CN114118177A - 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 - Google Patents
一种基于奇异谱分析的位平面降噪方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114118177A CN114118177A CN202210078718.7A CN202210078718A CN114118177A CN 114118177 A CN114118177 A CN 114118177A CN 202210078718 A CN202210078718 A CN 202210078718A CN 114118177 A CN114118177 A CN 114118177A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- bit
- noise reduction
- reconstructed
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于奇异谱分析的位平面降噪方法、系统及存储介质,涉及信号处理技术领域,包括:对原信号进行奇异谱分析,获得信号分量并重构;对重构的信号进行噪声程度评估;将重构的信号转化为位平面矩阵;计算噪声所占比特位,并进行局部幅度降噪;将各比特向量还原至十进制表示数,获得被量化信号,对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。本发明通过自适应降噪,解决了传统奇异谱降噪方法中重构信号噪声残留、原信号失真等问题,提高了信号降噪的效率。
Description
技术领域
本发明涉及信号处理技术领域,更具体的,涉及一种基于奇异谱分析的位平面降噪方法、系统及存储介质。
背景技术
在信号分析过程中,进行降噪处理至关重要。信号在采集和传输过程中,由于外界环境干扰和本身仪器的影响,难免会有噪声夹杂在其中,而噪声会对目标信号检测、特征提取以及进行回归预测造成影响,特别是在一些高精度数据的分析中,哪怕是很微弱的噪声都会对分析结果产生巨大的影响。
现实中往往噪声频率带宽不可知,组成复杂,无法通过特定参数解决所有信号的降噪。传统自适应降噪有自适应滤波、经验模态分解、奇异谱分析等。但以上自适应降噪也存在着诸如需要一个特定的参考输入信号、无法进行多分量分解且无法控制分量数目等缺点。
奇异谱分析是一种独立于信号模型的时间序列分解方法。它根据所观测到的时间序列构造出轨迹矩阵,并对轨迹矩阵进行分解、重构,从而提取出代表原时间序列不同成分的加性信号,如趋势信号、周期信号、噪声信号、高频振荡等。
基于以上技术背景,本发明公开了一种基于奇异谱分析的位平面降噪方法,涉及信号处理技术领域。这是一种新型的降噪方法,解决了传统奇异谱分析降噪方法存在的问题和痛点,提高信号降噪的效率。
发明内容
为了解决上述技术问题,本发明提出了一种基于奇异谱分析的位平面降噪方法、系统及存储介质。
本发明第一方面提供了一种基于奇异谱分析的位平面降噪方法,包括:
对原信号进行奇异谱分析,生成信号分量并进行重构;
对重构的信号进行噪声程度评估;
将重构的信号转化为位平面矩阵;
计算噪声所占比特位,并进行局部幅度降噪;
将各比特向量还原至十进制表示数,获得被量化信号;
对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。
本方案中,所述的将原信号进行奇异谱分析,生成信号分量并进行重构,具体为:
利用对角线平均法将各组信号分量反演为一维信号。
本方案中,所述的对重构的信号进行噪声程度评估,具体为:
对重构的去噪信号进行极大值极小值点的检测,获取检测点个数信息;
预设峰点个数作为判断阈值,当所述检测点个数信息小于判断阈值,则说明重构后的去噪信号不含噪声,无需进行残留噪声的去除;
当所述检测点个数信息大于判断阈值,则说明重构后的去噪信号含有残留噪声。
本方案中,所述的将重构的信号转化为位平面矩阵,具体为:
当重构信号含有残留噪声时,对于重构信号中每个十进制的数据点进行二进制的转化;
将长度为的重构信号转化为的位平面矩阵,所述位平面矩阵的每一列
分别对应重构信号的各数据点的二进制表示向量;各向量中从上至下表示从高位到低位的
二进制比特位;所转化的二进制表示位数取决于硬件存储信号数据时设置的位深参数。
本方案中,所述的计算噪声所占比特位,并进行局部幅度降噪,具体为:
检测重构信号的极大值点与极小值点,获取检测点个数,记录所有检测点坐标,将所述检测点的坐标按时间顺序排序,获得对应横坐标与纵坐标序列;
计算每相邻两点坐标的纵坐标值的差值,获得差分序列,对所述差分序列中所有元素取绝对值并作统计直方图,取检测点个数最多的对应统计区间的中间值为噪声幅度;
根据所述噪声幅度,按照预设计算方式获得对应噪声所占比特位;
根据所述噪声所占比特位与位平面矩阵,获得局部幅度降噪信号对应的位平面矩阵。
本方案中,包括:将各比特向量还原至十进制表示数,获得被量化信号,对所述被量化信号进行奇异谱分析进行光滑化处理以去除量化误差,获得最终降噪信号。
本发明第二方面还提供了一种基于奇异谱分析的位平面降噪系统,该系统包括:存储器、处理器,所述存储器中包括一种基于奇异谱分析的位平面降噪方法程序,所述一种基于奇异谱分析的位平面降噪方法程序被所述处理器执行时实现如下步骤:
对原信号进行奇异谱分析,生成信号分量并进行重构;
对重构的信号进行噪声程度评估;
将重构的信号转化为位平面矩阵;
计算噪声所占比特位,并进行局部幅度降噪;
将各比特向量还原至十进制表示数,获得被量化信号;
对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。
本方案中,所述的将原信号进行奇异谱分析,生成信号分量并进行重构,具体为:
利用对角线平均法将各组信号分量反演为一维信号。
本方案中,所述的对重构的信号进行噪声程度评估,具体为:
对重构的去噪信号进行极大值极小值点的检测,获取检测点个数信息;
预设峰点个数作为判断阈值,当所述检测点个数信息小于判断阈值,则说明重构后的去噪信号不含噪声,无需进行残留噪声的去除;
当所述检测点个数信息大于判断阈值,则说明重构后的去噪信号含有残留噪声。
本方案中,所述的将重构的信号转化为位平面矩阵,具体为:
当重构信号含有残留噪声时,对于重构信号中每个十进制的数据点进行二进制的转化;
将长度为的重构信号转化为的位平面矩阵,所述位平面矩阵的每一列
分别对应重构信号的各数据点的二进制表示向量;各向量中从上至下表示从高位到低位的
二进制比特位;所转化的二进制表示位数取决于硬件存储信号数据时设置的位深参数。
本方案中,所述的计算噪声所占比特位,并进行局部幅度降噪,具体为:
检测重构信号的极大值点与极小值点,获取检测点个数,记录所有检测点坐标,将所述检测点的坐标按时间顺序排序,获得对应横坐标与纵坐标序列;
计算每相邻两点坐标的纵坐标值的差值,获得差分序列,对所述差分序列中所有元素取绝对值并作统计直方图,取检测点个数最多的对应统计区间的中间值为噪声幅度;
根据所述噪声幅度,按照预设计算方式获得对应噪声所占比特位;
根据所述噪声所占比特位与位平面矩阵,获得局部幅度降噪信号对应的位平面矩阵。
本方案中,包括:将各比特向量还原至十进制表示数,获得被量化信号,对所述被量化信号进行奇异谱分析进行光滑化处理以去除量化误差,获得最终降噪信号。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于奇异谱分析的位平面降噪方法程序,所述一种基于奇异谱分析的位平面降噪方法程序被处理器执行时,实现如上述任一项所述的一种基于奇异谱分析的位平面降噪方法的步骤。
本发明公开了一种基于奇异谱分析的位平面降噪方法、系统及存储介质,涉及信号处理技术领域,包括:对原信号进行奇异谱分析,获得信号分量并重构;对重构的信号进行噪声程度评估;将重构的信号转化为位平面矩阵;计算噪声所占比特位,并进行局部幅度降噪;将各比特向量还原至十进制表示数,获得被量化信号,对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。本发明通过自适应降噪,解决了传统奇异谱降噪方法中重构信号噪声残留、原信号失真等问题,能够有效去除残留噪声,同时结合能量和局部幅度减少计算时间,提高了信号降噪的效率。
附图说明
图1示出了本发明一种基于奇异谱分析的位平面降噪方法的流程图;
图2示出了本发明一种基于奇异谱分析的位平面降噪系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于奇异谱分析的位平面降噪方法的流程图。
如图1所示,本发明第一方面提供了一种基于奇异谱分析的位平面降噪方法,包括:
S102,对原信号进行奇异谱分析,生成信号分量并进行重构;
S104,对重构的信号进行噪声程度评估;
S106,将重构的信号转化为位平面矩阵;
S108,计算噪声所占比特位,并进行局部幅度降噪;
S110,将各比特向量还原至十进制表示数,获得被量化信号;
S112,对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。
需要说明的是,将原信号进行奇异谱分析,生成信号分量并进行重构。利用奇异谱分析将信号分解为趋势信号、周期信号、噪声信号等,并保留趋势信号,去除其他信号;
构建矩阵,将奇异值分解运用于矩阵,获取矩阵的特征值,设矩阵
的特征值为,其中。设,是由特征值组成的对角矩阵;设矩阵经过奇异值分解得到的奇异矩阵中的列向量为, ,则,显然和分别是的特征值和对应特征向量的平方,
即;
将特征值较大的奇异谱分量视为一组信号分量,将组中的所有奇异谱分量相加,
得到去噪信号。确定特征值大小的方法为:预设阈值,检验从第一个特征值
累积的额外特征值之和是否大于或等于乘以所有特征值的和,即检验以下不等式:
将信号分量进行重构,即将信号分量矩阵反演为一维信号向量,设为第个
奇异谱分量中第个元素,其中,设,,表示第个奇异谱分量中第行,第列的元素,利用对角线平
均法将分组矩阵反演为一维信号,对角平均的公式表示为:
需要说明的是,所述的对重构的信号进行噪声程度评估,具体为:
对重构的去噪信号进行极大值极小值点的检测,获取检测点个数信息;
预设峰点个数作为判断阈值,当所述检测点个数信息小于判断阈值,则说明重构后的去噪信号不含噪声,无需进行残留噪声的去除;
当所述检测点个数信息大于判断阈值,则说明重构后的去噪信号含有残留噪声。
需要说明的是,所述的将重构的信号转化为位平面矩阵,具体为:
可写成以下形式:
设,则可将长度为的信号转化为的位平面矩阵。
对于矩阵,每一列分别为对应重构信号的各数据点的二进制表示向量。各向量中从上
至下表示从高位到低位的二进制比特位。其中所转化的二进制表示位数取决于硬件存储
信号数据时设置的位深参数。值得注意的是,对于矩阵的元素,第行的元素满足大于0
且小于1,即,除了第行的元素,其他元素为0或1,即或,其中。
需要说明的是,所述的计算噪声所占比特位,并进行局部幅度降噪,具体为:
计算每相邻两点坐标的纵坐标值的差值,获得差分序列,其中;然后对所有元素取绝对值并作统计直方图,该
统计直方图的横坐标为若干个统计区间,纵坐标为位于各区间内的检测点个数。取个数最
多的对应统计区间的中间值为噪声幅度。在本发明中该统计直方图中的直方柱个数
设置为10;
需要说明的是,本发明包括:将各比特向量还原至十进制表示数,获得被量化信号,对所述被量化信号进行奇异谱分析进行光滑化处理以去除量化误差,获得最终降噪信号。
图2示出了本发明一种基于奇异谱分析的位平面降噪系统的框图。
本发明第二方面还提供了一种基于奇异谱分析的位平面降噪系统2,该系统包括:存储器21、处理器22,所述存储器中包括一种基于奇异谱分析的位平面降噪方法程序,所述一种基于奇异谱分析的位平面降噪方法程序被所述处理器执行时实现如下步骤:
对原信号进行奇异谱分析,生成信号分量并进行重构;
对重构的信号进行噪声程度评估;
将重构的信号转化为位平面矩阵;
计算噪声所占比特位,并进行局部幅度降噪;
将各比特向量还原至十进制表示数,获得被量化信号;
对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。
需要说明的是,将原信号进行奇异谱分析,生成信号分量并进行重构。利用奇异谱分析将信号分解为趋势信号、周期信号、噪声信号等,并保留趋势信号,去除其他信号;
构建矩阵,将奇异值分解运用于矩阵,获取矩阵的特征值,设矩阵
的特征值为,其中。设,是由特征值组成的对角矩阵;设矩阵经过奇异值分解得到的奇异矩阵中的列向量为, ,则,显然和分别是的特征值和对应特征向量的平方,
即;
将特征值较大的奇异谱分量视为一组信号分量,将组中的所有奇异谱分量相加,
得到去噪信号。确定特征值大小的方法为:预设阈值,检验从第一个特征值
累积的额外特征值之和是否大于或等于乘以所有特征值的和,即检验以下不等式:
将信号分量进行重构,即将信号分量矩阵反演为一维信号向量,设为第个奇
异谱分量中第个元素,其中,设,,表示第个奇异谱分量中第行,第列的元素,利用对角线平均法将分组矩阵反演
为一维信号,对角平均的公式表示为:
需要说明的是,所述的对重构的信号进行噪声程度评估,具体为:
对重构的去噪信号进行极大值极小值点的检测,获取检测点个数信息;
预设峰点个数作为判断阈值,当所述检测点个数信息小于判断阈值,则说明重构后的去噪信号不含噪声,无需进行残留噪声的去除;
当所述检测点个数信息大于判断阈值,则说明重构后的去噪信号含有残留噪声。
需要说明的是,所述的将重构的信号转化为位平面矩阵,具体为:
可写成以下形式:
设,则可将长度为的信号转化为的位平面矩阵。
对于矩阵,每一列分别为对应重构信号的各数据点的二进制表示向量。各向量中从上
至下表示从高位到低位的二进制比特位。其中所转化的二进制表示位数取决于硬件存储
信号数据时设置的位深参数。值得注意的是,对于矩阵的元素,第行的元素满足大于0
且小于1,即,除了第行的元素,其他元素为0或1,即或,其中。
需要说明的是,所述的计算噪声所占比特位,并进行局部幅度降噪,具体为:
计算每相邻两点坐标的纵坐标值的差值,获得差分序列,其中;然后对所有元素取绝对值并作统计直方图,该
统计直方图的横坐标为若干个统计区间,纵坐标为位于各区间内的检测点个数。取个数最
多的对应统计区间的中间值为噪声幅度。在本发明中该统计直方图中的直方柱个数
设置为10;
需要说明的是,本发明包括:将各比特向量还原至十进制表示数,获得被量化信号,对所述被量化信号进行奇异谱分析进行光滑化处理以去除量化误差,获得最终降噪信号。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于奇异谱分析的位平面降噪方法程序,所述一种基于奇异谱分析的位平面降噪方法程序被处理器执行时,实现如上述任一项所述的一种基于奇异谱分析的位平面降噪方法的步骤。
本发明公开了一种基于奇异谱分析的位平面降噪方法、系统及存储介质,涉及信号处理技术领域,包括:对原信号进行奇异谱分析,获得信号分量并重构;对重构的信号进行噪声程度评估;将重构的信号转化为位平面矩阵;计算噪声所占比特位,并进行局部幅度降噪;将各比特向量还原至十进制表示数,获得被量化信号,对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。本发明通过自适应降噪,解决了传统奇异谱降噪方法中重构信号噪声残留、原信号失真等问题,能够有效去除残留噪声,同时结合能量和局部幅度减少计算时间,提高了信号降噪的效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于奇异谱分析的位平面降噪方法,其特征在于,包括以下步骤:
对原信号进行奇异谱分析,生成信号分量并进行重构;
对重构的信号进行噪声程度评估;
将重构的信号转化为位平面矩阵;
计算噪声所占比特位,并进行局部幅度降噪;
将各比特向量还原至十进制表示数,获得被量化信号;
对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。
3.根据权利要求1所述的一种基于奇异谱分析的位平面降噪方法,其特征在于,所述的对重构的信号进行噪声程度评估,具体为:
对重构的去噪信号进行极大值极小值点的检测,获取检测点个数信息;
预设峰点个数作为判断阈值,当所述检测点个数信息小于判断阈值,则说明重构后的去噪信号不含噪声,无需进行残留噪声的去除;
当所述检测点个数信息大于判断阈值,则说明重构后的去噪信号含有残留噪声。
5.根据权利要求1所述的一种基于奇异谱分析的位平面降噪方法,其特征在于,所述的计算噪声所占比特位,并进行局部幅度降噪,具体为:
检测重构信号的极大值点与极小值点,获取检测点个数,记录所有检测点坐标,将所述检测点的坐标按时间顺序排序,获得对应横坐标与纵坐标序列;
计算每相邻两点坐标的纵坐标值的差值,获得差分序列,对所述差分序列中所有元素取绝对值并作统计直方图,取检测点个数最多的对应统计区间的中间值为噪声幅度;
根据所述噪声幅度,按照预设计算方式获得对应噪声所占比特位;
根据所述噪声所占比特位与位平面矩阵,获得局部幅度降噪信号对应的位平面矩阵。
6.根据权利要求1所述的一种基于奇异谱分析的位平面降噪方法,其特征在于,包括:将各比特向量还原至十进制表示数,获得被量化信号,对所述被量化信号进行奇异谱分析进行光滑化处理以去除量化误差,获得最终降噪信号。
7.一种基于奇异谱分析的位平面降噪系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种基于奇异谱分析的位平面降噪方法程序,所述一种基于奇异谱分析的位平面降噪的方法程序被所述处理器执行时实现如下步骤:
对原信号进行奇异谱分析,生成信号分量并进行重构;
对重构的信号进行噪声程度评估;
将重构的信号转化为位平面矩阵;
计算噪声所占比特位,并进行局部幅度降噪;
将各比特向量还原至十进制表示数,获得被量化信号;
对被量化信号进行光滑化处理以去除量化误差,获得最终降噪信号。
9.根据权利要求7所述的一种基于奇异谱分析的位平面降噪系统,其特征在于,所述的计算噪声所占比特位,并进行局部幅度降噪,具体为:
检测重构信号的极大值点与极小值点,获取检测点个数,记录所有检测点坐标,将所述检测点的坐标按时间顺序排序,获得对应横坐标与纵坐标序列;
计算每相邻两点坐标的纵坐标值的差值,获得差分序列,对所述差分序列中所有元素取绝对值并作统计直方图,取检测点个数最多的对应统计区间的中间值为噪声幅度;
根据所述噪声幅度,按照预设计算方式获得对应噪声所占比特位;
根据所述噪声所占比特位与位平面矩阵,获得局部幅度降噪信号对应的位平面矩阵。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种基于奇异谱分析的位平面降噪方法程序,所述一种基于奇异谱分析的位平面降噪方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种基于奇异谱分析的位平面降噪方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210078718.7A CN114118177B (zh) | 2022-01-24 | 2022-01-24 | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210078718.7A CN114118177B (zh) | 2022-01-24 | 2022-01-24 | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114118177A true CN114118177A (zh) | 2022-03-01 |
CN114118177B CN114118177B (zh) | 2022-04-26 |
Family
ID=80361195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210078718.7A Active CN114118177B (zh) | 2022-01-24 | 2022-01-24 | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118177B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564999A (zh) * | 2022-04-27 | 2022-05-31 | 西湖欧米(杭州)生物科技有限公司 | 用于质谱数据的降噪方法、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040006582A1 (en) * | 2002-07-03 | 2004-01-08 | Nec Corporation | Digital image coding device and method |
US20190033314A1 (en) * | 2016-02-11 | 2019-01-31 | La Trobe University | Method of diagnosis |
CN113640891A (zh) * | 2021-08-11 | 2021-11-12 | 吉林大学 | 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法 |
CN113836704A (zh) * | 2021-09-06 | 2021-12-24 | 广州大学 | 一种基于改进奇异谱分析的时间序列降噪方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9813718B2 (en) * | 2013-10-03 | 2017-11-07 | Samsung Display Co., Ltd. | Apparatus and method for compact bit-plane data compression |
-
2022
- 2022-01-24 CN CN202210078718.7A patent/CN114118177B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040006582A1 (en) * | 2002-07-03 | 2004-01-08 | Nec Corporation | Digital image coding device and method |
US20190033314A1 (en) * | 2016-02-11 | 2019-01-31 | La Trobe University | Method of diagnosis |
CN113640891A (zh) * | 2021-08-11 | 2021-11-12 | 吉林大学 | 一种基于奇异谱分析的瞬变电磁探测数据噪声滤除方法 |
CN113836704A (zh) * | 2021-09-06 | 2021-12-24 | 广州大学 | 一种基于改进奇异谱分析的时间序列降噪方法及装置 |
Non-Patent Citations (1)
Title |
---|
KEH-SHIH CHUANG 等: "Noise Content Analysis in Clinical Digital Images", 《RADIOGRAPHICS: A REVIEW PUBLICATION OF THE RADIOLOGICAL SOCIETY OF NORTH AMERICA, INC》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564999A (zh) * | 2022-04-27 | 2022-05-31 | 西湖欧米(杭州)生物科技有限公司 | 用于质谱数据的降噪方法、装置和存储介质 |
CN114564999B (zh) * | 2022-04-27 | 2022-08-26 | 西湖欧米(杭州)生物科技有限公司 | 用于质谱数据的降噪方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114118177B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chouhan et al. | Enhancement of dark and low‐contrast images using dynamic stochastic resonance | |
Kim et al. | Compressed sensing using a Gaussian scale mixtures model in wavelet domain | |
Gu et al. | Detrending moving average algorithm for multifractals | |
US7233700B2 (en) | System and method for signal matching and characterization | |
US20140132429A1 (en) | Method for data compression and inference | |
Li et al. | Adaptive compressive sensing of images using spatial entropy | |
CN114118177B (zh) | 一种基于奇异谱分析的位平面降噪方法、系统及存储介质 | |
CN112001246A (zh) | 一种基于奇异值分解的局部放电类型识别方法及装置 | |
Sadhukhan et al. | Electrocardiogram data compression using adaptive bit encoding of the discrete Fourier transforms coefficients | |
Arildsen et al. | Compressed sensing with linear correlation between signal and measurement noise | |
CN116012263A (zh) | 一种图像噪声去除方法、装置、存储介质及电子设备 | |
CN106778692B (zh) | 一种基于s变换的电缆局部放电信号识别方法及装置 | |
Rahman et al. | Mental task classification scheme utilizing correlation coefficient extracted from interchannel intrinsic mode function | |
CN109991578B (zh) | 基于盲压缩核字典学习的多分量雷达信号调制识别方法 | |
CN109559357B (zh) | 一种基于小波包阈值的图像块压缩感知重构方法 | |
CN107895387B (zh) | Mri图像重建方法及装置 | |
CN113392916B (zh) | 基于高光谱图像的麻竹笋营养成分检测方法、系统和存储介质 | |
CN114764619B (zh) | 一种基于量子线路的卷积操作方法及装置 | |
CN111107360B (zh) | 一种光谱-空间维联合的高光谱图像无损压缩方法及系统 | |
Jia et al. | Fractional‐integral‐operator‐based improved SVM for filtering salt‐and‐pepper noise | |
Starck et al. | An overview of inverse problem regularization using sparsity | |
Kuang et al. | Reconstructing signal from quantized signal based on singular spectral analysis | |
Thepade et al. | New clustering algorithm for Vector Quantization using Haar sequence | |
CN111008356A (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
Ibaida et al. | ECG compression technique using fast fractals in the Internet of medical things |
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 |