CN116667920A - 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 - Google Patents
结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 Download PDFInfo
- Publication number
- CN116667920A CN116667920A CN202310386990.6A CN202310386990A CN116667920A CN 116667920 A CN116667920 A CN 116667920A CN 202310386990 A CN202310386990 A CN 202310386990A CN 116667920 A CN116667920 A CN 116667920A
- Authority
- CN
- China
- Prior art keywords
- signal
- principal component
- imf
- hilbert
- noise reduction
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000001052 transient effect Effects 0.000 title claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 15
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提供了一种结合主成分分析与希尔伯特‑黄变换的瞬态信号检测方法,涉及光缆识别信号检测领域。包括以下步骤:将原始信号进行经验模态分解,把分解得到的若干IMF分量作为列向量构建样本矩阵;将所述样本矩阵以奇异值分解的方式进行主成分分析,按照奇异值大小或累计贡献率进行主成分取舍并完成第一次降噪;将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量进行信号重构,实现第二次降噪;完成降噪后的信号按照希尔伯特‑黄变换算法计算瞬时幅度,并作为检测统计量做瞬态信号有无的二元判决。该方法具有很强的自适应性降噪能力,适用于低信噪比环境的瞬态信号检测。
Description
技术领域
本发明涉及光缆识别信号检测领域,特别涉及一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法。
背景技术
因机房搬迁、网络扩容升级导致的光缆线路改造和光缆故障抢修等情况不断涌现,需要快速有效地识别目标光缆。基于光相干解调来识别目标光缆的技术在具体应用时,远地操作者敲击光缆导致光场的幅度和相位发射变化,基站人员通过探测回波干涉信号的幅值变换来判断被敲击的光缆是否为目标光缆。敲击光缆产生的瞬态回波干涉信号持续时间短,属于典型的非线性、非平稳信号。建立在谐波基函数的傅里叶变换和小波基函数的小波变换对于此类信号的分析有其局限性。另外,在环境噪声较严重如光缆某一处被固定挤压,目标光缆与其他线缆绞在一起相互磕碰,所用激光源的相干性较差等情况下,无法保证光缆识别的准确率。如何自适应降噪并有效完成瞬时信号检测的时频分析方法越来越受到关注。
目前常用于非线性、非平稳信号分析的是经验模态分解法。该方法不需要事先设定基函数,而是根据信号自身的时间尺度特征自适应的完成分解。其分解结果是表征不同时间尺度的局部特征信号的若干IMF分量与余量之和,再根据检测要求适当选择IMF分量重构信号,突显某一频率范围内的特征。然而IMF分量不可避免地出现有用成分和噪声模态混叠现象,导致重构信号的同时丢失有用成分,降噪效果不佳。
有鉴于此,特提出本申请。
发明内容
本发明的目的是提供一种具有很强的自适应性降噪能力,可突出原始信号某种瞬态特征的信号检测方法。
本发明采用的技术方案为:
一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,包括以下步骤:
步骤1,将原始信号进行经验模态分解,得到多个IMF分量与余量;
步骤2,将各IMF分量作为列向量构建样本矩阵,对每一个列向量以奇异值分解的方式进行主成分分析,求得各奇异值,并按照奇异值大小或累计贡献率选取主成分IMF分量,完成第一次降噪;
步骤3,将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量,完成第二次降噪并重构信号;
步骤4,基于希尔伯特-黄变换算法计算重构信号的瞬时幅度并作为检测统计量,做瞬态信号有无的二元判决。
进一步的,步骤2具体包括:
步骤201,将各IMF分量作为列向量构建样本矩阵,对列向量的每一个分量进行标准化得到新的样本矩阵Z=(z1,z2,z3,......,zn);其中,xi为列向量的某个IMF分量,m为IMF分量包含的采样点数,n为列向量包含的IMF分量个数;
步骤202,计算标准化样本矩阵的相关系数矩阵
步骤203,设特征值为λi,奇异值为σi,左奇异向量为ui,右奇异向量为vi,则列出矩阵C的特征方程,求得各奇异值及奇异向量:
Cvi=λivi
步骤204,计算前p个奇异值的累计贡献率:
选取奇异值的累计贡献率超过阈值或奇异值大于1的IMF分量视为有效信号,其余的IMF分量被视为噪声。
进一步的,步骤3筛选第二次经验模态分解的有效IMF分量时,按照步骤2所选取的主成分IMF分量的个数来选取有效IMF分量的个数。
本发明基于主成分分析算法,统计奇异值累计贡献率对IMF分量构成的样本矩阵进行降维,从而实现第一次降噪。然后将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量进行第二次降噪,提高噪声抑制性能,提高瞬态特征检测的准确性。
附图说明
图1为本发明实施例瞬态信号检测流程图。
图2为本发明实施例检测到原始信号图。
图3为本发明实施例原始信号的EMD分解结果图。
图4为本发明实施例第一次降噪后的信号图。
图5为本发明实施例第一次降噪后信号的EMD分解结果图。
图6为本发明实施例第二次降噪后的信号图。
图7为本发明实施例希尔伯特变换后的瞬时幅度曲线。
具体实施方式
下面结合附图对本发明做进一步描述。
一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,检测流程如图1所示。
步骤1,将原始信号进行经验模态(EMD)分解得到若干IMF分量与余量。
(1)找出原始信号的极大值点和极小值点,分别拟合出上包络线和下包络线,并计算出平均包络线;
(2)将原始信号减去上述平均包络线,得到第1个IMF分量;原始信号如图2所示;
(3)将原始信号减去第(2)步生成的IMF分量得到新的待检信号。将新的待检信号作为原始信号回到第(1)步重复整个过程,直到余量为单调函数。
经过多次分解后,原信号可表述为
式中:IMFi为第i个IMF分量;rn为余量,n为得到的IMF分量个数。
原始信号的经验模态分解结果如图3所示。
步骤2,将各IMF分量作为列向量构建样本矩阵,对每一个列向量以奇异值分解的方式进行主成分分析,求得各奇异值,并按照奇异值大小或累计贡献率选取主成分IMF分量,完成第一次降噪;第一次降噪后信号的EMD分解结果图如图5所示。
假设原始信号经验模态分解后得到n组IMF分量,其中每组IMF分量包含m个采样点。样本矩阵表示为X(X∈Rm×n)。X=(x1,x2,x3,......,xn),其中x1=IMF1,x2=IMF2,……,xn=IMFn。主成分分析的具体步骤如下:
1)对列向量的每一个分量进行标准化得到新的样本矩阵Z=(z1,z2,z3,......,zn);
2)计算标准化样本矩阵的相关系数矩阵
3)设特征值为λi,奇异值为σi,左奇异向量为ui,右奇异向量为vi,则可以列出矩阵C的特征方程,求得各奇异值及奇异向量:
Cvi=λivi (2)
4)最终选取的主成分的个数按照奇异值的累计贡献率来确定。定义奇异值的贡献率和前p个奇异值的累计贡献率
本实施例中,各主成分分量的奇异值及其贡献率如表1所示。
奇异值的累计贡献率超过80%,或是奇异值大于1的主成分分量视为有效信号,其余的主成分分量被视为噪声。由此判定,选取前三个主成分分量作为有用成分,舍弃其余三个主成分分量。图4为第一次降噪后的信号。
步骤3,将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量,完成第二次降噪并重构信号。
按照步骤2所选取的主成分IMF分量的个数来选取该步骤有效IMF分量的个数。本实施例中,步骤2选取前三个主成分分量,因此该步骤选取前三个IMF分量重构信号并完成第二次降噪。图6为第二次降噪后的信号。
信噪比按照S/N=20LOG(VS/VN)计算,其中VS、VN分别表示信号与噪声的幅值。本实施例中,原始信号和二次降噪后的信号幅度及信噪比如表2所示。降噪处理后,信噪比由6.29dB优化为8.30dB。
步骤4,基于希尔伯特-黄变换算法计算重构信号的瞬时幅度并作为检测统计量,做信号有无的二元判决,瞬时幅度大于门限值时检测到瞬态信号,希尔伯特变换后的瞬时幅度曲线如图7所示。判断是否有瞬态信号的门限值根据实际测试数据的幅度适时调整。本实施例中,门限值设置为0.15,瞬时幅度超过0.15则判断检测到瞬态信号。
Claims (3)
1.一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,其特征在于,包括以下步骤:
步骤1,将原始信号进行经验模态分解,得到多个IMF分量与余量;
步骤2,将各IMF分量作为列向量构建样本矩阵,对每一个列向量以奇异值分解的方式进行主成分分析,求得各奇异值,并按照奇异值大小或累计贡献率选取主成分IMF分量,完成第一次降噪;
步骤3,将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量,完成第二次降噪并重构信号;
步骤4,基于希尔伯特-黄变换算法计算重构信号的瞬时幅度并作为检测统计量,做瞬态信号有无的二元判决。
2.根据权利要求1所述的结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,其特征在于,步骤2具体包括:
步骤201,将各IMF分量作为列向量构建样本矩阵,对列向量的每一个分量进行标准化得到新的样本矩阵Z=(z1,z2,z3,......,zn);其中,xi为列向量的某个IMF分量,m为IMF分量包含的采样点数,n为列向量包含的IMF分量个数;
步骤202,计算标准化样本矩阵的相关系数矩阵
步骤203,设特征值为λi,奇异值为σi,左奇异向量为ui,右奇异向量为vi,则列出矩阵C的特征方程,求得各奇异值及奇异向量:
Cvi=λivi
步骤204,计算前p个奇异值的累计贡献率:
选取奇异值的累计贡献率超过阈值或奇异值大于1的IMF分量视为有效信号,其余的IMF分量被视为噪声。
3.根据权利要求1所述的结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,其特征在于,步骤3筛选第二次经验模态分解的有效IMF分量时,按照步骤2所选取的主成分IMF分量的个数来选取有效IMF分量的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310386990.6A CN116667920A (zh) | 2023-04-12 | 2023-04-12 | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310386990.6A CN116667920A (zh) | 2023-04-12 | 2023-04-12 | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116667920A true CN116667920A (zh) | 2023-08-29 |
Family
ID=87708614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310386990.6A Pending CN116667920A (zh) | 2023-04-12 | 2023-04-12 | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116667920A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076868A (zh) * | 2023-10-12 | 2023-11-17 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
-
2023
- 2023-04-12 CN CN202310386990.6A patent/CN116667920A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076868A (zh) * | 2023-10-12 | 2023-11-17 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
CN117076868B (zh) * | 2023-10-12 | 2024-01-26 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871733B (zh) | 一种自适应海杂波信号去噪方法 | |
CN112697887A (zh) | 基于神经网络的超声检测缺陷定性识别方法 | |
CN112395992A (zh) | 一种基于改进小波阈值的电力谐波信号去噪方法 | |
CN116667920A (zh) | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 | |
CN115700544A (zh) | 一种联合经验模态分解及小波软阈值的色谱信号去噪方法 | |
CN102393423A (zh) | 基于自适应阈值正交小波变换的兰姆波去噪方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN110807349A (zh) | 基于emd分解和小波阈值的自适应降噪方法 | |
CN113109289A (zh) | 最优小波去噪组合的选取方法及THz光谱去噪方法 | |
Tabatabaei et al. | A traveling-wave fault location technique for three-terminal lines based on wavelet analysis and recurrent neural network using GPS timing | |
CN114492538A (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN109815849A (zh) | 基于奇异值分解的混沌信号去噪算法 | |
CN107479050B (zh) | 基于对称谱特性和次对称特性的目标检测方法和装置 | |
CN109410178A (zh) | 一种工件裂纹检测方法及系统 | |
CN108761202B (zh) | 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 | |
CN115389888B (zh) | 一种基于高压电缆的局部放电实时监测系统 | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
CN110112757B (zh) | 基于sure小波消噪和改进hht的低频振荡分析方法 | |
CN110248325B (zh) | 一种基于信号多重消噪的蓝牙室内定位系统 | |
CN109558857B (zh) | 一种混沌信号降噪方法 | |
CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
CN101858939B (zh) | 一种谐波信号检测方法及装置 | |
CN111144230A (zh) | 一种基于vmd的时域载荷信号的去噪方法 | |
CN102509268B (zh) | 基于免疫克隆选择的非下采样轮廓波域图像去噪方法 | |
CN109614937A (zh) | 一种基于组稀疏性的小波域信号增强方法 |
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 |