CN113297987B - 一种基于双目标函数优化的变分模态分解信号降噪方法 - Google Patents

一种基于双目标函数优化的变分模态分解信号降噪方法 Download PDF

Info

Publication number
CN113297987B
CN113297987B CN202110591368.XA CN202110591368A CN113297987B CN 113297987 B CN113297987 B CN 113297987B CN 202110591368 A CN202110591368 A CN 202110591368A CN 113297987 B CN113297987 B CN 113297987B
Authority
CN
China
Prior art keywords
decomposition
signal
vmd
imf
imfs
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
Application number
CN202110591368.XA
Other languages
English (en)
Other versions
CN113297987A (zh
Inventor
解志杰
王俊翔
詹长书
尹继辉
刘九庆
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.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
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 Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN202110591368.XA priority Critical patent/CN113297987B/zh
Publication of CN113297987A publication Critical patent/CN113297987A/zh
Application granted granted Critical
Publication of CN113297987B publication Critical patent/CN113297987B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于双目标函数优化的变分模态分解信号降噪方法，属于数字信号降噪方法技术领域。本发明解决了现有技术中存在的传统VMD算法的分解质量取决于主观人工经验进行参数设置，导致无法得到最优分解质量，从而影响信号的降噪效果的问题。本申请基于皮尔逊相关系数和融合冲击指数作为目标函数对变分模态分解进行参数优化的算法，可以有效实现信噪分离，抑制模态混叠，解决原始VMD方法需要人工设置参数问题，使得VMD可以根据不同输入信号的特性自适应地选择主要分解参数，无需再对各个IMF分量与原始信号进行相关性的评估以及筛选，通过分解得到的IMFs直接进行重构即可达到良好的降噪效果。

Description

一种基于双目标函数优化的变分模态分解信号降噪方法
技术领域
本发明涉及一种基于双目标函数优化的变分模态分解信号降噪方法，属于数字信号降噪方法技术领域。
背景技术
变分模态分解(VMD)已被广泛应用于医学中的生命体征检测、旋转机械故障诊断、大数据预测等各个领域。在现有基于变分模态分解的降噪方法当中，都是利用VMD将原始振动信号分解为若干个IMF分量，再通过各种方法对IMFs评估进行筛选或特征向量提取以达到信号降噪的目的，但是这些方法都没有解决VMD方法面向工程实际中存在的由于VMD方法受人为主观经验的影响，不能准确地设置VMD参数的根本缺陷。其中，主要参数分解次数和惩罚因子对VMD的分解结果影响至关重要，当分解次数的设置不当将导致分解结果出现信息丢失或过度分解的问题；惩罚因子的设置值与最优值相差较大时，所获得模态的滤波器带宽大小也对分解质量产生很大影响，无法得到最优分解质量，从而影响信号的降噪效果的问题。
发明内容
本发明为了解决现有技术中存在的传统VMD算法的分解质量取决于主观人工经验进行参数设置，导致无法得到最优分解质量，从而影响信号的降噪效果的问题，提供一种基于双目标函数优化的变分模态分解信号降噪方法。
本发明的技术方案：
一种基于双目标函数优化的变分模态分解信号降噪方法，该方法包括以下步骤：
步骤1，构建网格优化算法模型：在取值范围内初始化网格优化的网点位置向量，根据位置向量对原始振动信号进行VMD分解，构建以VMD的分解次数和惩罚因子为位置向量的网格优化算法；
步骤2，计算步骤1中VMD分解后每组固有模态分量IMFs间的平均皮尔逊相关系数；
步骤3，构建VMD优化参数集：根据步骤2求得的IMFs间的平均皮尔逊相关系数，获得每组分解次数下对应的最佳惩罚因子值；
步骤4，采用步骤3构建的VMD优化参数集中的参数组分解原始振动信号，计算每组参数下分解得到IMFs的包络功率谱峰度值KEPS；
步骤5，采用步骤3构建的VMD优化参数集中的参数组分解原始振动信号，计算每组参数下分解得到每个IMF与原始振动信号间的相关系数C；
步骤6，计算KEPS和C的积，得到融合冲击指数SII，计算每组参数下分解IMFs的平均融合冲击指数，最小平均融合冲击指数所在的位置向量即为最佳网点位置向量；
步骤7，输出步骤6获得的最佳网点位置向量，得到VMD的分解参数组合；
步骤8，根据步骤7获得的VMD的分解参数组合对原始振动信号进行VMD分解，将分解出IMF分量相加得到的重构信号，即得到降噪后信号。
进一步限定，步骤1中VMD分解的分解次数K的取值范围[2,16]，步长为1；惩罚因子α的取值范围[1000,14000]，步长为50。
进一步限定，步骤2的具体过程为：VMD分解原始振动信号得到IMFs后，根据式(1)计算每组IMFs之间的平均皮尔逊相关系数；
Figure BDA0003089400100000021
其中，Xi、Yi分别为输入的两个信号，
Figure BDA0003089400100000022
进一步限定，步骤3的具体过程为：根据式(2)求出每个分解次数下的最小平均皮尔逊相关系数对应的最佳惩罚因子；
Figure BDA0003089400100000023
进一步限定，步骤4的具体过程为：
首先，根据式(3)至式(9)计算每组IMF的包络功率谱峰度值。
fA(n)＝f(n)+j·Hilbert{f(n)} (3)
Figure BDA0003089400100000024
其中，f(n)作为IMF的真实信号，fA(n)为IMF的解析信号，其下标re和im分别代表实部和虚部，fE(n)为包络信号，Hilbert{}代表希尔伯特变换；
然后，根据式(5)对包络信号进行离散傅里叶变换，得到IMF的包络谱；
Figure BDA0003089400100000031
然后，根据式(6)求得IMF信号的包络功率谱
Figure BDA0003089400100000032
Figure BDA0003089400100000033
最后，根据式(7)求得IMF信号的包络功率谱峰度；
Figure BDA0003089400100000034
其中，m2，m4分别代表二阶和四阶中心矩。
进一步限定，步骤5的具体过程为：根据式(8)计算每组参数下分解得到每个IMF与原始振动信号间的相关系数C；
Figure BDA0003089400100000035
其中，uk表示为作为VMD分解分量之一的IMF，下角标k为分解分量中的第k个分量，f为原始信号，E[]代表数学期望。
进一步限定，步骤6的具体过程为：通过式(9)计算融合冲击指数SII，根据式(10)计算每组参数下分解IMFs的平均融合冲击指数；
SII＝KEPS·|C| (9)
Figure BDA0003089400100000036
最小平均融合冲击指数所在的位置向量即为最佳网点位置向量即为最优
Figure BDA0003089400100000037
更进一步限定，步骤8的具体过程为：根据得到的最优参数组合
Figure BDA0003089400100000038
对原始信号进行VMD分解，将分解的出
Figure BDA0003089400100000039
个IMF分量相加得到重构信号得到降噪后的信号。
本发明具有以下有益效果：本发明基于皮尔逊相关系数和融合冲击指数作为目标函数对变分模态分解进行参数优化的算法，解决了VMD参数需要人工主观经验设置的问题，使得VMD可以根据不同输入信号的特性自适应地选择主要分解参数，无需再对各个IMF分量与原始信号进行相关性的评估以及筛选，通过分解得到的IMFs直接进行重构即可达到良好的降噪效果。
附图说明
图1为基于双目标函数优化的变分模态分解信号降噪方法流程图；
图2为实施例1仿真信号的时域图以及构成其的分量信号；
图3为实施例1各参数组下VMD分解的平均融合冲击指数随分解次数的变化曲线；
图4为实施例1原信号和其在最优参数下VMD分解出的各个IMF分量的频谱图；
图5为实施例1最优参数下VMD分解出的各个IMF分量的时域图；
图6为对比例1未经优化VMD分解出各个IMF分量的时域图；
图7为对比例1未经优化VMD分解出各个IMF分量的频谱图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下述实施例中所使用的实验方法如无特殊说明均为常规方法。所用材料、试剂、方法和仪器，未经特殊说明，均为本领域常规材料、试剂、方法和仪器，本领域技术人员均可通过商业渠道获得。
实施例1：
如图1所示，本实施例具体步骤如下：
步骤1，构建以VMD的分解次数和惩罚因子为位置向量的网格优化算法，具体为：设置分解次数K的取值范围[2，16]，迭代步长为1；设置惩罚因子α的取值范围[1000,14000]，迭代步长为50；
步骤2，计算步骤1中每组位置向量下IMFs之间的平均皮尔逊相关系数，表达式如下：
Figure BDA0003089400100000041
其中，Xi、Yi分别为输入的两个信号，
Figure BDA0003089400100000042
步骤3，构建VMD优化参数集，具体为：根据步骤2计算得到的所有网点位置向量下VMD分解得到的IMFs间平均皮尔逊相关系数，求得每个分解次数K下对应最佳惩罚因子α的最小平均皮尔逊相关系数：
Figure BDA0003089400100000051
步骤4，计算VMD优化参数集中每组参数下VMD分解IMFs的包络功率谱，具体为：在得到VMD优化参数集[K,αK],K∈[2,16]后，得到15组由分解次数和惩罚因子构成的参数集后，根据式(3)-(9)计算每组IMF的包络功率谱峰度值：
fA(n)＝f(n)+j·Hilbert{f(n)} (3)
Figure BDA0003089400100000052
其中，f(n)作为IMF的真实信号，fA(n)为IMF的解析信号，其下标re和im分别代表实部和虚部，fE(n)为包络信号，Hilbert{}代表希尔伯特变换。
得到包络信号后，根据式(5)对包络信号进行离散傅里叶变换，得到IMF的包络谱，表达式如下：
Figure BDA0003089400100000053
经过式(5)的离散傅里叶变换后，根据式(6)求得IMF信号的包络功率谱
Figure BDA0003089400100000054
Figure BDA0003089400100000055
最后，根据式(7)求得IMF信号的包络功率谱峰度，其中，m2,m4分别代表二阶和四阶中心矩。
Figure BDA0003089400100000056
步骤5，计算VMD优化参数集中每组参数下VMD分解的每个IMF与原始振动信号间的相关系数(C)，具体为：在得到VMD优化参数集[K,αK],K∈[2,16]，得到15组由分解次数和惩罚因子构成的参数集后，根据式(8)计算每组IMF与原始信号之间的相关系数：
Figure BDA0003089400100000057
其中，uk表示为作为VMD分解分量之一的IMF，下角标k为分解分量中的第k个分量，f为原始信号，E[]代表数学期望。
步骤6，计算每组参数下的平均融合冲击指数，具体为：计算步骤4与步骤5中求得的KEPS与C的积，即为每组参数下VMD分解得到每个IMF的融合冲击指数(SII)，并根据式(10)计算每组参属下IMFs的平均融合冲击指数，最小值所在位置向量即为最优
Figure BDA0003089400100000061
SII＝KEPS·|C| (9)
Figure BDA0003089400100000062
步骤7，输出步骤5中的最佳位置向量，即得到VMD的分解参数组合；
步骤8，根据得到的最优参数组合
Figure BDA0003089400100000063
对原始信号进行VMD分解，将分解的出
Figure BDA0003089400100000064
个IMF分量相加得到重构信号，即降噪后的信号。
为验证本发明的有效性，进行了如下工作：
在MATLAB软件中建立如式(11-15)的仿真信号，对所提出的SII-VMD降噪方法进行验证，其中，仿真时间为1s，采样率为3000Hz。
f(t)＝f1(t)+f2(t)+f3(t)+f4(t)+n (11)
f1(t)＝3cos(2π·40t)t∈[0,0.6] (12)
f2(t)＝2sin(2π·50t)t∈[0.4,0.6] (13)
f3(t)＝1.5cos(2π·60t)t∈[0.4,1] (14)
f4(t)＝(0.5+0.5sin(2π·10t))·cos(2π·400t) (15)
其中，f1(t)是幅值为3，频率为40Hz的余弦信号；f2(t)是幅值为2，频率为50Hz的正弦信号；f3(t)是幅值为1.5，频率为60Hz的余弦信号；f4(t)为调幅调频分量，载波频率为400Hz，调制频率为10Hz；n为模拟的高斯白噪声，信噪比为20dB，如图2为仿真信号的时域图。
以SII为主要的目标函数对VMD分解参数进行优化：
设置分解参数K的取值范围为[2,16]，步长为1；惩罚因子α的取值范围为[1000,14000]，步长为50，建立网格优化算法中的位置向量。通过计算每组分解次数下的最小平均皮尔逊相关系数求得对应的最优惩罚因子，构建VMD优化参数集。随后计算参数集中每组参数下VMD分解的IMFs之间平均融合冲击指数，最终输出最小平均融合冲击指数对应最优VMD分解参数。图3为各参数组下VMD分解的平均融合冲击指数随分解次数的变化曲线。
得到的最佳VMD分解参数组合为(4,13450)，即分解次数K为4，α为13450。在此参数下对仿真信号进行VMD分解，图4是原信号和其在最优参数下VMD分解出的各个IMF分量的频谱图，图5是最优参数下VMD分解出的各个IMF分量的时域图。从图中可见，经参数优化后的VMD方法可以将仿真信号f(t)近乎完整地还原成初始信号分量，并且消除了部分白噪声的干扰。
对比例1：
为了进一步证明基于双目标函数优化的变分模态分解信号降噪方法对噪声的鲁棒性，现采用原始VMD算法对相同仿真信号进行降噪处理，取分解次数K为最优值4，惩罚因子α为默认值2000原信号和未经优化VMD分解出的各个IMF分量时域图如图6所示，对应的频谱如图7所示。从图6和图7中可以看出，受惩罚因子的影响，未经参数优化的VMD不仅没有起到降噪作用，而且还产生了虚假分量。
对比可知，SII-VMD处理后的信号可以实现信号降噪功能，并较为完整地还原构成原始信号的模态分量，而未经优化的VMD即使在最优分解参数下采用默认惩罚因子，还是会出现不能完整分解原始信号的弊端。因此，SII-VMD可以有效消除传统VMD分解参数需人工主观设置的弊端，可以自适应地对原始信号进行精确地降噪分解。
本发明提出的双目标函数优化的变分模态分解信号降噪方法，能够自适应地对原始振动信号进行准确分解，具有较好的拓展能力。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，该方法包括以下步骤：
步骤1，构建网格优化算法模型：
在取值范围内初始化网格优化的网点位置向量，根据位置向量对原始振动信号进行VMD分解，构建以VMD的分解次数和惩罚因子为位置向量的网格优化算法；
步骤2，计算步骤1中VMD分解后每组固有模态分量IMFs间的平均皮尔逊相关系数；
步骤3，构建VMD优化参数集：
根据步骤2求得的IMFs间的平均皮尔逊相关系数，获得每组分解次数下对应的最佳惩罚因子值，构成VMD优化参数集；
步骤4，采用步骤3构建的VMD优化参数集中的参数组分解原始振动信号，计算每组参数下分解得到IMFs的包络功率谱峰度值KEPS；
步骤5，采用步骤3构建的VMD优化参数集中的参数组分解原始振动信号，计算每组参数下分解得到每个IMFs与原始振动信号间的相关系数C；
步骤6，计算KEPS和C的积，得到融合冲击指数SII，计算每组参数下分解IMFs的平均融合冲击指数，最小平均融合冲击指数所在的位置向量即为最佳网点位置向量；
步骤7，输出步骤6获得的最佳网点位置向量，得到VMD的分解参数组合；
步骤8，根据步骤7获得的VMD的分解参数组合对原始振动信号进行VMD分解，将分解出IMF分量相加得到的重构信号，即得到降噪后信号。
2.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤1中VMD分解的分解次数K的取值范围[2,16]，步长为1；惩罚因子α的取值范围[1000,14000]，步长为50。
3.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤2的具体过程为：VMD分解原始振动信号得到IMFs后，根据式(1)计算每组IMFs之间的平均皮尔逊相关系数；
Figure FDA0003089400090000011
其中，Xi、Yi分别为输入的两个信号，
Figure FDA0003089400090000012
4.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤3的具体过程为：根据式(2)求出每个分解次数下的最小平均皮尔逊相关系数对应的最佳惩罚因子；
Figure FDA0003089400090000021
5.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤4的具体过程为：
首先，根据式(3)至式(9)算每组IMF的包络功率谱峰度值：
fA(n)＝f(n)+j·Hilbert{f(n)} (3)
Figure FDA0003089400090000022
其中，f(n)作为IMF的真实信号，fA(n)为IMF的解析信号，其下标re和im分别代表实部和虚部，fE(n)为包络信号，Hilbert{}代表希尔伯特变换；
然后，根据式(5)对包络信号进行离散傅里叶变换，得到IMF的包络谱；
Figure FDA0003089400090000023
然后，根据式(6)求得IMF信号的包络功率谱
Figure FDA0003089400090000024
Figure FDA0003089400090000025
最后，根据式(7)求得IMF信号的包络功率谱峰度；
Figure FDA0003089400090000026
其中，m2，m4分别代表二阶和四阶中心矩。
6.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤5的具体过程为：根据式(8)计算每组参数下分解得到每个IMF与原始振动信号间的相关系数C；
Figure FDA0003089400090000027
其中，uk表示为作为VMD分解分量之一的IMF，下角标k为分解分量中的第k个分量，f为原始信号，E[]代表数学期望。
7.根据权利要求1所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤6的具体过程为：通过式(9)计算融合冲击指数SII，根据式(10)计算每组参数下分解IMFs的平均融合冲击指数；
SII＝KEPS·|C| (9)
Figure FDA0003089400090000031
最小平均融合冲击指数所在的位置向量即为最佳网点位置向量即为最优
Figure FDA0003089400090000032
8.根据权利要求7所述的一种基于双目标函数优化的变分模态分解信号降噪方法，其特征在于，所述的步骤8的具体过程为：根据得到的最优参数组合
Figure FDA0003089400090000033
对原始信号进行VMD分解，将分解的出
Figure FDA0003089400090000034
个IMF分量相加得到重构信号得到降噪后的信号。
CN202110591368.XA 2021-05-28 2021-05-28 一种基于双目标函数优化的变分模态分解信号降噪方法 Active CN113297987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110591368.XA CN113297987B (zh) 2021-05-28 2021-05-28 一种基于双目标函数优化的变分模态分解信号降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110591368.XA CN113297987B (zh) 2021-05-28 2021-05-28 一种基于双目标函数优化的变分模态分解信号降噪方法

Publications (2)

Publication Number Publication Date
CN113297987A CN113297987A (zh) 2021-08-24
CN113297987B true CN113297987B (zh) 2022-07-05

Family

ID=77325880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110591368.XA Active CN113297987B (zh) 2021-05-28 2021-05-28 一种基于双目标函数优化的变分模态分解信号降噪方法

Country Status (1)

Country Link
CN (1) CN113297987B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386454B (zh) * 2021-12-09 2023-02-03 首都医科大学附属北京友谊医院 基于信号混合策略的医疗时序信号数据处理方法
CN115855508B (zh) * 2023-02-22 2023-05-16 南京邮电大学 基于算术优化变分模态分解的轴承故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145727A (zh) * 2018-07-11 2019-01-04 上海电力学院 一种基于vmd参数优化的轴承故障特征提取方法
CN112597930A (zh) * 2020-12-28 2021-04-02 西安理工大学 一种基于woa-vmd算法的信号去噪方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI557587B (zh) * 2015-08-17 2016-11-11 國立清華大學 評估抗菌胜肽之抗菌力之系統及其使用方法
CN108154081B (zh) * 2016-11-30 2022-02-25 东北林业大学 基于瞬时频率稳定度swt物流设备振动信号降噪方法
CN110515364B (zh) * 2019-07-15 2021-06-11 北京工业大学 一种基于变分模态分解和ls-svm的刀具磨损状态检测方法
CN110865357B (zh) * 2019-10-25 2023-03-31 南京理工大学 一种基于参数优化vmd的激光雷达回波信号降噪方法
CN111243739A (zh) * 2020-01-07 2020-06-05 四川大学 抗干扰的生理参数遥测方法及系统
CN111507221B (zh) * 2020-04-09 2022-06-07 北华大学 基于vmd和最大重叠离散小波包变换的齿轮信号去噪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145727A (zh) * 2018-07-11 2019-01-04 上海电力学院 一种基于vmd参数优化的轴承故障特征提取方法
CN112597930A (zh) * 2020-12-28 2021-04-02 西安理工大学 一种基于woa-vmd算法的信号去噪方法

Also Published As

Publication number Publication date
CN113297987A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113297987B (zh) 一种基于双目标函数优化的变分模态分解信号降噪方法
CN110598615B (zh) 一种用于桥梁结构监测的数据降噪方法及系统
CN110096956B (zh) 基于eemd和排列熵二阶差分的信号去噪方法及装置
CN103984866A (zh) 一种基于局域均值分解的信号去噪方法
CN106353649A (zh) 一种基于提升小波变换的局部放电信号去噪方法
CN113723171B (zh) 基于残差生成对抗网络的脑电信号去噪方法
CN107886078B (zh) 一种基于分层自适应阈值函数的小波阈值降噪方法
Ding et al. Transient feature extraction based on time–frequency manifold image synthesis for machinery fault diagnosis
CN109214469B (zh) 一种基于非负张量分解的多源信号分离方法
CN112446323A (zh) 基于改进emd模态混叠和端点效应的hht谐波分析方法
CN102254103B (zh) 自适应总体平均经验模式分解eemd筛选次数确定方法
CN111723701A (zh) 一种水中目标识别方法
CN112303504B (zh) 一种基于改进的变分模式分解算法的供水管道泄漏位置检测方法
CN113553997A (zh) 一种联合改进小波阈值的信号处理方法、存储介质和系统
CN106569034A (zh) 一种基于小波和高阶pde的局部放电信号去噪方法
CN112528853B (zh) 改进型双树复小波变换去噪方法
Sha et al. A novel noise reduction method for natural gas pipeline defect detection signals
CN114690003A (zh) 一种基于eemd的局放信号降噪方法
Voznesensky et al. Denoising chaotic signals using ensemble intrinsic time-scale decomposition
CN109558857B (zh) 一种混沌信号降噪方法
CN115859054A (zh) 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法
CN113375065B (zh) 管道泄漏监测中趋势信号的消除方法及装置
Yang et al. The de-noising method of threshold function based on wavelet
CN110703089B (zh) 一种用于低频振荡Prony分析的小波阈值去噪方法
CN114994365B (zh) 一种基于空气炮测试的加速度计输出信号降噪方法

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