CN112906578A - 一种桥梁时间序列位移信号去噪的方法 - Google Patents

一种桥梁时间序列位移信号去噪的方法 Download PDF

Info

Publication number
CN112906578A
CN112906578A CN202110203526.XA CN202110203526A CN112906578A CN 112906578 A CN112906578 A CN 112906578A CN 202110203526 A CN202110203526 A CN 202110203526A CN 112906578 A CN112906578 A CN 112906578A
Authority
CN
China
Prior art keywords
signal
signals
imf
frequency noise
component
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
CN202110203526.XA
Other languages
English (en)
Other versions
CN112906578B (zh
Inventor
刘祥磊
黄祎萌
王辉
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202110203526.XA priority Critical patent/CN112906578B/zh
Publication of CN112906578A publication Critical patent/CN112906578A/zh
Priority to AU2021103898A priority patent/AU2021103898A4/en
Application granted granted Critical
Publication of CN112906578B publication Critical patent/CN112906578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9094—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Complex Calculations (AREA)

Abstract

本发明属于信号处理技术领域，提供了一种桥梁时间序列位移信号去噪的方法，采用ESMD和EEMD结合的方式将观测桥梁的原始时间序列位移信号分解为多个分量信号，利用斯皮尔曼系数去除高频噪声信号分量，可消除高频噪声的影响。将剩余的分量信号重构得到的两组新信号以及原始信号构建虚拟多通道信号。利用SCBSS对虚拟多通道信号进行分离，得到混合矩阵和源信号的估计值，采用快速傅里叶变换对源信号的估计值进行时频域转换，识别低频噪声分量信号，并对低频噪声分量信号作归零处理，进一步可去除低频噪声分量信号。有利于降低噪声信息对桥梁时间序列位移信号的影响，从而提高桥梁损伤检测的准确性。

Description

一种桥梁时间序列位移信号去噪的方法
技术领域
本发明涉及信号处理技术领域，尤其涉及一种桥梁时间序列位移信号去噪的方法。
背景技术
在利用GBSAR(ground-based synthetic aperture radar，地基合成孔径雷达)对桥梁进行动态挠度测量时，由于周围环境、人为操作和设备本身的缘故，监测得到的桥梁时间序列位移数据中除包含有用信息以外，通常还会包含噪声信息。噪声信息会直接影响到数据分析中有用信息的提取，降低监测数据的准确性。
目前，实现数据降噪的方法有：
(1)盲源分离算法(BSS，Blind Source Separation)可以在不具备或很少先验知识的情况下，根据观测信号对源信号进行估计，其需要多路数据作为BSS输入。但是受仪器自身造价以及环境等因素影响，大多数的数据采集都是依靠单个传感器接收多个混合信号，而如何将不同的源信号从混合信号中分离出来，是一大挑战。而单通道盲源分离(Single Channel Blind Source Separation，SCBSS)由单个传感器采集接收观测信号，并利用这一路信号将各个源信号分离出来。但是单通道盲源分离是一种极端欠定盲源分离问题。
(2)ESMD(Extreme-point Symmetric Mode Decomposition，极点对称模态分解)，该算法是希尔伯特-黄变换的新发展，与傅里叶变换和小波变换相比，其重大革新之处在于无基方式，用一个简单的分解规则代替了基函数的构造，其筛选过程只遵循一个简单的对称规则，容许误差和筛选次数的选取带有一定的经验性。适用于分析非线性和非平稳信号，但在使用中依然存在一些问题：1)分解后的低频模态中还存在部分高频信息；2)分解后的高频模态中还存在部分低频信息。
发明内容
因此，本发明为了有效降低噪声信息对桥梁时间序列位移测量的影响，提供了一种桥梁时间序列位移信号去噪的方法，融合了EEMD和ESMD的单通道盲源分离去噪的方法。
具体的，主要通过以下技术方案来实现：
一种桥梁时间序列位移信号去噪的方法，包括以下步骤：
分别采用EEMD和ESMD对监测得到的桥梁时间序列位移信号进行分解，得到多个分量信号IMF，设桥梁时间序列位移信号为原始信号；
分别计算每个IMF与原始信号之间的相关性，基于该相关性将高频噪声分量信号去除；
将去除了高频噪声分量信号后剩余的IMF进行重构，将重构得到的第一组信号和第二组信号，以及原始信号进行组合，构建虚拟多通道信号；
采用SCBSS分离并去除所述虚拟多通道信号中的低频噪声分量信号。
优选地，采用EEMD分解原始信号具体包括：
设原始信号为X(t)，将N个均值为零、标准差恒定且长度与原始信号相同的高斯白噪声信号分N次分别加到原始信号上，N个高斯白噪声信号均不同，每一次得到一个含有高斯白噪声的信号X`(t)，Xi`(t)＝X(t)+wi(t)，其中，wi(t)为第i次加到原始信号上的高斯白噪声信号，N为大于1的正整数，i为正整数；
采用EEMD分解信号Xi`(t)，直至将N个含有高斯白噪声的信号分解完成，每一次分解均得到多个IMF和残差R：
Figure BDA0002948870960000031
i＝1,2,3,…N，k＝1,2,3,…n，其中，k为大于1的正整数；
对N次分解得到的所有IMF求平均值，得到EEMD分解后的多个IMF：
Figure BDA0002948870960000032
优选地，采用ESMD分解原始信号具体包括：
(1)计算原始信号X(t)的所有局部极大值和极小值，并将相邻两个极值点的中点标记为Fi(i＝1,2,...n-1)，以及，将左右边界的中点标记为F0和Fn；
(2)采用三次样条插值法构造该n+1个中点的p条插值曲线L1,L2,...,Lp(p≥1)，并计算p条插值曲线的平均曲线
Figure BDA0002948870960000033
(3)重复执行步骤(1)和步骤(2)，计算
Figure BDA0002948870960000034
得到IMF1，直至
Figure BDA0002948870960000035
或筛选次数达到预设的最大值K，其中ε为允许误差；
(4)重复执行步骤(1)至步骤(3)，计算剩下的
Figure BDA0002948870960000042
得到IMF2,...,IMFn，直至最后一个残差R作为一个最优的自适应全局平均曲线；
(5)在有限整数区间[Kmin,Kmax]上改变筛选次数值K，并重复执行步骤(1)到步骤(4)，计算X(t)-R的方差σ2，在[Kmin,Kmax]的范围内求最小值σ/σ0，得到最佳筛选次数K0，其中σ0是信号X(t)的标准差；
(6)利用最佳筛选次数K0重复执行步骤(1)到步骤(5)，对原始信号X(t)进行最优信号分解，得到多个具有最优自适应全局平均曲线的IMF。
优选地，基于每个IMF与原始信号之间的相关性将高频噪声分量信号去除，包括：
基于所述相关性确定高频噪声分量信号与信号主导的分量信号之间的分界点；
根据该分界点将高频噪声分量信号去除。
优选地，基于所述相关性确定高频噪声分量信号与信号主导的分量信号之间的分界点，具体包括：
计算每个IMF与原始信号之间的相关性系数的公式为：
Figure BDA0002948870960000041
其中，X(t)为原始信号，IMFi是第i个IMF(i＝1,2,…n)分量，N为信号长度。当ith为相关性系数第一个最小值时，确定高频噪声分量信号与信号主导的分量信号之间的分界点，相关性系数ρ(X(t),IMFi(t))越大，则该IMF与原始信号的相似程度越高。
优选地，将去除了高频噪声分量信号后剩余的IMF进行重构，得到的第一组信号和第二组信号，所述第一组信号XEEMD(t)为：
Figure BDA0002948870960000051
所述第二组信号XESMD(t)为：
Figure BDA0002948870960000052
将第一组信号、第二组信号以及所述原始信号进行组合，构建虚拟多通道信号XNew(t)为：XNew(t)＝[X(t),XEEMD(t),XESMD(t)]T；
其中，imfi是第i个IMF(i＝1,2,3,...n)，ne为采用EEMD将原始信号分解得到的IMF分量个数，ns为采用ESMD将原始信号分解得到的IMF分量个数，ith-eemd为采用EEMD分解得到的分量信号中高频噪声主导的分量信号与信号主导的分量信号之间的分界点，ith-esmd为采用ESMD分解得到的分量信号中高频噪声主导的分量信号与信号主导的分量信号之间的分界点。
优选地，采用SCBSS分离并去除所述虚拟多通道信号中的低频噪声分量信号，具体包括：
从虚拟多信道信号XNew(t)中估计样本协方差R(0)，设R(0)的最大特征值为：λ1,λ2,λ3，对应的特征向量为：h1,h2,h3；
设存在高斯白噪声信号，噪声方差的估计值σ2为R(0)的最小特征值，白化信号Z(t)为：Z(t)＝[z1(t)z2(t)z3(t)]T，其中，
Figure BDA0002948870960000053
则形成白化矩阵W为：
Figure BDA0002948870960000061
其中T代表转置；
虚拟多信道信号XNew(t)通过白化矩阵W处理，以去除信号分量之间的二阶相关性，并使得白化信号Z(t)的协方差矩阵为单位阵：Z(t)＝W*XNew(t)＝W*A*S(t)＝V*S(t)；
计算白化信号的样本协方差矩阵R(τ)为：
R(τ)＝E[Z(t)ZT(t+τ)]＝ARZ(τ)AT；其中，τ∈{τj|j＝1,2,..k}；
使用联合近似对角化算法导出正交矩阵V，利用下式计算获得源信号的估计值Y(t)为：Y(t)＝VTWXNew(t)；
其中，混合矩阵A估计为：A＝W-1V，其中W-1为白化矩阵的伪逆矩阵；
采用快速傅里叶变换对源信号的估计值Y(t)进行时频域转换，识别低频噪声分量信号，并对低频噪声分量信号作归零处理，去除低频噪声分量信号：
Figure BDA0002948870960000062
其中，k是频域索引，X(k)是第k个DFT系数。
优选地，所述方法还包括：
对去除低频噪声分量信号后剩余的IMF进行逆向重构，得到信号YN(t)：
YN(t)＝A*YZ(t)
其中，YN(t)是重构的信号分量，A是混合矩阵的估计值；YZ(t)是通过将Y(t)中的低频噪声信号分量置零而获得的源信号矩阵。
本发明相较于现有技术具有以下有益效果：
综上所述，为了有效降低噪声信息对桥梁时间序列位移的影响，本发明公开了一种结合EEMD和ESMD的SCBSS信号去噪的方法，用于GBSAR桥梁动挠度。利用GBSAR得到原始观测信号通过ESMD和EEMD分解为多个IMF分量信号和残差R，利用斯皮尔曼系数去除低阶IMF(高频噪声信号分量)，消除高频噪声的影响。将去除高频噪声分量信号后的剩余IMF和残差R重构得到两组新信号，并与原始观测信号结合形成三个包含有用信息的虚拟多通道信号。利用SCBSS对上述虚拟多通道信号进行分离，得到混合矩阵和源信号的估计值，采用快速傅里叶变换对源信号的估计值Y(t)进行时频域转换，识别低频噪声分量信号，并对低频噪声分量信号作归零处理，进一步可去除低频噪声分量信号。解决了现有技术中仅利用ESMD降噪导致分解后的低频模态中存在部分高频信息以及分解后的高频模态中存在部分低频信息的问题，有利于降低噪声信息对基于GBSAR的桥梁时间序列位移的影响，从而有利于提高桥梁损伤检测的准确性。
附图说明
1、图1为本发明一种桥梁时间序列位移信号去噪的方法流程图。
具体实施方式
为了使本领域技术人员更清楚的理解本发明的核心思想，下面将结合附图对其进行详细的说明。
一种桥梁时间序列位移信号去噪的方法，如图1所示，具体降噪的流程为：
步骤1，首先通过GBSAR对桥梁进行动态挠度测量，监测得到桥梁某点位a的时间序列位移数据，作为原始监测信号X(t)，下面简称原始信号。
步骤2，分别采用EEMD和ESMD对原始信号X(t)进行分解，得到多个分量信号IMF和残差R。
具体的实施方式可为：
一，采用EEMD对原始信号X(t)进行分解的步骤包括：
(1)将一个均值为零、标准差恒定且长度与原始信号相同的高斯白噪声信号w(t)加到原始信号X(t)上，得到一个含有高斯白噪声的时间序列位移信号X'(t)＝X(t)+w(t)。
(2)对含有高斯白噪声的时间序列位移信号X'(t)采用EEMD方法进行分解，得到多个分量信号IMF和残差R。
将得到的多个IMF记为IMF1、IMF2、IMF3，···IMFk，k为正整数。
(3)重复执行步骤(1)和步骤(2)N次，每次所加的高斯白噪声信号w(t)不同，N为大于1的正整数。
则第i次加入高斯白噪声信号后的时间序列位移信号Xi'(t)为：
Figure BDA0002948870960000081
其中，Ri(t)为第i次对时间序列位移信号X`i(t)采用EEMD方法进行分解后得到的残差，i为正整数。
(4)对N次分解得到的所有相应IMF分量取平均值，可有效去除各IMF分量的高斯白噪声分量，得到EEMD分解后的IMF分量，如下式所示：
Figure BDA0002948870960000091
则原始信号有：
Figure BDA0002948870960000092
二、采用ESMD将原始信号X(t)进行分解：
(1)计算原始信号X(t)的所有局部极大值和极小值，并将相邻两个极值点的中点标记为Fi(i＝1,2,…n-1)，以及，将左右边界的中点标记为F0和Fn。
(2)采用三次样条插值法构造该n+1个中点的p条插值曲线L1,L2,…,Lp(p≥1)，并计算p条插值曲线的平均曲线
Figure BDA0002948870960000093
(3)重复执行上述步骤(1)和(2)，计算
Figure BDA0002948870960000094
得到IMF1，直到
Figure BDA0002948870960000095
(ε为允许误差)或筛选次数达到预设的最大值K。
(4)重复执行上述步骤(1)至(3)，计算剩下的
Figure BDA0002948870960000096
得到IMF2,...,IMFn，直到最后一个残差R作为一个最优的自适应全局平均曲线，极值点不超过预设数量。
(5)在有限整数区间[Kmin,Kmax]上改变筛选次数K，并重复执行步骤(1)至(4)，计算X(t)-R的方差σ2，在[Kmin,Kmax]的范围内求最小值σ/σ0，得到最佳筛选次数K0，其中σ0是信号X(t)的标准差。
(6)利用最优筛选次数K0重复执行上述步骤(1)至(5)，对原始信号X(t)进行最优信号分解，得到一系列具有最优自适应全局平均曲线的分量信号IMF。
步骤3，基于斯皮尔曼系数确定高频噪声主导的IMF和信号主导的IMF的分界点。
具体的实施方式可为：
计算每个IMF与原始信号之间的相关性系数(斯皮尔曼系数)：
Figure BDA0002948870960000101
其中IMFi是第i个IMF(i＝1,2,…n)分量，N是原始信号的元素数。当ith为斯皮尔曼系数第一个最小值时，即确定IMF与原始信号的相关性逐渐减小到逐渐增大的分界点，即为高频噪声主导的IMF与信号主导的IMF之间的分界点。可以理解的是，IMFi(i＝1,2,…,i＜n)斯皮尔曼系数首次最小时，IMF1至IMFi即视为被需要去除的高频噪声主导的IMF。需要说明的是，上述IMF与原始信号之间的相关性系数即为斯皮尔曼系数SP(i)，该系数值越大，表示该IMF与原始信号的相似程度越高。当然，可以理解的是，将确定的高频噪声主导的IMF去除，得到剩下的分量信号IMF。
步骤4，构建虚拟多通道信号。
由上可知，通过EEMD和ESMD将原始信号X(t)分解为一系列IMF和一个残差R。在去除高频噪声主导的IMF后，将剩下的IMF和残差R进行重构，得到两组新的信号，记为第一组信号和第二组信号，第一组信号XEEMD(t)为：
Figure BDA0002948870960000111
第二组信号XESMD(t)为：
Figure BDA0002948870960000112
将第一组信号、第二组信号与原始信号X(t)组合，形成虚拟多通道信号XNew(t)，如下式所示：
XNew(t)＝[X(t),XEEMD(t),XESMD(t)]T
其中，imfi是第i个IMF(i＝1,2,3,...n)，ne为采用EEMD将原始信号分解得到的IMF分量个数，ns为采用ESMD将原始信号分解得到的IMF分量个数，ith-eemd为采用EEMD分解得到的分量信号中高频噪声主导的分量信号与信号主导的分量信号之间的分界点，ith-esmd为采用ESMD分解得到的分量信号中高频噪声主导的分量信号与信号主导的分量信号之间的分界点。
步骤5，对步骤4中构建的虚拟多通道信号采用SCBSS进行分离，得到混合矩阵和估计源信号。
具体的实施方式可为：
(1)从虚拟多信道信号XNew(t)包含的第一组信号、第二组信号和原始信号中估计样本协方差R(0)，设R(0)的最大特征值为：λ1,λ2,λ3，对应的特征向量为：h1,h2,h3；
(2)假设存在高斯白噪声信号，噪声方差的估计值σ2为R(0)的最小特征值，白化信号Z(t)为：Z(t)＝[z1(t)z2(t)z3(t)]T，其中，
Figure BDA0002948870960000121
形成白化矩阵W为：
Figure BDA0002948870960000122
其中T代表转置；
(3)虚拟多信道信号XNew(t)通过白化矩阵W处理，以去除信号分量之间的二阶相关性，并使得白化信号Z(t)的协方差矩阵为单位阵：Z(t)＝W*XNew(t)＝W*A*S(t)＝V*S(t)；
(4)计算白化信号的样本协方差矩阵R(τ)为：
R(τ)＝E[Z(t)ZT(t+τ)]＝ARZ(τ)AT；
对于固定时间滞后有τ∈{τj|j＝1,2,..k}。
(5)对于所有R(τj)，使用联合近似对角化算法导出正交矩阵V。
(6)利用下式计算源信号的估计值Y(t)为：
Y(t)＝VTWXNew(t)；
将混合矩阵A估计为：A＝W-1V，其中W-1为白化矩阵的伪逆矩阵。
步骤6，采用快速傅里叶变换对源信号的估计值Y(t)进行时频域转换，识别低频噪声分量信号，并对低频噪声分量信号作归零处理，去除低频噪声分量信号：
Figure BDA0002948870960000123
其中，k是频域索引，X(k)是第k个DFT系数。
步骤7，对去除低频噪声分量信号后的IMF分量逆向重构，恢复幅值：
YN(t)＝A*YZ(t)
其中，YN(t)是重构的信号分量，A是混合矩阵的估计值；YZ(t)是通过将Y(t)中的低频噪声信号分量置零而获得的源信号矩阵。
综上所述，为了有效降低噪声信息对桥梁时间序列位移的影响，本发明公开了一种结合EEMD和ESMD的SCBSS信号去噪的方法，用于GBSAR桥梁动挠度。利用GBSAR得到原始观测信号通过ESMD和EEMD分解为多个分量信号IMF和残差R，利用斯皮尔曼系数去除低阶IMF(高频噪声信号分量)，消除高频噪声的影响。将去除高频噪声分量信号后的剩余IMF和残差R重构得到两组新信号，并与原始观测信号结合形成三个包含有用信息的虚拟多通道信号。利用SCBSS对上述虚拟多通道信号进行分离，得到混合矩阵和源信号的估计值，采用快速傅里叶变换对源信号的估计值Y(t)进行时频域转换，识别低频噪声分量信号，并对低频噪声分量信号作归零处理，进一步可去除低频噪声分量信号。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种桥梁时间序列位移信号去噪的方法，其特征在于，包括：
分别采用EEMD和ESMD对监测得到的桥梁时间序列位移信号进行分解，得到多个分量信号IMF，设桥梁时间序列位移信号为原始信号；
分别计算每个IMF与原始信号之间的相关性，基于该相关性将高频噪声分量信号去除；
将去除了高频噪声分量信号后剩余的IMF进行重构，将重构得到的第一组信号和第二组信号，以及原始信号进行组合，构建虚拟多通道信号；
采用SCBSS分离并去除所述虚拟多通道信号中的低频噪声分量信号。
2.如权利要求1所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，采用EEMD分解原始信号具体包括：
设原始信号为X(t)，将N个均值为零、标准差恒定且长度与原始信号相同的高斯白噪声信号分N次分别加到原始信号上，N个高斯白噪声信号均不同，每一次得到一个含有高斯白噪声的信号X`(t)，Xi`(t)＝X(t)+wi(t)，其中，wi(t)为第i次加到原始信号上的高斯白噪声信号，N为大于1的正整数，i为正整数；
采用EEMD分解信号Xi`(t)，直至将N个含有高斯白噪声的信号分解完成，每一次分解均得到多个IMF和残差R：
Figure FDA0002948870950000011
其中，k为大于1的正整数；
对N次分解得到的所有IMF求平均值，得到EEMD分解后的多个IMF：
Figure FDA0002948870950000021
3.如权利要求2所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，采用ESMD分解原始信号具体包括：
(1)计算原始信号X(t)的所有局部极大值和极小值，并将相邻两个极值点的中点标记为Fi(i＝1,2,…n-1)，以及，将左右边界的中点标记为F0和Fn；
(2)采用三次样条插值法构造该n+1个中点的p条插值曲线L1,L2,…,Lp(p≥1)，并计算p条插值曲线的平均曲线
Figure FDA0002948870950000022
Figure FDA0002948870950000023
(3)重复执行步骤(1)和步骤(2)，计算
Figure FDA0002948870950000024
得到IMF1，直至
Figure FDA0002948870950000025
或筛选次数达到预设的最大值K，其中ε为允许误差；
(4)重复执行步骤(1)至步骤(3)，计算剩下的
Figure FDA0002948870950000026
得到IMF2,...,IMFn，直至最后一个残差R作为一个最优的自适应全局平均曲线；
(5)在有限整数区间[Kmin,Kmax]上改变筛选次数值K，并重复执行步骤(1)到步骤(4)，计算X(t)-R的方差σ2，在[Kmin,Kmax]的范围内求最小值σ/σ0，得到最佳筛选次数K0，其中σ0是信号X(t)的标准差；
(6)利用最佳筛选次数K0重复执行步骤(1)到步骤(5)，对原始信号X(t)进行最优信号分解，得到多个具有最优自适应全局平均曲线的IMF。
4.如权利要求3所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，基于每个IMF与原始信号之间的相关性将高频噪声分量信号去除，包括：
基于所述相关性确定高频噪声分量信号与信号主导的分量信号之间的分界点；
根据该分界点将高频噪声分量信号去除。
5.如权利要求4所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，基于所述相关性确定高频噪声分量信号与信号主导的分量信号之间的分界点，具体包括：
计算每个IMF与原始信号之间的相关性系数的公式为：
Figure FDA0002948870950000031
其中，X(t)为原始信号，IMFi是第i个IMF(i＝1,2,…n)分量，N为信号长度，当ith为相关性系数第一个最小值时，确定高频噪声分量信号与信号主导的分量信号之间的分界点，其中，相关性系数ρ(X(t),IMFi(t))越大，则该IMF与原始信号的相似程度越高。
6.如权利要求5所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，将去除了高频噪声分量信号后剩余的IMF进行重构，得到的第一组信号和第二组信号，所述第一组信号XEEMD(t)为：
Figure FDA0002948870950000032
所述第二组信号XESMD(t)为：
Figure FDA0002948870950000041
将第一组信号、第二组信号以及所述原始信号进行组合，构建虚拟多通道信号XNew(t)为：XNew(t)＝[X(t),XEEMD(t),XESMD(t)]T；
其中，imfi是第i个IMF(i＝1,2,3,…n)，ne为采用EEMD将原始信号分解得到的IMF分量个数，ns为采用ESMD将原始信号分解得到的IMF分量个数，ith-eemd为采用EEMD分解得到的分量信号中高频噪声主导的分量信号与信号主导的分量信号之间的分界点，ith-esmd为采用ESMD分解得到的分量信号中高频噪声主导的分量信号与信号主导的分量信号之间的分界点。
7.如权利要求6所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，采用SCBSS分离并去除所述虚拟多通道信号中的低频噪声分量信号，具体包括：
从虚拟多信道信号XNew(t)中估计样本协方差R(0)，设R(0)的最大特征值为：λ1,λ2,λ3，对应的特征向量为：h1,h2,h3；
设存在高斯白噪声信号，噪声方差的估计值σ2为R(0)的最小特征值，白化信号Z(t)为：Z(t)＝[z1(t)z2(t)z3(t)]T，其中，
Figure FDA0002948870950000042
则形成白化矩阵W为：
Figure FDA0002948870950000043
其中T代表转置；
虚拟多信道信号XNew(t)通过白化矩阵W处理，以去除信号分量之间的二阶相关性，并使得白化信号Z(t)的协方差矩阵为单位阵：Z(t)＝W*XNew(t)＝W*A*S(t)＝V*S(t)；
计算白化信号的样本协方差矩阵R(τ)为：
R(τ)＝E[Z(t)ZT(t+τ)]＝ARZ(τ)AT；其中，τ∈{τj|j＝1,2,..k}；
使用联合近似对角化算法导出正交矩阵V，利用下式计算获得源信号的估计值Y(t)为：Y(t)＝VTWXNew(t)；
其中，混合矩阵A估计为：A＝W-1V，其中W-1为白化矩阵的伪逆矩阵；
采用快速傅里叶变换对源信号的估计值Y(t)进行时频域转换，识别低频噪声分量信号，并对低频噪声分量信号作归零处理，去除低频噪声分量信号：
Figure FDA0002948870950000051
其中，k是频域索引，X(k)是第k个DFT系数。
8.如权利要求7所述的一种桥梁时间序列位移信号去噪的方法，其特征在于，所述方法还包括：
对去除低频噪声分量信号后剩余的IMF进行逆向重构，得到信号YN(t)：
YN(t)＝A*YZ(t)
其中，YN(t)是重构的信号分量，A是混合矩阵的估计值；YZ(t)是通过将Y(t)中的低频噪声信号分量置零而获得的源信号矩阵。
CN202110203526.XA 2021-02-23 2021-02-23 一种桥梁时间序列位移信号去噪的方法 Active CN112906578B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110203526.XA CN112906578B (zh) 2021-02-23 2021-02-23 一种桥梁时间序列位移信号去噪的方法
AU2021103898A AU2021103898A4 (en) 2021-02-23 2021-07-06 Bridge time series displacement signal denoising method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110203526.XA CN112906578B (zh) 2021-02-23 2021-02-23 一种桥梁时间序列位移信号去噪的方法

Publications (2)

Publication Number Publication Date
CN112906578A true CN112906578A (zh) 2021-06-04
CN112906578B CN112906578B (zh) 2023-09-05

Family

ID=76124448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110203526.XA Active CN112906578B (zh) 2021-02-23 2021-02-23 一种桥梁时间序列位移信号去噪的方法

Country Status (2)

Country Link
CN (1) CN112906578B (zh)
AU (1) AU2021103898A4 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112013A (zh) * 2021-11-04 2022-03-01 北京建筑大学 古建筑安全性测定方法和装置、电子设备和存储介质
CN115881276A (zh) * 2023-02-22 2023-03-31 合肥工业大学 心电信号的时/频双条形码特征图像生成方法及存储介质
CN117093827A (zh) * 2023-10-16 2023-11-21 欣灵电气股份有限公司 基于物联网的智慧消防给水数据处理系统
CN117373471A (zh) * 2023-12-05 2024-01-09 鸿福泰电子科技（深圳）有限公司 一种音频数据优化降噪方法及系统
CN117454095A (zh) * 2023-12-22 2024-01-26 北京建筑大学 一种桥梁动挠度数据降噪方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473232A (zh) * 2023-12-22 2024-01-30 北京建筑大学 一种桥梁监测数据降噪重构方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103176947A (zh) * 2013-04-12 2013-06-26 哈尔滨工业大学 一种基于信号相关性的多通道信号去噪方法
US20140316746A1 (en) * 2013-04-22 2014-10-23 National Chiao Tung University Real-time signal processing system and method based on multi-channel independent component analysis
CN106228979A (zh) * 2016-08-16 2016-12-14 重庆大学 一种公共场所异常声音特征提取及识别方法
CN108564046A (zh) * 2018-04-19 2018-09-21 南京大学 基于改进eemd的钢结构动态应变信号处理方法
CN108680782A (zh) * 2018-05-04 2018-10-19 上海电力学院 基于极值点对称模式分解的电压闪变参数检测方法
CN108761202A (zh) * 2018-05-04 2018-11-06 上海电力学院 极点对称模态分解和希尔伯特变换相结合的谐波检测方法
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
CN112101089A (zh) * 2020-07-27 2020-12-18 北京建筑大学 信号降噪方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103176947A (zh) * 2013-04-12 2013-06-26 哈尔滨工业大学 一种基于信号相关性的多通道信号去噪方法
US20140316746A1 (en) * 2013-04-22 2014-10-23 National Chiao Tung University Real-time signal processing system and method based on multi-channel independent component analysis
CN106228979A (zh) * 2016-08-16 2016-12-14 重庆大学 一种公共场所异常声音特征提取及识别方法
CN108564046A (zh) * 2018-04-19 2018-09-21 南京大学 基于改进eemd的钢结构动态应变信号处理方法
CN108680782A (zh) * 2018-05-04 2018-10-19 上海电力学院 基于极值点对称模式分解的电压闪变参数检测方法
CN108761202A (zh) * 2018-05-04 2018-11-06 上海电力学院 极点对称模态分解和希尔伯特变换相结合的谐波检测方法
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
CN112101089A (zh) * 2020-07-27 2020-12-18 北京建筑大学 信号降噪方法、装置、电子设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GUOHUI LI等: "Noise Reduction Method of Underwater Acoustic Signals Based on Uniform Phase Empirical Mode Decomposition, Amplitude-Aware Permutation Entropy, and Pearson Correlation Coefficient", ENTROPY, vol. 20, no. 12, pages 1 - 18 *
XIANGLEI LIU等: "Two-Level W-ESMD Denoising for Dynamic Deflection Measurement of Railway Bridges by Microwave Interferometry", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, vol. 11, no. 12, pages 4874, XP011695737, DOI: 10.1109/JSTARS.2018.2878482 *
ZIYUE JIA等: "Sequence to point learning based on bidirectional dilated residual network for non-intrusive load monitoring", INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS, vol. 129, pages 1 - 12 *
刘宇舜;程登峰;夏令志;李森林;程洋;: "基于单通道盲源分离算法的局部放电特高频信号去噪方法", 电工技术学报, no. 23, pages 239 - 250 *
张宇华;赵晓轲;申庆祥;方艺翔;: "基于ESMD和HT相结合的谐波检测新方法", 电力系统保护与控制, no. 23, pages 58 - 65 *
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 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114112013A (zh) * 2021-11-04 2022-03-01 北京建筑大学 古建筑安全性测定方法和装置、电子设备和存储介质
CN115881276A (zh) * 2023-02-22 2023-03-31 合肥工业大学 心电信号的时/频双条形码特征图像生成方法及存储介质
CN117093827A (zh) * 2023-10-16 2023-11-21 欣灵电气股份有限公司 基于物联网的智慧消防给水数据处理系统
CN117093827B (zh) * 2023-10-16 2024-01-30 欣灵电气股份有限公司 基于物联网的智慧消防给水数据处理系统
CN117373471A (zh) * 2023-12-05 2024-01-09 鸿福泰电子科技（深圳）有限公司 一种音频数据优化降噪方法及系统
CN117373471B (zh) * 2023-12-05 2024-02-27 鸿福泰电子科技（深圳）有限公司 一种音频数据优化降噪方法及系统
CN117454095A (zh) * 2023-12-22 2024-01-26 北京建筑大学 一种桥梁动挠度数据降噪方法
CN117454095B (zh) * 2023-12-22 2024-03-15 北京建筑大学 一种桥梁动挠度数据降噪方法

Also Published As

Publication number Publication date
CN112906578B (zh) 2023-09-05
AU2021103898A4 (en) 2021-09-09

Similar Documents

Publication Publication Date Title
CN112906578B (zh) 一种桥梁时间序列位移信号去噪的方法
CN109243483B (zh) 一种含噪频域卷积盲源分离方法
CN109883547B (zh) 一种基于小波阈值差分的宽波段光谱信号去噪方法
CN110619296B (zh) 一种基于奇异分解的信号降噪方法
CN110503060B (zh) 一种光谱信号去噪方法及其系统
CN107729845B (zh) 一种基于子空间特征值分解的实测频响函数降噪方法
CN109598175B (zh) 一种基于多小波基函数和超正交前向回归的时频分析方法
CN102930149A (zh) 基于pca和emd的传感器网络感知信息去噪处理方法
CN106908663A (zh) 一种基于小波变换的电动汽车充电谐波辨识方法
CN111543984B (zh) 一种基于ssda的脑电信号的眼电伪迹去除方法
CN113229829A (zh) 一种四元数脑电信号提取方法及系统
CN105187341A (zh) 一种基于交叉验证的平稳小波变换去噪方法
CN110491408B (zh) 一种基于稀疏元分析的音乐信号欠定混叠盲分离方法
CN116296243B (zh) 一种基于大尺寸核稠密块的气动识别方法
CN110070887B (zh) 一种语音特征重建方法及装置
CN116705049A (zh) 水下声学信号的增强方法、装置、电子设备及存储介质
Wang Squared Euclidean distance based convolutive non-negative matrix factorization with multiplicative learning rules for audio pattern separation
CN109272054B (zh) 一种基于独立性的振动信号去噪方法及系统
Li et al. Time-frequency Analysis of Non-stationary Signal Based on Sliding Mode Singular Spectrum Analysis and Wigner-ville Distribution
Liu et al. A method for blind source separation of multichannel electromagnetic radiation in the field
KR101774888B1 (ko) 자기공명분광신호 전처리 장치 및 자기공명분광신호 전처리 방법
Talbi et al. EMD-based ECG denoising using source separation
Xue et al. Research on Signal Denoising Algorithm Based on Wavelet Analysis
Jyoshna et al. An Intelligent reference free adaptive learning algorithm for speech enhancement
Chen et al. Feature extraction for fault diagnosis utilizing supervised nonnegative matrix factorization combined statistical model

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