CN114936571B - 噪声抑制方法、装置、设备及存储介质 - Google Patents
噪声抑制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114936571B CN114936571B CN202210355203.7A CN202210355203A CN114936571B CN 114936571 B CN114936571 B CN 114936571B CN 202210355203 A CN202210355203 A CN 202210355203A CN 114936571 B CN114936571 B CN 114936571B
- Authority
- CN
- China
- Prior art keywords
- component
- eigenmode
- signal
- noise
- dominant
- 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
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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
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)
- Radar Systems Or Details Thereof (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种噪声抑制方法、装置、设备及存储介质,属于信号处理技术领域。该方法包括:获取原始含噪信号;利用互补集合经验模态分解算法将其分解为多个本征模态分量;基于其时域特征信息,从中确定出第一分界分量,以划分出噪声主导分量以及第一信号主导分量;再次利用该算法将第一分界分量以及相邻的第一信号分量分解为多个本征模态子分量,并根据其时域特征信息,筛选出第二信号主导分量;将剩余的第一信号主导分量和第二信号主导分量进行叠加,得到去噪信号。本发明对分界点附近的分量信号进行二次分解,将分界点附近更易混杂在一起的噪声和信号完全分离开,从而在抑制信号的同时,尽可能多的保留有用信号。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种噪声抑制方法、装置、设备及存储介质。
背景技术
在实际信号采集过程中,由于受系统内部与外界环境等因素的影响,常会导致所采集到的信号数据中包含有噪声干扰,从而影响对信号的分析与处理。传统的频域滤波方法能够将不同频段的信号与噪声分离,适用于平稳信号分析,而对于非平稳信号,则难以奏效。对于非平稳信号,可以采用小波降噪、经验模态分解降噪、集合经验模态分解以及互补集合经验模态分解等多种方法进行信号降噪。
但是,对于最新的互补集合经验模态分解,即CEEMD方法,其虽然可以解决经验模态分解降噪方式中存在的模态混叠问题,以及集合经验模态分解中的辅助白噪声残留与计算效率低等问题,但对CEEMD分解得到的各本征模态函数(IMF)分量,却难以有效区分噪声主导IMF分量与信号主导IMF分量。而对于噪声主导IMF分量与信号主导IMF分量分界点附近的IMF分量,有用信号和噪声更易混杂在一起,传统的CEEMD法难以将信号和噪声完全分离开。
发明内容
本发明的主要目的在于提供一种噪声抑制方法、装置、设备及存储介质,旨在解决现有技术中难以将信号和噪声完全分离开的技术问题。
根据本发明的第一方面,提供了一种噪声抑制方法,所述方法包括:
获取原始含噪信号;
利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;任一所述本征模态分量具有时域特征信息;
基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;
利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;
将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号;所述剩余信号主导本征模态分量,为至少一个所述第一信号主导本征模态分量中除去与所述第一分界分量相邻的第一信号主导本征模态分量的部分。
可选地,所述基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量之前,所述方法还包括:
根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从所述时域特征信息中确定出第一目标时域特征信息;
所述基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,包括:
基于多个所述本征模态分量的第一目标时域特征信息,从多个所述本征模态分量中确定出所述第一分界分量。
可选地,所述利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量,包括:
将阶数小于第一分界分量阶数的本征模态分量以及所述第一分界分量作为所述噪声主导本征模态分量;
将阶数大于所述第一分界分量阶数的本征模态分量作为所述第一信号主导本征模态分量;所述阶数依据所述互补集合经验模态分解算法的分解次序确定。
可选地,所述本征模态子分量包括噪声本征模态子分量以及信号本征模态子分量,所述利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,包括:
利用互补集合经验模态分解算法,将所述第一分界分量分解为多个噪声本征模态子分量;
将阶数比所述第一分界分量阶数大1的第一信号主导本征模态分量分解为多个信号本征模态子分量。
可选地,任一所述本征模态子分量具有时域特征信息,所述根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量,包括:
针对任一所述噪声本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第二目标时域特征信息;
根据多个所述噪声本征模态子分量的第二目标时域特征信息,确定出第二分界分量;
针对任一所述信号本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第三目标时域特征信息;
根据多个所述信号本征模态子分量的第三目标时域特征信息,确定出第三分界分量;
将阶数大于第二分界分量阶数的噪声本征模态子分量以及阶数大于第三分界分量阶数的信号本征模态子分量作为所述第二信号主导本征模态分量。
可选地,所述将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号,包括:
根据第一公式,将所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到所述去噪信号;其中,所述第一公式为:
其中,y(t)为所述去噪信号,a为所述第一分界分量阶数,b为所述第二分界分量阶数,d为所述第三分界分量阶数,n为所述本征模态分量的最大阶数,m为所述噪声本征模态子分量的最大阶数,l为所述信号本征模态子分量的最大阶数,IMFi为第i阶本征模态分量,IMFa,j为第j阶噪声本征模态子分量,IMFa+1,k为第k阶信号本征模态子分量。
根据本发明的第二方面,提供了一种噪声抑制装置,所述装置包括:
信号获取模块,用于获取原始含噪信号;
一次分解模块,用于利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;任一所述本征模态分量具有时域特征信息;
信噪划分模块,用于基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;
二次分解模块,用于利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;
信号叠加模块,用于将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号;所述剩余信号主导本征模态分量,为至少一个所述第一信号主导本征模态分量中除去与所述第一分界分量相邻的第一信号主导本征模态分量的部分。
可选地,所述信号叠加模块具体用于根据第一公式,将所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到所述去噪信号。
根据本发明的第三方面,提供了一种噪声抑制设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的噪声抑制程序,所述噪声抑制程序被所述处理器执行时实现第一方面的实现方式中的任一种可能的实现方式中所述的各个步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有噪声抑制程序,所述噪声抑制程序被处理器执行时实现第一方面的实现方式中的任一种可能的实现方式中所述的各个步骤。
本发明实施例提出一种噪声抑制方法、装置、设备及存储介质,通过噪声抑制设备获取原始含噪信号;利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号。
本发明区别于现有技术中难以将信号和噪声完全分离开的情况,在对原始含噪信号进行一次互补集合经验模态分解分离出噪声主导分量与信号主导分量的基础上,考虑到分界点附近的噪声主导分量可能含有有用信号,而分界点附近的信号主导分量也可能含有噪声,因此对分界点附近的分量信号进行二次分解处理,以进一步将噪声以及信号分离开,从而实现在抑制噪声的同时,尽可能多的保留有用信号。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的噪声抑制设备的结构示意图;
图2为本发明噪声抑制方法的第一实施例的流程示意图;
图3为本发明图2中S203的步骤的细化流程示意图;
图4为本发明图2中S204的步骤的细化流程示意图;
图5为本发明图2中S204的步骤的细化流程示意图;
图6为本发明实施例涉及的噪声抑制装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本发明实施例的主要解决方案是:获取原始含噪信号;利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号。
在实际信号采集过程中,由于受系统内部与外界环境等因素的影响,常会导致所采集到的信号数据中包含有噪声干扰,从而影响对信号的分析与处理。传统的频域滤波方法能够将不同频段的信号与噪声分离,适用于平稳信号分析,而对于非平稳信号,则难以奏效。对于非平稳信号,可以采用小波降噪、经验模态分解降噪、集合经验模态分解以及互补集合经验模态分解等多种方法进行信号降噪。但是,对于最新的互补集合经验模态分解,即CEEMD方法,其虽然可以解决经验模态分解降噪方式中存在的模态混叠问题,以及集合经验模态分解中的辅助白噪声残留以及计算效率低等问题,但对CEEMD分解得到的各本征模态函数(IMF)分量,却难以有效区分噪声主导IMF分量与信号主导IMF分量。而对于噪声主导IMF分量与信号主导IMF分量分界点附近的IMF分量,有用信号和噪声更易混杂在一起,传统的CEEMD法难以将信号和噪声完全分离开。
本发明提供一种解决方案,该方案用于噪声抑制设备,在对原始含噪信号进行一次互补集合经验模态分解分离出噪声主导分量与信号主导分量的基础上,考虑到分界点附近的噪声主导分量可能含有有用信号,而分界点附近的信号主导分量也可能含有噪声,因此对分界点附近的分量信号进行二次分解处理,以进一步将噪声以及信号分离开,从而实现在抑制噪声的同时,尽可能多的保留有用信号。
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的实施例,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做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。
本发明实施例的说明书和权利要求书中的“第一”、“第二”用于区别类似的对象,而不必用于描述特定的顺序或者先后次序,应该理解这样的数据在适当的情况下可以互换,以便这里描述的实施例能够以除了这里图示或者描述的那些以外的顺序实施。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的噪声抑制设备的结构示意图。
如图1所示,该噪声抑制设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对噪声抑制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、信号获取模块、信号分解模块、信号叠加模块以及噪声抑制程序,其中,信号分解模块又可细化为一次分解模块、信噪划分模块以及二次分解模块。
在图1所示的噪声抑制设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明噪声抑制设备中的处理器1001、存储器1005可以设置在噪声抑制设备中,噪声抑制设备通过处理器1001调用存储器1005中存储的噪声抑制程序,并执行本发明实施例提供的噪声抑制方法。
基于上述硬件结构但不限于上述硬件结构,本发明提供一种噪声抑制方法第一实施例。参照图2,图2为本发明噪声抑制方法第一实施例的流程示意图。
本实施例中,该方法包括:
步骤S201,获取原始含噪信号;
在本实施例中,执行主体为噪声抑制设备,该噪声抑制设备可以是pc计算机,也可以是专用的具有去噪功能的电子设备,本实施例对此不作限制。该原始含噪信号可以是噪声抑制设备主动请求后台数据库得到的信号,也可以是被动的接收用户输入所得到的信号。
步骤S202,利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;
互补集合经验模态分解算法,即CEEMD是基于EEMD(集合经验模态分解算法)的改进方法,它与EEMD方法的主要区别在于它是以正、负对的形式向原始信号中加入辅助白噪声,因而能够更好地抵消残留的辅助白噪声,减少加入辅助白噪声的重复次数。在本实施例中,为避免EMD(经验模态分解算法)分解存在的模态混叠问题以及EEMD分解存在的辅助白噪声残留、计算效率低等问题,将采用CEEMD对原始含噪信号进行分解,并基于对所分解各IMF(本征模态函数)分量的时域特征分析来确定噪声主导IMF分量(即噪声主导本征模态分量)与信号主导IMF分量(即信号主导本征模态分量)的分界点。
具体的,互补集合经验模态分解算法可以将该原始含噪信号分解为多个IMF分量,即上述多个本征模态分量,可将这多个本征模态分量分别记为IMF1、IMF2、……、IMFn。其中,右下角标为本征模态分量的阶数,以区分不同的分量,其中,不同本征模态分量的阶数是依据分解的次序得到的,比如第一次分解得到的分量就是第一阶本征模态分量,第二次分解得到的分量就是第二阶本征模态分量,以此类推,并且对于互补集合经验模态分解算法,其得到的低阶分量一般主要对应于信号中的高频部分,高阶分量一般主要对应于信号中的低频部分,而由于噪声频率往往高于信号频率,因此噪声往往集中于低阶分量部分,而信号往往集中于高阶分量部分,可据此将信号和噪声进行分离。
步骤S203,基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;
如上所述,噪声往往集中于低阶分量部分,而信号往往集中于高阶分量部分,在此基础上,如果可以找出信号与噪声的分界点,即第一分界分量,那么相应的,阶数比该第一分界分量的阶数低的就属于噪声主导本征模态分量,阶数比该第一分界分量的阶数高的就属于第一信号主导本征模态分量。
不难理解,对于一个含噪信号,其中的噪声和信号所具有的时域特征之间肯定是存在差异的,相应的,分解得到的噪声主导分量和信号主导分量所具有的时域特征之间也是存在差异的,因此本实施例中可以通过不同本征模态分量的时域特征信息进行判断,可以理解的,噪声主导本征模态分量(下文简称为噪声主导分量)一般会具有与原始含噪信号中的背景噪声相似或一致的噪声特征,而信号主导本征模态分量(下文简称为信号主导分量)则不会,因此可据此进行分析判断。
具体的,对于任一个本征模态分量,其一般具有多种时域特征信息,在时域特征分析中,常用的典型时域特征包括:均方根、脉冲因子、方差、峭度因子等。其中,均方根和方差反映的是信号的波动程度和离散程度;脉冲因子、峭度因子能够反映振动信号的冲击特性;相应的,原始含噪信号中背景噪声的噪声特征包括冲击型、震荡型等。举例说明,若原始含噪信号中的背景噪声呈间歇性冲击型,则可判定该噪声特征为冲击型噪声,相应的可选用脉冲因子或峭度因子进行分析,以峭度因子为例,可以根据各个本征模态分量的峭度因子之间的最大下降跳变点来确定该第一分界分量,比如当第a个,也即第a阶本征模态分量的峭度因子Ka出现最大下降跳变(Ka/Ka+1取最大值)时,则把对应的阶数a作为噪声主导分量和第一信号主导分量的分界点,相应的第a阶本征模态分量即为该第一分界分量。
需要说明的是,上述过程只是以冲击型噪声为例,不代表本实施例中只能以冲击型噪声为标准进行处理,也不代表本实施例中只能以噪声的特征类型为标准进行处理,在实际应用中,可以根据实际情况,挑选出最为明显的噪声或信号的特征作为标准进行处理,也就是说,只要该特征能够明显的表现出信号与噪声之间的差异即可。
在一具体实施方式中,参照图3,图3为本发明图2中S203的步骤的细化流程示意图,所述利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量,包括:
步骤A10,将阶数小于第一分界分量阶数的本征模态分量以及所述第一分界分量作为所述噪声主导本征模态分量;
步骤A20,将阶数大于所述第一分界分量阶数的本征模态分量作为所述第一信号主导本征模态分量。
在得到了上述第一分界分量后,由于噪声一般集中于低阶分量,而信号一般集中于高阶分量,因此可以将阶数小于第一分界分量阶数的本征模态分量确定为噪声主导分量,将阶数大于第一分界分量阶数的本征模态分量确定为第一信号主导分量,特别的,对于第一分界分量,其也属于噪声主导分量,也就是说,第一分界分量是位于分界点处的,阶数最高的噪声主导分量。
步骤S204,利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;
上述步骤利用一次CEEMD分解对信号和噪声完成了第一次的划分,此时虽然可以有效解决传统去噪方法中存在的模态混叠、辅助白噪声残留、计算效率低等多种问题,但对于分界点附近的分量,即第一分界分量和与第一分界分量相邻的第一信号主导分量,难免会出现信噪混杂的情况,即第一分界分量中可能混杂有信号成分,而阶数与第一分界分量相邻的第一信号主导分量中可能混杂有噪声成分,故为了进一步提高去噪质量,并且尽可能多的保留有用信号,本实施例中还将对分界点附近的分量进行二次分解处理,以筛选出第二信号主导本征模态分量(下文简称为第二信号主导分量)。
在一具体实施方式中,参照图4,图4为本发明图2中S204的步骤的细化流程示意图,所述利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,包括:
步骤B10,利用互补集合经验模态分解算法,将所述第一分界分量分解为多个噪声本征模态子分量;
如上所述,第一分界分量为阶数最大的噪声主导分量,也即距离第一信号主导分量最近的噪声主导分量,因此,第一分界分量中容易混杂有信号成分,因此,本实施例中可以对第一分界分量进行二次分解,以便于后续从分解得到的多个噪声本征模态子分量(下文简称为噪声子分量)中提取出其中的信号成分。具体的,假设第一分界分量的阶数为a,则其可用IMFa表示,利用CEEMD算法对其进行二次分解,得到m个噪声子分量,可以分别记为IMFa,1、IMFa,2、……、IMFa,m。
步骤B20,将阶数比所述第一分界分量阶数大1的第一信号主导本征模态分量分解为多个信号本征模态子分量。
比第一分界分量阶数大1的第一信号主导分量,不难理解,其是阶数最小的第一信号分量,也即距离噪声主导分量最近的信号分量,因此,该比第一分界分量阶数大1的第一信号主导分量中容易混杂有噪声成分,因此,本实施例中可以对该第一信号主导分量进行二次分解,以便于后续从分解得到的多个信号本征模态子分量(下文简称为信号子分量)中分离出其中的噪声成分而保留信号成分。具体的,由于第一分界分量的阶数为a,则该比第一分界分量阶数大1的第一信号分量阶数为a+1,可用IMFa+1表示,利用CEEMD算法对其进行二次分解,得到l个信号子分量,可以分别记为IMFa+1,1、IMFa+1,2、……、IMFa+1,l。
在一具体实施方式中,参照图5,图5为本发明图2中S204的步骤的细化流程示意图,所述根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量,包括:
步骤C10,针对任一所述噪声本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第二目标时域特征信息;
步骤C20,根据多个所述噪声本征模态子分量的第二目标时域特征信息,确定出第二分界分量;
对于任一个噪声子分量,其也具有均方根、脉冲因子、方差、峭度因子等多种时域特征信息,可以理解的,二次分解只是对对应的噪声子分量进行了进一步的更细致的分解,对于其中的噪声成分,其也与原始含噪信号的噪声特征一致或相似,因此依然可以利用上述方式对对应的时域特征信息进行分析,得到对应的第二分界分量。比如对于冲击型的噪声,也可以如上所述基于各子分量的峭度因子进行分析处理,然后确定出分界点对应的阶数,从而确定出第二分界分量。具体的实施方式与上述步骤S203的描述基本一致,在此不再赘述。
步骤C30,针对任一所述信号本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第三目标时域特征信息;
步骤C40,根据多个所述信号本征模态子分量的第三目标时域特征信息,确定出第三分界分量;
对于任一个信号子分量,其也具有均方根、脉冲因子、方差、峭度因子等多种时域特征信息,可以理解的,二次分解只是对对应的信号子分量进行了进一步的更细致的分解,对于其中的噪声成分,其也与原始含噪信号的噪声特征一致或相似,因此依然可以利用上述方式对对应的时域特征信息进行分析,得到对应的第三分界分量。比如对于冲击型的噪声,也可以如上所述基于各子分量的峭度因子进行分析处理,然后确定出分界点对应的阶数,从而确定出第三分界分量。具体的实施方式与上述步骤S203的描述基本一致,在此不再赘述。
步骤C50,将阶数大于第二分界分量阶数的噪声本征模态子分量以及阶数大于第三分界分量阶数的信号本征模态子分量作为所述第二信号主导本征模态分量。
如上所述,各本征模态分量中的噪声分量往往集中于高频、低阶的部分,而信号分量往往集中于低频、高阶的部分,而本征模态子分量为本征模态分量的更细致的分解,所以各个本征模态子分量中的信号成分以及噪声成分也满足这一分布规律。基于此,在上述得到了多个噪声子分量对应的第二分界分量以及多个信号子分量对应的第三分界分量后,即可根据这两个分界分量的阶数,筛选出对应的第二信号分量。具体的,将阶数大于第二分界分量阶数的噪声子分量以及阶数大于第三分界分量阶数的信号子分量作为第二信号分量。
步骤S205,将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号。
在一次分解得到上述至少一个第一信号主导分量后,第一信号主导分量中与分界点相邻的,即阶数最小、距离噪声主导分量最近的一个信号主导分量将会参与后续的二次分解,而在二次分解得到上述第二信号主导分量后,即可利用第一公式将第一信号主导分量中的除去参与二次分解分量的剩余信号主导本征模态分量,以及第二信号主导本征模态分量进行叠加,得到抑制噪声后的有用信号,即去噪信号。其中,该第一公式为:
其中,y(t)为所述去噪信号,a为所述第一分界分量阶数,b为所述第二分界分量阶数,d为所述第三分界分量阶数,n为所述本征模态分量的最大阶数,m为所述噪声本征模态子分量的最大阶数,l为所述信号本征模态子分量的最大阶数,IMFi为第i阶本征模态分量,IMFa,j为第j阶噪声本征模态子分量,IMFa+1,k为第k阶信号本征模态子分量。
由上述公式以及相关注释不难看出,去噪信号主要由三个部分相加得到,其中,该公式第一项即为上述得到的第一信号主导分量中,除去阶数比第一分界分量大1的分量,即除去参与后续二次分解操作的分量的部分,第二项即为上述得到的第二信号主导分量中来自二次分解的噪声子分量的部分,第三项即为上述得到的第二信号主导分量中来自二次分解的信号子分量的部分,如此一来将两次分解得到的各个信号主导分量相加起来,即可得到最终的去噪信号。
本实施例中,首先对原始含噪信号进行一次CEEMD分解,得到第一信号主导分量,由此可以有效解决传统去噪方法中存在的模态混叠、辅助白噪声残留、计算效率低等多种问题;在此基础上,考虑到第一信号主导分量与噪声主导分量的分界点附近的分量容易出现噪声和信号的混杂,因此对该部分的分量进行二次CEEMD分解,从而更进一步的、更细致的去除噪声分量并提取出信号分量,进而实现在有效抑制噪声干扰的同时尽可能多的保留有用信号,以保证其完整性。
基于同一发明构思,本发明实施例还提供一种噪声抑制装置,参照图6所示,包括:
信号获取模块,用于获取原始含噪信号;
一次分解模块,用于利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;任一所述本征模态分量具有时域特征信息;
信噪划分模块,用于基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;
二次分解模块,用于利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;
信号叠加模块,用于将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号;
其中,信号叠加模块具体用于根据第一公式,将所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到所述去噪信号。
此外,在一实施例中,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述方法实施例中方法的步骤。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper Text MarkupLanguage)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种噪声抑制方法,其特征在于,所述方法包括:
获取原始含噪信号;
利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;任一所述本征模态分量具有时域特征信息;
基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;
利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;
将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号;所述剩余信号主导本征模态分量,为至少一个所述第一信号主导本征模态分量中除去与所述第一分界分量相邻的第一信号主导本征模态分量的部分;
所述本征模态子分量包括噪声本征模态子分量以及信号本征模态子分量,所述利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,包括:
利用互补集合经验模态分解算法,将所述第一分界分量分解为多个噪声本征模态子分量;
将阶数比所述第一分界分量阶数大1的第一信号主导本征模态分量分解为多个信号本征模态子分量;
任一所述本征模态子分量具有时域特征信息,所述根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量,包括:
针对任一所述噪声本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第二目标时域特征信息;
根据多个所述噪声本征模态子分量的第二目标时域特征信息,确定出第二分界分量;
针对任一所述信号本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第三目标时域特征信息;
根据多个所述信号本征模态子分量的第三目标时域特征信息,确定出第三分界分量;
将阶数大于第二分界分量阶数的噪声本征模态子分量以及阶数大于第三分界分量阶数的信号本征模态子分量作为所述第二信号主导本征模态分量;
所述将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号,包括:
根据第一公式,将所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到所述去噪信号;其中,所述第一公式为:
;
其中,y(t)为所述去噪信号,a为所述第一分界分量阶数,b为所述第二分界分量阶数,d为所述第三分界分量阶数,n为所述本征模态分量的最大阶数,m为所述噪声本征模态子分量的最大阶数,l为所述信号本征模态子分量的最大阶数,IMFi为第i阶本征模态分量,IMFa,j为第j阶噪声本征模态子分量,IMFa+1,k为第k阶信号本征模态子分量。
2.根据权利要求1所述的方法,其特征在于,所述基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量之前,所述方法还包括:
根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从所述时域特征信息中确定出第一目标时域特征信息;
所述基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,包括:
基于多个所述本征模态分量的第一目标时域特征信息,从多个所述本征模态分量中确定出所述第一分界分量。
3.根据权利要求2所述的方法,其特征在于,所述利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量,包括:
将阶数小于第一分界分量阶数的本征模态分量以及所述第一分界分量作为所述噪声主导本征模态分量;
将阶数大于所述第一分界分量阶数的本征模态分量作为所述第一信号主导本征模态分量;所述阶数依据所述互补集合经验模态分解算法的分解次序确定。
4.一种噪声抑制装置,其特征在于,所述装置包括:
信号获取模块,用于获取原始含噪信号;
一次分解模块,用于利用互补集合经验模态分解算法将所述原始含噪信号分解为多个本征模态分量;任一所述本征模态分量具有时域特征信息;
信噪划分模块,用于基于多个所述本征模态分量的时域特征信息,从多个所述本征模态分量中确定出第一分界分量,并利用所述第一分界分量将多个所述本征模态分量划分为至少一个噪声主导本征模态分量以及至少一个第一信号主导本征模态分量;
二次分解模块,用于利用互补集合经验模态分解算法将所述第一分界分量以及与所述第一分界分量相邻的第一信号主导本征模态分量分解为多个本征模态子分量,并根据多个所述本征模态子分量的时域特征信息,筛选出第二信号主导本征模态分量;
信号叠加模块,用于将至少一个所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到抑制噪声后的去噪信号;所述剩余信号主导本征模态分量,为至少一个所述第一信号主导本征模态分量中除去与所述第一分界分量相邻的第一信号主导本征模态分量的部分;
三次分解模块,用于利用互补集合经验模态分解算法,将所述第一分界分量分解为多个噪声本征模态子分量;所述本征模态子分量包括噪声本征模态子分量以及信号本征模态子分量;
四次分解模块,用于将阶数比所述第一分界分量阶数大1的第一信号主导本征模态分量分解为多个信号本征模态子分量;
确定特征模块,用于针对任一所述噪声本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第二目标时域特征信息;
确定第二分界分量模块,用于根据多个所述噪声本征模态子分量的第二目标时域特征信息,确定出第二分界分量;
确定特征模块,用于针对任一所述信号本征模态子分量,根据所述原始含噪信号中包含的噪声和信号之间的时域特征差异,从对应的时域特征信息中确定出对应的第三目标时域特征信息;
确定第三分界分量模块,用于根据多个所述信号本征模态子分量的第三目标时域特征信息,确定出第三分界分量;
确定第二信号主导本征模态分量模块,用于将阶数大于第二分界分量阶数的噪声本征模态子分量以及阶数大于第三分界分量阶数的信号本征模态子分量作为所述第二信号主导本征模态分量;
确定去噪信号模块,用于根据第一公式,将所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到所述去噪信号;其中,所述第一公式为:
;
其中,y(t)为所述去噪信号,a为所述第一分界分量阶数,b为所述第二分界分量阶数,d为所述第三分界分量阶数,n为所述本征模态分量的最大阶数,m为所述噪声本征模态子分量的最大阶数,l为所述信号本征模态子分量的最大阶数,IMFi为第i阶本征模态分量,IMFa,j为第j阶噪声本征模态子分量,IMFa+1,k为第k阶信号本征模态子分量。
5.据权利要求4所述的装置,其特征在于,所述信号叠加模块具体用于根据第一公式,将所述第一信号主导本征模态分量中的剩余信号主导本征模态分量和所述第二信号主导本征模态分量进行叠加,得到所述去噪信号。
6.一种噪声抑制设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的噪声抑制程序,所述噪声抑制程序被所述处理器执行时实现如权利要求1至3中任一项所述的噪声抑制方法的步骤。
7.一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上存储有噪声抑制程序,所述噪声抑制程序被处理器执行时实现如权利要求1至3中任一项所述的噪声抑制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355203.7A CN114936571B (zh) | 2022-04-01 | 2022-04-01 | 噪声抑制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355203.7A CN114936571B (zh) | 2022-04-01 | 2022-04-01 | 噪声抑制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936571A CN114936571A (zh) | 2022-08-23 |
CN114936571B true CN114936571B (zh) | 2023-05-05 |
Family
ID=82862229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210355203.7A Active CN114936571B (zh) | 2022-04-01 | 2022-04-01 | 噪声抑制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936571B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871733A (zh) * | 2018-09-27 | 2019-06-11 | 南京信息工程大学 | 一种自适应海杂波信号去噪方法 |
CN110688964A (zh) * | 2019-09-30 | 2020-01-14 | 哈尔滨工程大学 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
CN112800831A (zh) * | 2020-12-24 | 2021-05-14 | 长安大学 | 一种用于时变重力场的emd滤波方法及系统 |
CN113378485A (zh) * | 2021-08-12 | 2021-09-10 | 南京天朗防务科技有限公司 | 一种基于meemd与sg滤波的海杂波去噪方法及装置 |
CN113887362A (zh) * | 2021-09-24 | 2022-01-04 | 上海电力大学 | 一种局部放电信号的特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI538712B (zh) * | 2015-01-26 | 2016-06-21 | 國立交通大學 | 胸腹部運動的監控與反饋系統及其方法與電子裝置 |
-
2022
- 2022-04-01 CN CN202210355203.7A patent/CN114936571B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871733A (zh) * | 2018-09-27 | 2019-06-11 | 南京信息工程大学 | 一种自适应海杂波信号去噪方法 |
CN110688964A (zh) * | 2019-09-30 | 2020-01-14 | 哈尔滨工程大学 | 一种基于稀疏分解的小波阈值与emd联合降噪方法 |
CN112800831A (zh) * | 2020-12-24 | 2021-05-14 | 长安大学 | 一种用于时变重力场的emd滤波方法及系统 |
CN113378485A (zh) * | 2021-08-12 | 2021-09-10 | 南京天朗防务科技有限公司 | 一种基于meemd与sg滤波的海杂波去噪方法及装置 |
CN113887362A (zh) * | 2021-09-24 | 2022-01-04 | 上海电力大学 | 一种局部放电信号的特征提取方法 |
Non-Patent Citations (2)
Title |
---|
Noise Suppression of Microseismic Signals via Adaptive Variational Mode Decomposition and Akaike Information Criterion;Jinyong Zhang 等;Applied Sciences;1-16 * |
海杂波中微弱信号的检测与去噪方法研究;陈伟;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);C036-307 * |
Also Published As
Publication number | Publication date |
---|---|
CN114936571A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Erum et al. | Corruption, natural resources and economic growth: Evidence from OIC countries | |
CN108198154B (zh) | 图像去噪方法、装置、设备及存储介质 | |
Dritsaki et al. | Causal relationship between energy consumption, economic growth and CO2 emissions: A dynamic panel data approach | |
Lütkepohl | General-to-specific or specific-to-general modelling? An opinion on current econometric terminology | |
KR20190042730A (ko) | 신경망을 사용하여 오디오 생성 | |
US11079749B2 (en) | Method and apparatus for automated hazard detection | |
Volpe et al. | From regional to local SPTHA: efficient computation of probabilistic tsunami inundation maps addressing near-field sources | |
DE112014003337T5 (de) | Sprachsignaltrennung und Synthese basierend auf auditorischer Szenenanalyse und Sprachmodellierung | |
CN110969092B (zh) | 脉冲信号去噪方法、装置及终端设备 | |
Maravall | An application of the TRAMO-SEATS automatic procedure; direct versus indirect adjustment | |
Suleiman et al. | Unemployment and economic growth in Tanzania | |
DE112018006885T5 (de) | Trainingsvorrichtung,sprachaktivitätsdetektor und verfahren zur erfassung einer sprachaktivität | |
Ejrnæs et al. | The persistent–transitory representation for earnings processes | |
CN114936571B (zh) | 噪声抑制方法、装置、设备及存储介质 | |
CN110990295B (zh) | 测试用例的验证方法、装置及电子设备 | |
Lucrédio et al. | An investigation on the impact of MDE on software reuse | |
CN106651814B (zh) | 一种图像处理方法和装置 | |
Kujore et al. | Tax revenue and economic growth of telecommunication sector in Nigeria (2001-2018) | |
CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
CN111897851A (zh) | 异常数据的确定方法、装置、电子设备及可读存储介质 | |
Guo et al. | Butterworth low-pass filter for processing inertial navigation system raw data | |
Maravall et al. | Reliability of the automatic identification of ARIMA models in program TRAMO | |
Diebolt | Cliometrics of economic cycles in France | |
DE112015007217T5 (de) | HMM-basiertes adaptives Spektrogrammnachverfolgungsverfahren | |
CN115797318A (zh) | 一种光谱数据预处理方法、装置、计算机设备及存储介质 |
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 |