CN112101089A - 信号降噪方法、装置、电子设备及存储介质 - Google Patents
信号降噪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112101089A CN112101089A CN202010733460.0A CN202010733460A CN112101089A CN 112101089 A CN112101089 A CN 112101089A CN 202010733460 A CN202010733460 A CN 202010733460A CN 112101089 A CN112101089 A CN 112101089A
- Authority
- CN
- China
- Prior art keywords
- value
- signal
- noise reduction
- original signal
- residual
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000000877 morphologic effect Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供一种信号降噪方法、装置、电子设备及存储介质，所述方法包括：将当前原始信号进行ESMD处理，获取余值和本征模函数值；将本征模函数值重构获取第一重构信号值，将第一重构信号值通过奇异值分解法降噪处理，获取第一降噪信号值；将第一降噪信号值与余值重构，获取第二重构信号值，通过形态学滤波器对第二重构信号值滤波处理，获取最终降噪后的信号值。通过基于ESMD分解获取的本征模函数值和余值，获取信号的最优趋势项，减少了趋势项对SVD分解的影响；通过SVD分解获取第一降噪信号值，去除了信号中的大部分高频和低频噪声；通过基于形态学滤波器获取最终降噪后的信号值，解决了现有技术降噪效果不理想的缺陷，降低了信号中噪声的残留。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种信号降噪方法、装置、电子设备及存储介质。
背景技术
桥梁健康监测的基本内涵即是通过对桥梁结构状况的监控与评估，为桥梁在特殊气候、交通条件下或桥梁运营状况异常严重时发出预警信号，为桥梁的维护维修和管理决策提供依据与指导。然而，桥梁结构健康监测不仅是为了结构状态监控和评估，其信息反馈于结构设计的更深远的意义在于，结构设计方法与相应的规范标准等可能得到改进。桥梁监测是确保桥梁健康的重要环节，而监测数据中定然会存在噪声信息，对桥梁监测数据进行降噪是必不可少的。
极点对称模态分解(ESMD)是目前信号降噪的方法之一。该算法是希尔伯特-黄变换的新发展，有效地降低了模态分解筛选次数确定的难度和模态混叠效应，并通过“直接插值法”进行频谱分析，解决了希尔伯特-黄变换法谱分析的局限性，不但可以直观地体现各模态的振幅与频率的时变性，还可明确地获知瞬时能量变化。适用于分析非线性、非平稳信号，已成功地应用于多种建筑结构监测数据分析中。
但是，在现有的对桥梁监测数据进行降噪的技术中，极点对称模态分解存在着分解后的高频和低频模态中仍然存在噪声信息的缺陷，导致了降噪效果不理想的问题。
发明内容
本发明实施例提供一种信号降噪方法、装置、电子设备及存储介质，用以解决现有技术中降噪效果不理想的缺陷，降低了信号中噪声的残留。
本发明实施例提供一种信号降噪方法，包括：
将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；
基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
根据本发明一个实施例的信号降噪方法，所述将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值，具体包括：
获取当前原始信号的所有极值点，基于相邻的所述极值点和所述原始信号的边界点，构造不少于一条插值线；
根据所述插值线计算均值曲线，基于所述当前原始信号对所述均值曲线进行优化处理，获取经验模；
基于所述当前原始信号对所述经验模进行优化处理，直至余值符合预设标准；
获取所述当前原始信号与所述余值的差值的相对标准差，和所述当前原始信号的标准差，获取所述相对标准差和所述当前原始信号的标准差的比值作为方差比率；
从所述方差比率中选出最小方差比率，获取所述最小方差比率对应的对所述均值曲线进行优化处理的次数作为最大重复处理次数，并根据所述最大重复处理次数获取余值和不少于一个本征模函数值。
根据本发明一个实施例的信号降噪方法，所述基于所述当前原始信号对所述均值曲线进行优化处理，获取经验模，具体包括：
根据所述插值线获取均值曲线，以所述当前原始信号与所述均值曲线的差值作为第一原始信号值；
对所述第一原始信号值按照对所述当前原始信号的处理流程进行循环处理，直至所述均值曲线的绝对值小于等于预设的容许误差，或对所述均值曲线进行优化处理的次数达到预设最大值，分解获取经验模。
根据本发明一个实施例的信号降噪方法，所述基于所述当前原始信号对所述经验模进行优化处理，直至所述余值符合预设标准，具体包括：
以所述当前原始信号与所述经验模的差值作为第二原始信号值；
对所述第二原始信号值按照对所述当前原始信号的处理流程进行循环处理，直至所述余值符合预设标准。
根据本发明一个实施例的信号降噪方法，所述基于所有所述本征模函数值和所述余值，获取降噪后的信号值，具体包括：
将所有所述本征模函数值进行重构获取第一重构信号值，将所述第一重构信号值通过奇异值分解法进行降噪处理，获取第一降噪信号值；
将所述第一降噪信号值与所述余值进行重构，获取第二重构信号值，通过形态学滤波器对所述第二重构信号值进行滤波处理，获取第二降噪信号值。
根据本发明一个实施例的信号降噪方法，所述将所述第一重构信号值通过奇异值分解法进行降噪处理，获取第一降噪信号值，具体包括：
将所述第一降噪信号值构造成二维空间矩阵，将所述二维空间矩阵进行SVD分解处理，获取所述二维空间矩阵的奇异值序列；
根据所述奇异值序列生成奇异值比率差分谱序列，将所述奇异值比率差分谱序列中的前r项奇异值比率差分谱值进行累加求和，直至前r项所述奇异值比率差分谱值的和占所有所述奇异值比率差分谱值和的比达到预设比例，获取所述r的值；
根据所述r的值获取所述二维空间矩阵的重构矩阵，通过平均法将所述二维空间矩阵的重构矩阵恢复为第一降噪信号值。
根据本发明一个实施例的信号降噪方法，所述形态学滤波器用公式表示如下：
其中，S(t)是第二降噪信号值，Y*(t)是第二重构信号值，n是第二重构信号值Y*(t)的长度，
是开运算，·是闭运算；
g1和g2分别是两个不同大小的结构元素，其长度均小于第二重构信号值Y*(t)的长度。
本发明实施例还提供一种信号降噪装置，包括：
分解模块，用于将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；
降噪模块，用于基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述信号降噪方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述信号降噪方法的步骤。
本发明实施例提供的信号降噪方法、装置、电子设备及存储介质，通过基于ESMD分解获取的本征模函数值和余值，获取降噪后的信号值。解决了现有技术中降噪效果不理想的缺陷，降低了信号中噪声的残留。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种信号降噪方法的流程示意图；
图2是本发明实施例提供的一种信号降噪装置的结构示意图；
图3是本发明实施例提供的一种信号降噪方法的另一种流程示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种信号降噪方法的流程示意图，如图1所示，该流程具体可以包括：
步骤101、将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值。
具体地，当前原始信号是从t＝0时刻开始，到当前为止的时间内的信号值。极点对称模态分解(ESMD)是目前信号降噪的方法之一。该算法是希尔伯特-黄变换的新发展，有效地降低了模态分解筛选次数确定的难度和模态混叠效应，并通过“直接插值法”进行频谱分析，解决了希尔伯特-黄变换法谱分析的局限性，不但可以直观地体现各模态的振幅与频率的时变性，还可明确地获知瞬时能量变化。适用于分析非线性、非平稳信号，已成功地应用于多种建筑结构监测数据分析中，通过ESMD将当前原始信号进行模态分解的过程如下：
(1)找出当前原始信号X的所有极值点(极大值点和极小值点),并将它们依次记为Ei(i＝1,2,3,…,n)；
(2)用线段将相邻极点连接，并将线段的中点依次记为Fi(i＝1,2,3,…,n)；
(3)补充左、右边界中点F0，Fn；
(4)利用所获取的n+1个中点构造p条插值线L1，L2，...，Ln(P≥1)，计算它们的均值曲线L*＝(L1+L2+…+Lp)/p；
(5)对X-L*重复步骤(1)到步骤(4)，直到|L*|≤ε(ε是设定的容许误差)或者筛选次数达到了预先设置的最大值K，这时会分解得出第一个经验模M1；
(6)对X-M1重复步骤(1)到步骤(5)，依次得到M2，M3，…直到最后余量R只剩一定数量的极点；
(7)让最大筛分次数K处于整数区间[Kmin,Kmax]内变换并重复步骤(1)到步骤(6)，得到一系列分解结果,进而计算方差比率,并画出它随K的变化图；
(8)在整数区间[Kmin,Kmax]内选出对应最小方差比率的最大筛选次数K0，然后重复步骤(1)到步骤(6)，得出分解结果，即数个本征模函数值(IMF)和1个余值R。
步骤102、基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
具体地，基于ESMD分解得到的本征模函数值和余值，通过奇异值分解(SVD)处理以及通过形态学滤波器对当前原始信号进行分解、叠加和重构，获取降噪后的信号值。
本发明通过极点对称模态分解(ESMD)、奇异值分解(SVD)和形态学滤波器滤波处理，实现了对桥梁数据的去噪。首先利用极点对称模态分解方法对原始桥梁数据进行分解，得到数个模态及最佳自适应全局均线，去除最佳自适应全局均线，将分解模态重构。其次，利用奇异值分解法对重构数据进行处理，实现第一次降噪；最后利用形态学滤波器对第一次降噪的数据再次处理，减少信号中存在的残余噪声，最后得到去噪后的信号，解决了现有技术中降噪效果不理想的缺陷，降低了信号中噪声的残留。
可选地，在上述各实施例的基础上，所述将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值，具体包括：
获取当前原始信号的所有极值点，基于相邻的所述极值点和所述原始信号的边界点，构造不少于一条插值线；
根据所述插值线计算均值曲线，基于所述当前原始信号对所述均值曲线进行优化处理，获取经验模；
基于所述当前原始信号对所述经验模进行优化处理，直至余值符合预设标准；
获取所述当前原始信号与所述余值的差值的相对标准差，和所述当前原始信号的标准差，获取所述相对标准差和所述当前原始信号的标准差的比值作为方差比率；
从所述方差比率中选出最小方差比率，获取所述最小方差比率对应的对所述均值曲线进行优化处理的次数作为最大重复处理次数，并根据所述最大重复处理次数获取余值和不少于一个本征模函数值。
具体地，当前原始信号是从t＝0开始到当前的一段信号，我们可以对信号的波形进行处理，获取所有的极值点，并获取左右边界的中点，基于所有极值点和左右边界的中点构造不少于1条插值线。并根据插值线计算插值线的均值曲线，并基于当前原始信号对均值曲线进行优化处理，获取经验模。然后根据当前原始信号对经验模进行不断优化，知道余值符合预设标准。然后获取当前原始信号与余值的差值，并进一步计算该差值的相对标准差。计算当前原始信号的标准差，然后计算相对标准差和当前原始信号标准差的比值，获取方差比率。从方差比率中选出最小值作为最小方差比率，并进一步获取最小方差比率对应的对均值曲线优化处理的次数作为最大重复处理次数，并根据最大重复处理次数获取余值和不少于1个本征模函数值。
例如，当前原始信号为X，将X进行ESMD分解获取余值和不少于1个本征模函数值的过程如下：
(1)找出当前原始信号X的所有极值点(极大值点和极小值点),并将它们依次记为Ei(i＝1,2,3,…,n)；
(2)用线段将相邻极点连接，并将线段的中点依次记为Fi(i＝1,2,3,…,n)；
(3)补充左、右边界中点F0，Fn；
(4)利用所获取的n+1个中点构造p条插值线L1，L2，...，Ln(P≥1)，计算它们的均值曲线L*＝(L1+L2+…+Lp)/p；
(5)对X-L*重复步骤(1)到步骤(4)，直到|L*|≤ε(ε是设定的容许误差)或者筛选次数达到了预先设置的最大值K，这时会分解得出第一个经验模M1；
(6)对X-M1重复步骤(1)到步骤(5)，依次得到M2，M3，…直到最后余量R只剩一定数量的极点；
(7)让最大筛分次数K处于整数区间[Kmin,Kmax]内变换并重复步骤(1)到步骤(6)，得到一系列分解结果,进而计算方差比率,并画出它随K的变化图；
(8)在整数区间[Kmin,Kmax]内选出对应最小方差比率的最大筛选次数K0，然后重复步骤(1)到步骤(6)，得出分解结果，即数个本征模函数值(IMF)和1个余值R。
通过对当前原始信号的ESMD分解，能够得到数个模态及最佳自适应全局均线，并能通过将分解模态重构获取重构信号，为进一步通过SVD分解和形态学滤波器滤波去噪创造了条件。
可选地，在上述各实施例的基础上，所述基于所述当前原始信号对所述均值曲线进行优化处理，获取经验模，具体包括：
根据所述插值线获取均值曲线，以所述当前原始信号与所述均值曲线的差值作为第一原始信号值；
对所述第一原始信号值按照对所述当前原始信号的处理流程进行循环处理，直至所述均值曲线的绝对值小于等于预设的容许误差，或对所述均值曲线进行优化处理的次数达到预设最大值，分解获取经验模。
具体地，对均值曲线的优化过程首先要获取当前原始信号与所述均值曲线的差值作为第一原始信号值，然后对第一原始信号值按照之前对当前原始信号的处理流程进行循环处理，直至均值曲线的绝对值小于等于预设的容许误差，或对均值曲线进行优化处理的次数达到预设最大值，最后通过分解获取经验模。
通过对均值曲线的优化处理，使得均值曲线绝对值满足预设的误差要求，或优化处理的次数满足预设的最大值。为最后分解获取余值和本征模函数值创造了条件，是最后降噪处理的必须步骤。
可选地，在上述各实施例的基础上，所述基于所述当前原始信号对所述经验模进行优化处理，直至所述余值符合预设标准，具体包括：
以所述当前原始信号与所述经验模的差值作为第二原始信号值；
对所述第二原始信号值按照对所述当前原始信号的处理流程进行循环处理，直至所述余值符合预设标准。
具体地，对经验模的优化处理首先需要获取当前原始信号与经验模的差值，并将该差值作为第二原始信号值。然后对第二原始信号值按照之前的对当前原始信号的处理流程进行循环处理，使得余值符合预设标准。
这一步是对经验模进行优化的过程，目的是为了获取符合预设误差的余值，目的是为了根据余值进一步地重构信号，为进一步的SVD分解和通过形态学滤波器降噪制造条件。
可选地，在上述各实施例的基础上，所述基于所有所述本征模函数值和所述余值，获取降噪后的信号值，具体包括：
将所有所述本征模函数值进行重构获取第一重构信号值，将所述第一重构信号值通过奇异值分解法进行降噪处理，获取第一降噪信号值；
将所述第一降噪信号值与所述余值进行重构，获取第二重构信号值，通过形态学滤波器对所述第二重构信号值进行滤波处理，获取第二降噪信号值。
具体地，如图3所示，将所有本征模函数值进行重构获取第一重构信号值，重构的方法是通过将所有本征模函数值与余值进行相加，获取第一重构信号值，并通过奇异值分解法(SVD)将第一重构信号值处理，获取第一降噪信号值。再将第一降噪信号值与余值进行相加重构，获取第二重构信号值，最后通过形态学滤波器对第二重构信号值进行滤波降噪，获取第二降噪信号值，第二降噪信号值就是最终的降噪后的信号值。
奇异值分解(SVD)法是一种非线性滤波法，目前已广泛应用于信号处理等领域。奇异值分解法是将包含噪声和信号信息的矩阵分解到一系列正交子空间中，信号和噪声对矩阵奇异值的贡献不同，因此通过选取合适的奇异值可以有效得从含有噪声的信号中提取出信号并分离出噪声。
形态学法是通过形态变换组成的滤波器将一个复杂的源信号分解为具有物理意义的各个子信号，然后将子信号与背景剥离，与传统的线性滤波相比，形态变换分解更加高效，各个信号的主要形态特征保持更加完好。形态学的基本形态变换为腐蚀、膨胀、开运算、闭运算以及它们的级联复合形式。开运算能改变信号的极大值，而保持极小值的形状。闭运算能改变信号的极小值，保持极大值的形状。腐蚀、膨胀、开运算、闭运算以及它们的级联复合形式构成形态滤波器。形态滤波器在减少脉冲噪声和白噪声方面较有效，并且不会引起频域的突然变化或时域的相位延迟。
通过对第一重构信号值的SVD分解和形态学滤波器处理，获取到去噪效果好的第二降噪信号值。解决了现有技术中降噪效果不理想的缺陷，降低了信号中噪声的残留。
可选地，在上述各实施例的基础上，所述将所述第一重构信号值通过奇异值分解法进行降噪处理，获取第一降噪信号值，具体包括：
将所述第一降噪信号值构造成二维空间矩阵，将所述二维空间矩阵进行SVD分解处理，获取所述二维空间矩阵的奇异值序列；
根据所述奇异值序列生成奇异值比率差分谱序列，将所述奇异值比率差分谱序列中的前r项奇异值比率差分谱值进行累加求和，直至前r项所述奇异值比率差分谱值的和占所有所述奇异值比率差分谱值和的比达到预设比例，获取所述r的值；
根据所述r的值获取所述二维空间矩阵的重构矩阵，通过平均法将所述二维空间矩阵的重构矩阵恢复为第一降噪信号值。
具体地，将二维空间矩阵进行SVD分解处理的过程具体包括：
(1)利用Hankel方法将重构的一维时间序列信号X*(t)＝{x1 x2 … xN}构造成二维空间矩阵形式，即矩阵A。这其中N为信号长度，N＝m+n-1，m≥2，n≥2，且m≤n。当N为偶数时，m＝N/2，n＝N/2+1；当N为奇数时，m＝(N+1)/2，n＝(N+1)/2。
(2)假设矩阵A行数为m，列数为n，对矩阵A进行SVD分解，得到：
将A写成分量组合形式如下：
(3)将矩阵A的奇异值构成的序列s＝(σ1,σ2,…,σm)，定义
则定义di构成的序列d＝(d1,d2,…,dm-1)为奇异值比率差分谱序列。当前r个奇异值差分谱值远大于后m-r个奇异值差分谱值，表示有用的信号主要集中在前r个较大的奇异值，噪声信号则由后面较小的奇异值反映。
选择r个分量矩阵进行重构，得到重构矩阵A*，
最后，用平均法将重构矩阵恢复为一维信号Y(t)。
通过对二维空间矩阵的SVD分解和重构，有效得从含有噪声的信号中提取出信号并分离出噪声，为进一步通过形态学滤波器最后降噪提供了输入值。
可选地，在上述各实施例的基础上，所述形态学滤波器用公式表示如下：
其中，S(t)是第二降噪信号值，Y*(t)是第二重构信号值，n是第二重构信号值Y*(t)的长度，
是开运算，·是闭运算；
g1和g2分别是两个不同大小的结构元素，其长度均小于第二重构信号值Y*(t)的长度。
具体地，数学形态学的基本形态变换为腐蚀、膨胀、开运算、闭运算以及它们的级联复合形式。定义A为信号，B为结构元素。膨胀运算
腐蚀运算AΘB、以及基于膨胀腐蚀运算的开运算
和闭运算A·B的定义如下：
AΘB＝min{A(i+j)-B(j)}；
其中，1＜i＜n，1＜j＜k，i+j≤k。为了同时处理信号的极小值和极大值，构建广义形态学滤波器。其公式如下所示：
其中，S(t)是最终的降噪信号即第二降噪信号值，Y*(t)是第二重构信号值，n是第二重构信号值Y*(t)的长度。g1和g2是两个不同大小的结构元素，其长度都小于第二重构信号值Y*(t)的长度。
通过形态学滤波器的滤波处理，能够有效滤除信号中的噪声，解决了现有技术中降噪效果不理想的缺陷，降低了信号中噪声的残留。
下面对本发明实施例提供的信号降噪装置进行描述，下文描述的信号降噪装置与上文描述的信号降噪方法可相互对应参照。
图2是本发明实施例提供的一种信号降噪装置的结构示意图，如图2所示，具体包括：分解模块201，用于将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；降噪模块202，用于基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
具体地，分解模块201用于将当前原始信号通过ESMD分解处理，获取余值和不少于1个本征模函数值；降噪模块202用于根据余值和所有的本征模函数值通过SVD分解处理和形态学滤波器滤波，重构和降噪处理获取最后的降噪后的信号值。
本申请基于ESMD分解获取的本征模函数值和余值，基于本征模函数值和余值通过SVD分解和形态学滤波器滤波处理，获取降噪后的信号值。解决了现有技术中降噪效果不理想的缺陷，降低了信号中噪声的残留。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行信号降噪方法，该方法包括：将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的信号降噪方法，该方法包括：将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的信号降噪方法，该方法包括：将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.信号降噪方法，其特征在于，包括：
将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；
基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
2.根据权利要求1所述的信号降噪方法，其特征在于，所述将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值，具体包括：
获取当前原始信号的所有极值点，基于相邻的所述极值点和所述原始信号的边界点，构造不少于一条插值线；
根据所述插值线计算均值曲线，基于所述当前原始信号对所述均值曲线进行优化处理，获取经验模；
基于所述当前原始信号对所述经验模进行优化处理，直至余值符合预设标准；
获取所述当前原始信号与所述余值的差值的相对标准差，和所述当前原始信号的标准差，获取所述相对标准差和所述当前原始信号的标准差的比值作为方差比率；
从所述方差比率中选出最小方差比率，获取所述最小方差比率对应的对所述均值曲线进行优化处理的次数作为最大重复处理次数，并根据所述最大重复处理次数获取余值和不少于一个本征模函数值。
3.根据权利要求2所述的信号降噪方法，其特征在于，所述基于所述当前原始信号对所述均值曲线进行优化处理，获取经验模，具体包括：
根据所述插值线获取均值曲线，以所述当前原始信号与所述均值曲线的差值作为第一原始信号值；
对所述第一原始信号值按照对所述当前原始信号的处理流程进行循环处理，直至所述均值曲线的绝对值小于等于预设的容许误差，或对所述均值曲线进行优化处理的次数达到预设最大值，分解获取经验模。
4.根据权利要求2所述的信号降噪方法，其特征在于，所述基于所述当前原始信号对所述经验模进行优化处理，直至所述余值符合预设标准，具体包括：
以所述当前原始信号与所述经验模的差值作为第二原始信号值；
对所述第二原始信号值按照对所述当前原始信号的处理流程进行循环处理，直至所述余值符合预设标准。
5.根据权利要求1所述的信号降噪方法，其特征在于，所述基于所有所述本征模函数值和所述余值，获取降噪后的信号值，具体包括：
将所有所述本征模函数值进行重构获取第一重构信号值，将所述第一重构信号值通过奇异值分解法进行降噪处理，获取第一降噪信号值；
将所述第一降噪信号值与所述余值进行重构，获取第二重构信号值，通过形态学滤波器对所述第二重构信号值进行滤波处理，获取第二降噪信号值。
6.根据权利要求5所述的信号降噪方法，其特征在于，所述将所述第一重构信号值通过奇异值分解法进行降噪处理，获取第一降噪信号值，具体包括：
将所述第一降噪信号值构造成二维空间矩阵，将所述二维空间矩阵进行SVD分解处理，获取所述二维空间矩阵的奇异值序列；
根据所述奇异值序列生成奇异值比率差分谱序列，将所述奇异值比率差分谱序列中的前r项奇异值比率差分谱值进行累加求和，直至前r项所述奇异值比率差分谱值的和占所有所述奇异值比率差分谱值和的比达到预设比例，获取所述r的值；
根据所述r的值获取所述二维空间矩阵的重构矩阵，通过平均法将所述二维空间矩阵的重构矩阵恢复为第一降噪信号值。
7.根据权利要求5所述的信号降噪方法，其特征在于，所述形态学滤波器用公式表示如下：
其中，S(t)是第二降噪信号值，Y*(t)是第二重构信号值，n是第二重构信号值Y*(t)的长度，
是开运算，·是闭运算；
g1和g2分别是两个不同大小的结构元素，其长度均小于第二重构信号值Y*(t)的长度。
8.信号降噪装置，其特征在于，包括：
分解模块，用于将当前原始信号进行极点对称模态分解处理，获取余值和不少于一个本征模函数值；
降噪模块，用于基于所有所述本征模函数值和所述余值，获取降噪后的信号值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述信号降噪方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述信号降噪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733460.0A CN112101089B (zh) | 2020-07-27 | 2020-07-27 | 信号降噪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010733460.0A CN112101089B (zh) | 2020-07-27 | 2020-07-27 | 信号降噪方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112101089A true CN112101089A (zh) | 2020-12-18 |
| CN112101089B CN112101089B (zh) | 2023-10-10 |
Family
ID=73749509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010733460.0A Active CN112101089B (zh) | 2020-07-27 | 2020-07-27 | 信号降噪方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101089B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906578A (zh) * | 2021-02-23 | 2021-06-04 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
| CN115146672A (zh) * | 2022-06-20 | 2022-10-04 | 中国人民解放军96963部队 | 密频模态分离重构方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
| CN105125204A (zh) * | 2015-07-31 | 2015-12-09 | 华中科技大学 | 一种基于esmd方法的心电信号降噪方法 |
| EP3066809A1 (en) * | 2013-11-05 | 2016-09-14 | Eutelsat SA | Ofdm based orbital angular momentum system and method |
| CN106529393A (zh) * | 2016-09-18 | 2017-03-22 | 北京航空航天大学 | 一种esmd样本熵结合fcm的电磁信号频谱数据分类方法 |
| CN107527617A (zh) * | 2017-09-30 | 2017-12-29 | 上海应用技术大学 | 基于声音识别的监控方法、装置及系统 |
| CN108152855A (zh) * | 2017-12-14 | 2018-06-12 | 西南石油大学 | 一种基于eemd-svd的地震流体识别方法 |
| CN108229382A (zh) * | 2017-12-29 | 2018-06-29 | 广州供电局有限公司 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
| CN108801568A (zh) * | 2018-04-27 | 2018-11-13 | 北京建筑大学 | 一种桥梁动挠度降噪方法及系统 |
| CN109858109A (zh) * | 2019-01-14 | 2019-06-07 | 北京工业大学 | 一种基于相关性的emd与形态奇异值分解相结合的齿轮信号降噪方法 |
| CN110472268A (zh) * | 2019-06-25 | 2019-11-19 | 北京建筑大学 | 一种桥梁监测数据模态识别方法及装置 |
| CN110598615A (zh) * | 2019-09-04 | 2019-12-20 | 北京建筑大学 | 一种用于桥梁结构监测的数据降噪方法及系统 |
-
2020
- 2020-07-27 CN CN202010733460.0A patent/CN112101089B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674511A (zh) * | 2013-03-18 | 2014-03-26 | 北京航空航天大学 | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 |
| EP3066809A1 (en) * | 2013-11-05 | 2016-09-14 | Eutelsat SA | Ofdm based orbital angular momentum system and method |
| CN105125204A (zh) * | 2015-07-31 | 2015-12-09 | 华中科技大学 | 一种基于esmd方法的心电信号降噪方法 |
| CN106529393A (zh) * | 2016-09-18 | 2017-03-22 | 北京航空航天大学 | 一种esmd样本熵结合fcm的电磁信号频谱数据分类方法 |
| CN107527617A (zh) * | 2017-09-30 | 2017-12-29 | 上海应用技术大学 | 基于声音识别的监控方法、装置及系统 |
| CN108152855A (zh) * | 2017-12-14 | 2018-06-12 | 西南石油大学 | 一种基于eemd-svd的地震流体识别方法 |
| CN108229382A (zh) * | 2017-12-29 | 2018-06-29 | 广州供电局有限公司 | 振动信号特征提取方法、装置、存储介质和计算机设备 |
| CN108801568A (zh) * | 2018-04-27 | 2018-11-13 | 北京建筑大学 | 一种桥梁动挠度降噪方法及系统 |
| CN109858109A (zh) * | 2019-01-14 | 2019-06-07 | 北京工业大学 | 一种基于相关性的emd与形态奇异值分解相结合的齿轮信号降噪方法 |
| CN110472268A (zh) * | 2019-06-25 | 2019-11-19 | 北京建筑大学 | 一种桥梁监测数据模态识别方法及装置 |
| CN110598615A (zh) * | 2019-09-04 | 2019-12-20 | 北京建筑大学 | 一种用于桥梁结构监测的数据降噪方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| WEI SUN等: "Analysis and forecasting of the carbon price using multi—resolution singular value decomposition and extreme learning machine optimized by adaptive whale optimization algorithm", APPLIED ENERGY, vol. 231, pages 1354 - 1371 * |
| XIANGLEI LIU等: "A Morphology Filter-Assisted Extreme-Point Symmetric Mode Decomposition (MF-ESMD) Denoising Method for Bridge Dynamic Deflection Based on Ground-Based Microwave Interferometry", SHOCK AND VIBRATION, vol. 2020, pages 1 - 13 * |
| 杨晓楠等: "基于ESMD与SVM的电能质量混合扰动识别", 软件导刊, vol. 18, no. 11, pages 42 - 47 * |
| 王振华;杜宇波;王楠;李文科;王伦;: "基于ESMD和奇异值差分谱的滚动轴承故障特征提取", 现代制造技术与装备, no. 03, pages 130 - 131 * |
| 蒋靖;石伟;郭洪涛;刘立华;: "基于EWT和快速谱峭度的滚动轴承早期故障诊断", 现代信息科技, no. 02, pages 45 - 48 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906578A (zh) * | 2021-02-23 | 2021-06-04 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
| CN112906578B (zh) * | 2021-02-23 | 2023-09-05 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
| CN115146672A (zh) * | 2022-06-20 | 2022-10-04 | 中国人民解放军96963部队 | 密频模态分离重构方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112101089B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598615B (zh) | 一种用于桥梁结构监测的数据降噪方法及系统 | |
| Hassanpour et al. | Time domain signal enhancement based on an optimized singular vector denoising algorithm | |
| CN112101089A (zh) | 信号降噪方法、装置、电子设备及存储介质 | |
| Lim et al. | A ringing-artifact reduction method for block-DCT-based image resizing | |
| US10826464B2 (en) | Signal processing method and apparatus | |
| Gastal et al. | High‐Order Recursive Filtering of Non‐Uniformly Sampled Signals for Image and Video Processing | |
| Shi et al. | ECG baseline estimation and denoising with group sparse regularization | |
| Sen et al. | A review of the filtering techniques used in EEG signal processing | |
| Kanaya | Uniform convergence rates of kernel-based nonparametric estimators for continuous time diffusion processes: A damping function approach | |
| Dos Santos et al. | LPV system identification using a separable least squares support vector machines approach | |
| Bašta | Additive decomposition and boundary conditions in wavelet-based forecasting approaches | |
| Choi et al. | Design of linear combination of weighted medians | |
| Mustafa et al. | A subdivision-regularization framework for preventing over fitting of data by a model | |
| CN114047499A (zh) | 传感器阵列信号幅度不一致时的信号归一化方法及设备 | |
| Ferreira et al. | Enhancement of the comb filtering selectivity using iterative moving average for periodic waveform and harmonic elimination | |
| Pollock | Wiener–Kolmogorov filtering, frequency-selective filtering, and polynomial regression | |
| Berthelot et al. | 2D Fourier transform based analysis comparing the DFA with the DMA | |
| Berthelot et al. | Filtering-based analysis comparing the DFA with the CDFA for wide sense stationary processes | |
| Yin et al. | Noise reduction method for vibration signals 2D time‐frequency distribution using anisotropic diffusion equation | |
| CN111803060A (zh) | 一种心电伪迹信号去除方法及装置 | |
| Carbone et al. | Nonparametric probability density estimation via interpolation filtering | |
| Yang et al. | Decimations of intrinsic mode functions via semi-infinite programming based optimal adaptive nonuniform filter bank design approach | |
| Tomic et al. | Adaptive edge-preserving denoising by point-wise wavelet basis selection | |
| Tomic et al. | Edge-preserving adaptive wavelet denoising using ICI rule | |
| CN112367063B (zh) | 自适应中心频率模式分解方法及系统 |
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 |