈值Tk，完成第k层小波系数阈值计算；
步骤(24)：未通过检验时，第k层小波系数仍包含脉冲对应系数，利用临时阈值Tk,t配合卡方能量窗法提取小波系数中脉冲对应系数；
步骤(25)：将提取的脉冲对应系数从小波系数中剔除得到新的第k层小波系数，对新的小波系数重复步骤(21)～步骤(25)，迭代滤除脉冲系数。
所述σk为第k层滤波后的小波系数的标准差，计算公式如下：
Figure BDA0002510427850000041
式中，xk(i)为第k层小波系数序列，Nk为xk(i)的长度。
对于长度为M＝20的能量窗内标准差为σk的白噪声系数序列nk(i)，nk(i)/σk独立同分布于标准正态分布，因此能量窗标称累积能量E
Figure BDA0002510427850000042
服从自由度为M的卡方分布，满足P(E≥40)＝0.005，即长度为20的白噪声系数序列的标称累积能量大于等于40为小概率事件，可以合理认为E≥40时，序列内包含脉冲对应系数。因此，移动该能量窗可以识别脉冲对应系数，将脉冲对应系数滤除后，剩余的即为纯粹的白噪声系数。
所述卡方能量窗法包括：
步骤(a)：根据脉冲宽度下限设定卡方能量窗宽度M＝40；
步骤(b)：逐点比较小波系数的绝对值与幅值阈值a_thr，绝对值大于a_thr的系数x(n)为脉冲对应系数；
步骤(c)：从识别的x(n)开始，能量窗逐点向前滑动，当能量窗标称累积能量E小于能量阈值e_thr时，能量窗终点对应系数为脉冲起点；
步骤(d)：从识别的x(n)开始，能量窗逐点向后滑动，当能量窗标称累积能量E小于能量阈值e_thr时，能量窗起点对应系数为脉冲终点；
步骤(e)：从步骤(d)识别的脉冲终点的下一个系数开始，重复步骤(b)至步骤(e)，直到到达小波系数序列结尾。
所述幅值阈值即为临时阈值，即a_thr＝Tk,t；
所述能量窗标称累积能量E的计算公式如下：
Figure BDA0002510427850000051
所述能量阈值e_thr＝40是根据卡方能量窗宽度M＝20结合概率值P＝0.005查询卡方分布表得到的。
以上所述，仅是用以说明本发明的具体实施案例而已，并非用以限定本发明的可实施范围，举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改变或修饰，仍应由本发明权利要求的范围所覆盖。

Claims (7)

1.一种基于自适应阈值的小波去噪方法，其特征在于，包括：
步骤(1)：对染噪信号进行小波分解得到各层小波系数和最高层尺度系数；
步骤(2)：通过迭代滤波获取各层小波系数的自适应阈值；
步骤(3)：利用卡方能量窗法从各层小波系数中提取脉冲对应系数；
步骤(4)：将各层小波系数中非脉冲对应系数置零得到处理后小波系数；
步骤(5)：利用处理后各层小波系和最高层尺度系数序列构得到去噪信号。
2.根据权利要求1所述的基于自适应阈值的小波去噪方法，其特征在于，所述步骤(2)包括：
步骤(21)：利用3σ准则计算第k层小波系数的临时阈值Tk,t＝3σk；
步骤(22)：对第k层小波系数进行正态性检验；
步骤(23)：通过检验时，第k层小波系数均为白噪声对应系数，临时阈值Tk,t即为第k层小波系数去噪阈值Tk，完成第k层小波系数阈值计算；
步骤(24)：未通过检验时，第k层小波系数仍包含脉冲对应系数，利用临时阈值Tk,t配合卡方能量窗法提取系数中脉冲对应系数；
步骤(25)：将提取的脉冲对应系数从小波系数中滤除得到新的第k层小波系数，对新的小波系数重复步骤(21)～步骤(25)，迭代滤除脉冲对应系数。
3.根据权利要求2所述的基于自适应阈值的小波去噪方法，其特征在于，所述σk为第k层小波系数的标准差，计算公式如下：
Figure FDA0002510427840000011
式中，xk(i)为第k层小波系数序列，Nk为xk(i)的长度。
4.根据权利要求1或2所述的基于自适应阈值的小波去噪方法，其特征在于，所述卡方能量窗法包括：
步骤(a)：根据脉冲宽度下限设定能量窗宽度M；
步骤(b)：逐点比较小波系数的绝对值与幅值阈值a_thr，绝对值大于a_thr的系数x(n)为脉冲对应系数；
步骤(c)：从识别的x(n)开始，能量窗逐点向前滑动，当能量窗标称累积能量E小于能量阈值e_thr时，能量窗终点对应系数为脉冲起点；
步骤(d)：从识别的x(n)开始，能量窗逐点向后滑动，当能量窗标称累积能量E小于能量阈值e_thr时，能量窗起点对应系数为脉冲终点；
步骤(e)：从步骤(d)识别的脉冲终点的下一个系数开始，重复步骤(b)至步骤(e)，直到到达小波系数序列结尾。
5.根据权利要求4所述的基于自适应阈值的小波去噪方法，其特征在于，所述幅值阈值即为临时阈值，即a_thr＝Tk,t。
6.根据权利要求4所述的基于自适应阈值的小波去噪方法，其特征在于，所述能量窗标称累积能量E的计算公式如下：
Figure FDA0002510427840000021
7.根据权利要求4所述的基于自适应阈值的小波去噪方法，其特征在于，所述能量阈值e_thr由卡方能量窗宽度M查询卡方分布表得到。
CN202010459443.2A 2020-05-27 2020-05-27 一种基于自适应阈值的小波去噪方法 Active CN111723677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010459443.2A CN111723677B (zh) 2020-05-27 2020-05-27 一种基于自适应阈值的小波去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010459443.2A CN111723677B (zh) 2020-05-27 2020-05-27 一种基于自适应阈值的小波去噪方法

Publications (2)

Publication Number Publication Date
CN111723677A true CN111723677A (zh) 2020-09-29
CN111723677B CN111723677B (zh) 2022-11-04

Family

ID=72565111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010459443.2A Active CN111723677B (zh) 2020-05-27 2020-05-27 一种基于自适应阈值的小波去噪方法

Country Status (1)

Country Link
CN (1) CN111723677B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293219A (zh) * 2022-09-29 2022-11-04 中国电建集团华东勘测设计研究院有限公司 一种融合小波和峭度的脉冲信号去噪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761719A (zh) * 2014-01-06 2014-04-30 暨南大学 一种基于邻域相关性的自适应小波阈值去噪方法
CN105913393A (zh) * 2016-04-08 2016-08-31 暨南大学 一种自适应小波阈值图像去噪算法及装置
CN107395157A (zh) * 2017-07-13 2017-11-24 国网江苏省电力公司电力科学研究院 基于小波变换和加权移动平均的接地网电位差滤波方法
CN107886078A (zh) * 2017-11-20 2018-04-06 北京工业大学 一种基于分层自适应阈值函数的小波阈值降噪方法
CN109212391A (zh) * 2018-09-15 2019-01-15 四川大学 兼顾脉冲提取和信号去噪的局部放电信号处理方法及电力电缆局部放电定位方法
CN110287853A (zh) * 2019-06-20 2019-09-27 清华大学 一种基于小波分解的暂态信号去噪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761719A (zh) * 2014-01-06 2014-04-30 暨南大学 一种基于邻域相关性的自适应小波阈值去噪方法
CN105913393A (zh) * 2016-04-08 2016-08-31 暨南大学 一种自适应小波阈值图像去噪算法及装置
CN107395157A (zh) * 2017-07-13 2017-11-24 国网江苏省电力公司电力科学研究院 基于小波变换和加权移动平均的接地网电位差滤波方法
CN107886078A (zh) * 2017-11-20 2018-04-06 北京工业大学 一种基于分层自适应阈值函数的小波阈值降噪方法
CN109212391A (zh) * 2018-09-15 2019-01-15 四川大学 兼顾脉冲提取和信号去噪的局部放电信号处理方法及电力电缆局部放电定位方法
CN110287853A (zh) * 2019-06-20 2019-09-27 清华大学 一种基于小波分解的暂态信号去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAI WAN等: "Research of Intrinsic Mode Function Illusive Component Recognition and Adaptive Threshold Denoising Method Based on Empirical Mode Decomposition", 《2019 IEEE 3RD CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》 *
何海峰等: "自适应灰狼小波去噪法在变压器套管引线超声检测中的应用", 《无损检测》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115293219A (zh) * 2022-09-29 2022-11-04 中国电建集团华东勘测设计研究院有限公司 一种融合小波和峭度的脉冲信号去噪方法

Also Published As

Publication number Publication date
CN111723677B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN110659621A (zh) 一种基于变分模态分解和排列熵的联合降噪方法
CN107395157B (zh) 基于小波变换和加权移动平均的接地网电位差滤波方法
CN109557429A (zh) 基于改进小波阈值去噪的gis局部放电故障检测方法
CN108549078B (zh) 一种雷达脉冲信号跨信道合并及检测方法
CN111723677B (zh) 一种基于自适应阈值的小波去噪方法
CN110807349A (zh) 基于emd分解和小波阈值的自适应降噪方法
CN116698398A (zh) 一种基于ceemdan分阈值降噪与能量熵的齿轮故障特征提取方法
CN108802175A (zh) 一种基于emd的脉冲涡流检测信号降噪方法
Bhateja et al. Performance improvement of decision median filter for suppression of salt and pepper noise
CN115935144A (zh) 一种运检维护数据去噪重构方法
CN114581674A (zh) 一种基于改进阈值函数的小波去噪方法
CN111239565A (zh) 基于分层式去噪模型的充油套管局部放电脉冲信号处理方法及系统
CN105654959B (zh) 一种自适应滤波的系数更新方法及装置
CN110287853B (zh) 一种基于小波分解的暂态信号去噪方法
CN117614525A (zh) 一种基于iceemdan和nlm的otdr信号去噪方法
Burley et al. Robust impulse noise suppression using adaptive wavelet de-noising
CN109558857B (zh) 一种混沌信号降噪方法
Tingfang et al. Application of adaptive generalized morphological filter in disturbance identification for power system signatures
CN115293219A (zh) 一种融合小波和峭度的脉冲信号去噪方法
Tesei et al. The asymmetric generalized gaussian function: A new hos-based model for generic noise pdfs
Kumari et al. A wavelet based denoising of speech signal
CN114690003A (zh) 一种基于eemd的局放信号降噪方法
CN114814897A (zh) 一种用于削弱gnss多路径误差的组合滤波方法
CN113837042A (zh) 一种基于局部均值分解的小波阈值自动化变形监测信号去噪方法
Swamy et al. Enhancement of speech signals corrupted by impulsive noise using wavelets and adaptive median filtering

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