CN116915216A - 一种大电压电流脉冲发生器的降噪方法及装置 - Google Patents
一种大电压电流脉冲发生器的降噪方法及装置 Download PDFInfo
- Publication number
- CN116915216A CN116915216A CN202310876658.8A CN202310876658A CN116915216A CN 116915216 A CN116915216 A CN 116915216A CN 202310876658 A CN202310876658 A CN 202310876658A CN 116915216 A CN116915216 A CN 116915216A
- Authority
- CN
- China
- Prior art keywords
- component
- mode function
- denoised
- imf
- pulse generator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000009467 reduction Effects 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000000717 retained effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 116
- 238000000354 decomposition reaction Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03K—PULSE TECHNIQUE
- H03K3/00—Circuits for generating electric pulses; Monostable, bistable or multistable circuits
- H03K3/01—Details
- H03K3/013—Modifications of generator to prevent operation by noise or interference
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03K—PULSE TECHNIQUE
- H03K5/00—Manipulating of pulses not covered by one of the other main groups of this subclass
- H03K5/125—Discriminating pulses
- H03K5/1252—Suppression or limitation of noise or interference
Landscapes
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种大电压电流脉冲发生器的降噪方法及装置，包括：获取大电压电流脉冲发生器的初始信号，并通过ICEEMDAN分解初始信号，得到若干个固有模态函数分量；计算每个固有模态函数分量的样本熵，并根据样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪IMF分量；对待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪IMF分量进行滤波；将滤波后的IMF分量与保留IMF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留IMF分量为未被选取出的固有模态函数分量。本发明解决现有技术中残余噪声、误差较大、精度较低、处理过程复杂的技术问题。
Description
技术领域
本发明涉及电力信号技术领域，尤其涉及一种大电压电流脉冲发生器的降噪方法及装置。
背景技术
目前国内外关于高频强短脉冲大电压电流脉冲发生器降噪方法的研究较少，而常用的信号降噪方法主要有：傅里叶变换(Fourier Transform，FT)、小波变换(WaveletTransform，WT)、经验模态分解(Empirical Mode Decomposition，EMD)、变分模态分解(Variational Mode Decomposition，VMD)、集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD)、互补集合经验模态分解(Complementary EEMD,CEEMD)、自适应噪声完整集合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)和时频峰值滤波(Time-frequency peak filtering，TFPF)。
但目前现有常用的信号降噪方法存在有对非平稳信号处理能力不足，无法获取各成分信息的问题，要么存在分解过程中易出现模态混叠现象，或者计算耗时较长、重构的误差大的问题，要么依赖于经验知识进行人为调整，要么各组IMF分解结果差异造成最后集合平均难以对齐的问题，无法综合性地解决分解中的残余噪声、误差较大、精度较低、处理过程复杂等问题。
发明内容
本发明提供了一种大电压电流脉冲发生器的降噪方法，以解决现有技术中残余噪声、误差较大、精度较低、处理过程复杂的技术问题。
为了解决上述技术问题，本发明实施例提供了一种大电压电流脉冲发生器的降噪方法，包括：
获取大电压电流脉冲发生器的初始信号，并通过I CEEMDAN分解所述初始信号，得到若干个固有模态函数分量；
计算每个固有模态函数分量的样本熵，并根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪I MF分量；
对所述待去噪I MF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪I MF分量进行滤波；
将滤波后的I MF分量与保留I MF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留I MF分量为未被选取出的固有模态函数分量。
作为优选方案，所述通过I CEEMDAN分解所述初始信号，得到若干个固有模态函数分量，具体为：
依次对每个初始信号分量进行分解，以使得在每一次分解过程中，在当前处理的初始信号分量上添加分解操作符，并依次计算出添加分解操作符后的初始信号分量与其通过经验模态分解后的分量之间的差值，从而根据所述差值得到当前所分解的残差，进而根据未添加分解操作符的初始信号与当前所分解的残差，计算得到当前所处理的初始信号分量对应的固有模态函数分量；其中，所述初始信号包括若干个初始信号分量；
直至所有的初始信号分量均计算得到对应的固有模态函数分量后，完成对所述初始信号的分解。
作为优选方案，所述计算每个固有模态函数分量的样本熵，具体为：
依次计算出每个固有模态函数分量的样本熵，以使得在对每一个固有模态函数分量进行计算时，将当前计算的固有模态函数分量排列成m维矢量，并计算出当前计算的固有模态函数分量中各点之间的最大距离，从而根据预设阈值，计算出小于预设阈值的最大距离的数目与所有最大距离的数目的比值，以及m+1维矢量下的比值，进而计算出当前固有模态函数分量的样本熵；其中，m为正整数；
直至每一个固有模态函数分量均计算得到对应的样本熵。
作为优选方案，所述样本熵的计算公式为：
N为无限值时；
N为有限值时；
i＝1～N-m+1,i≠j；
X(i)＝[x(i),x(i+1),L x(i+m-1)]，i＝1～N-m-1；
其中，固有模态函数分量包括：x(i)，x(i+1)，x(i+2)…x(N)；x为固有模态函数分量中的各点，数量为N；j表示固有模态函数分量中的一个点；k为[0,m-1]的自然数；r为预设阈值；SampEn为样本熵。
作为优选方案，所述根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪I MF分量，具体包括：
当所述样本熵高于预设临界值时，则将该样本熵对应的固有模态函数分量进行提取，并作为待去噪IMF分量；
当所述样本熵不高于预设临界值时，则保留该样本熵对应的固有模态函数分量，并作为保留IMF分量。
作为优选方案，所述对所述待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪IMF分量进行滤波，具体为：
依次对各待去噪IMF分量进行窗长的选择与调整；
依次对选择与调整后的各待去噪IMF分量进行编码与频率调值，从而得到各待去噪IMF分量分别对应的单位幅度的解析信号；其中，每一个待去噪IMF分量均有一对应其的单位幅度的解析信号；
对各单位幅度的解析信号进行伪韦格纳分布函数的峰值提取，并分别对其对应的解析信号进行瞬时频率估计，得到有效信号的估计值，从而作为对待去噪IMF分量过滤后的值，完成对待去噪IMF分量的滤波。
作为优选方案，所述有效信号的估计值的计算公式为：
s(t)＝x(t)+n(t)
其中，有效信号的估计值，s(t)为待去噪IMF分量，x(t)是有效信号；n(t)是加性随机噪声，μ是频率调制指数，j为虚数，λ为积分函数s(λ)中的自变量，Wz(t,f)是解析信号z(t)的伪韦格纳分布函数的峰值。
相应地，本发明还提供一种大电压电流脉冲发生器的降噪装置，包括：获取模块、计算模块、滤波模块和重构模块；
所述获取模块，用于获取大电压电流脉冲发生器的初始信号，并通过I CEEMDAN分解所述初始信号，得到若干个固有模态函数分量；
所述计算模块，用于计算每个固有模态函数分量的样本熵，并根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪I MF分量；
所述滤波模块，用于对所述待去噪I MF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪I MF分量进行滤波；
所述重构模块，用于将滤波后的I MF分量与保留I MF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留I MF分量为未被选取出的固有模态函数分量。
相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的大电压电流脉冲发生器的降噪方法。
相应地，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的大电压电流脉冲发生器的降噪方法。
相比于现有技术，本发明实施例具有如下有益效果：
本发明的技术方案通过对大电压电流脉冲发生器的初始信号进行获取，进而通过I CEEMDAN对初始信号进行分解来得到若干个固有模态函数分量，减小了分解中的残余噪声，使得可以处理非平稳信号，并通过计算每个固有模态函数分量的样本熵，来对样本熵选取出高于预设临界值的固有模态函数分量，进行滤波，从而在滤波后与保留I MF分量进行重构，最后得到残余噪声小的有效信号，使得无需依据经验选择分解后合适的模态信号对信号进行重构，避免了存在较大误差，同时计算耗时较短，简化了算法流程。
附图说明
图1：为本发明实施例所提供的一种大电压电流脉冲发生器的降噪方法的步骤流程图；
图2：为本发明实施例所提供的基于I CEEMDAN的TFPF去噪方法的流程图
图3：为本发明实施例所提供的一种一种大电压电流脉冲发生器的降噪装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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作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。
FT是目前应用最为广泛的一种信号处理方法，但其对非平稳信号(频率随时间变化的信号)的处理能力不足，且只能获取信号总体包含哪些频率成分，无法获取各成分出现的时刻。
WT的数学基础是FT，将FT无限长的三角函数基变换成了有限长的会衰减的小波基，不仅能够获取频率成分，还可以定位各成分出现的时刻，对于突变信号，WT的效果要优于FT；但其小波基需要人为选择，且受到海森堡不确定性原理的制约，若提高时间精度，则会导致频率精度降低。
EMD是一种具有自适应性的非平稳信号分析方法，可以将非平稳信号分解成为一系列固有模态函数(Intrinsic Mode Function,IMF)，通过对IMF进行分析，能够反映出非平稳信号的局部特征，具有一定的自适应性，被广泛用来分析非线性系统的非平稳信号，但在分解过程中易出现模态混叠现象。
VMD可以实现信号频域内各个分量的自适应分割，能够有效克服EMD分解中产生的模态混叠现象，比EMD具有更强的噪声鲁棒性以及更弱的端点效应；但VMD方法不是对于所有的非平稳信号都可以直接使用，对一些非平稳信号需要进行预处理，另外在对VMD中的K参数进行选择时，没有一个准则，需要根据经验知识来进行认为调整。
EEMD是一种噪声辅助信号分析的方法，通过每次加入同等幅值的不同白噪声来改变信号的极值点特性，之后对多次EMD得到的相应IMF进行总体平均来抵消加入的白噪声，从而有效抑制模态混叠的产生；但EEMD存在计算耗时较长、重构的误差大的问题。
CEEMD向原始信号中加入正负成对的辅助白噪声，在集合平均时相消，能有效提高分解效率，克服EEMD了重构误差大、分解完备性差的问题。
实施例一
请参照图1，为本发明实施例提供的一种大电压电流脉冲发生器的降噪方法，包括以下步骤S101－S104：
步骤S101：获取大电压电流脉冲发生器的初始信号，并通过ICEEMDAN分解所述初始信号，得到若干个固有模态函数分量。
作为优选方案，所述通过ICEEMDAN分解所述初始信号，得到若干个固有模态函数分量，具体为：
依次对每个初始信号分量进行分解，以使得在每一次分解过程中，在当前处理的初始信号分量上添加分解操作符，并依次计算出添加分解操作符后的初始信号分量与其通过经验模态分解后的分量之间的差值，从而根据所述差值得到当前所分解的残差，进而根据未添加分解操作符的初始信号与当前所分解的残差，计算得到当前所处理的初始信号分量对应的固有模态函数分量；其中，所述初始信号包括若干个初始信号分量；直至所有的初始信号分量均计算得到对应的固有模态函数分量后，完成对所述初始信号的分解。
在本实施例中，改进自适应噪声集合经验模态分解算法(ICEEMDAN)，不同于传统方法选择增加普通高斯白噪声，ICEEMDAN在提取第K层IMF时，选择加入特殊噪声。
进一步地，ICEEMDAN的原理步骤具体包括：
对于第一次的分解，把Ek(ω(n))添加给原始信号x，即式中：ω(n)为被添加的第n个高斯白噪声，(n＝1，2，…，N)；α1为第一次分解信号的期望信噪比，ε1为提前设定好的幅值，σ(·)为数学期望操作符；E1(·)是计算通过EMD分解操作符。计算各/>与第一个IMF差值，并求平均值得到第1次分解的残差r1，即式中：{·}为计算N个信号平均值的操作符。将信号x减去第1个残差r1，得到原信号第1个分量，记作M1，即M1＝x-r1。
对于第二次及以上的分解，即当i≥2时，构造第i组N个含可控噪声的信号，即计算各/>与第i个IMF的差值，并求平均值，得到第i次分解的残差ri，/>将残差ri-1减去ri，的到原信号第i个分量，记作Mi，即Mi＝ri-1-ri；令i＝i+1，返回计算下一个i值。
步骤S102：计算每个固有模态函数分量的样本熵，并根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪IMF分量。
作为优选方案，所述计算每个固有模态函数分量的样本熵，具体为：
依次计算出每个固有模态函数分量的样本熵，以使得在对每一个固有模态函数分量进行计算时，将当前计算的固有模态函数分量排列成m维矢量，并计算出当前计算的固有模态函数分量中各点之间的最大距离，从而根据预设阈值，计算出小于预设阈值的最大距离的数目与所有最大距离的数目的比值，以及m+1维矢量下的比值，进而计算出当前固有模态函数分量的样本熵；其中，m为正整数；直至每一个固有模态函数分量均计算得到对应的样本熵。
在本实施例中，样本熵一种新的时间序列复杂性测度方法，函数形式为SampEn(m,r,N)，其中数据长度为N，相似容限为r，维数为m及m+1。
作为优选方案，所述样本熵的计算公式为：
N为无限值时；
N为有限值时；
i＝1～N-m+1,i≠j；
X(i)＝[x(i),x(i+1),L x(i+m-1)]，i＝1～N-m-1；
其中，固有模态函数分量包括：x(i)，x(i+1)，x(i+2)…x(N)；x为固有模态函数分量中的各点，数量为N；j表示固有模态函数分量中的一个点；k为[0,m-1]的自然数；r为预设阈值；SampEn为样本熵。
可示例性地，设原始的固有模态函数分量为x(1)，x(2)，x(3)…x(N)，共N个点，定义X(i)与X(j)之间的距离d[X(i),X(j)]为两者对应元素中插值最大的一个，即给定阈值r，对每一个I统计d[X(i),X(j)]小于r的数目及此数目与距离总数N-m的比值，记作/>即i＝1～N-m+1,i≠j；则有再将维数加1，即对于m+1点矢量，得到/>即Bm+1(r)；求解出该序列的样本熵/>N为有限值时，则上式可以写为：SampEn的值显然与m，r的值有关。m＝1或2，r＝0.1SD0.25SD(SD为原始数据的标准差)计算得到的样本熵具有合理的统计特性。优选地，r＝0.2SD，m＝2。
作为优选方案，所述根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪I MF分量，具体包括：
当所述样本熵高于预设临界值时，则将该样本熵对应的固有模态函数分量进行提取，并作为待去噪I MF分量；当所述样本熵不高于预设临界值时，则保留该样本熵对应的固有模态函数分量，并作为保留I MF分量。
步骤S103：对所述待去噪I MF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪I MF分量进行滤波。
作为优选方案，所述对所述待去噪I MF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪I MF分量进行滤波，具体为：
依次对各待去噪I MF分量进行窗长的选择与调整；依次对选择与调整后的各待去噪I MF分量进行编码与频率调值，从而得到各待去噪I MF分量分别对应的单位幅度的解析信号；其中，每一个待去噪I MF分量均有一对应其的单位幅度的解析信号；对各单位幅度的解析信号进行伪韦格纳分布函数的峰值提取，并分别对其对应的解析信号进行瞬时频率估计，得到有效信号的估计值，从而作为对待去噪IMF分量过滤后的值，完成对待去噪IMF分量的滤波。
作为优选方案，所述有效信号的估计值的计算公式为：
s(t)＝x(t)+n(t)
其中，有效信号的估计值，s(t)为待去噪IMF分量，x(t)是有效信号；n(t)是加性随机噪声，μ是频率调制指数，j为虚数，λ为积分函数s(λ)中的自变量，Wz(t,f)是解析信号z(t)的伪韦格纳分布函数的峰值。
在本实施例中，TFPF的本质是基于Wigner-Ville分布(WVD)的瞬时频率估计。待去噪IMF分量可表示为：s(t)＝x(t)+n(t)。式中：x(t)是有效信号；n(t)是加性随机噪声。滤波的目的就是从含噪数据s(t)中恢复有效信号x(t)。TFPF可再不需假设条件的情况下很好地恢复有效信号，其具体步骤为：
对含噪数据进行编码，将其变为解析信号的形式；对含噪数据s(t)进行频率调制，得到单位幅度的解析信号：式中：μ是频率调制指数；取解析信号z(t)的伪Wigner-Ville分布(PWVD，伪韦格纳分布函数)的峰值，对解析信号进行瞬时频率估计，作为有效信号x(t)的估计值，即：/>式中：Wz(t,f)是解析信号z(t)的PWVD。
需要说明的是，各窗长的该算法均能削减噪声，说明TFPF算法有效地压制了噪声。长窗长具有更强的噪声压制能力，但信号幅度损失极大。因此，窗长的选取与调整，可以根据实际的滤波精度与需求进行设置。
步骤S104：将滤波后的IMF分量与保留IMF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留IMF分量为未被选取出的固有模态函数分量。
需要说明的是，在得到滤波后的IMF分量后，可以通过原初始信号对应的分量分布，来对滤波后的IMF分量与保留IMF分量进行重构，进而来得到滤波后的有效信号。本发明将高效的信号降噪方法应用于高频强短脉冲大电压电流脉冲发生器的降噪，基于ICEEMDAN算法和时频峰值滤波结合，可以处理非平稳信号，同时还具有计算耗时较短，残余噪声小的优点。
请参阅图2，其为基于ICEEMDAN的TFPF去噪方法的流程图，可灵活选择窗口长度，精准地去除高频强短脉冲大电压电流脉冲发生器的噪声。利用ICEEMDAN分解信号，能使信号按从高到低频率分解，得到若干个IMF分量，通过计算IMFs的样本熵判断含噪临界点，高于此临界值的IMFs需进行滤波，在选定需进行TFPF的IMFs后，对各个IMF选择合适窗长，最后将滤波后的IMFs与保留的IMFs重构，即可得到有效信号。
实施以上实施例，具有如下效果：
本发明的技术方案通过对大电压电流脉冲发生器的初始信号进行获取，进而通过ICEEMDAN对初始信号进行分解来得到若干个固有模态函数分量，减小了分解中的残余噪声，使得可以处理非平稳信号，并通过计算每个固有模态函数分量的样本熵，来对样本熵选取出高于预设临界值的固有模态函数分量，进行滤波，从而在滤波后与保留IMF分量进行重构，最后得到残余噪声小的有效信号，使得无需依据经验选择分解后合适的模态信号对信号进行重构，避免了存在较大误差，同时计算耗时较短，简化了算法流程
实施例二
请参阅图3，其为本发明还提供一种大电压电流脉冲发生器的降噪装置，包括：获取模块201、计算模块202、滤波模块203和重构模块204。
所述获取模块201，用于获取大电压电流脉冲发生器的初始信号，并通过ICEEMDAN分解所述初始信号，得到若干个固有模态函数分量。
所述计算模块202，用于计算每个固有模态函数分量的样本熵，并根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪I MF分量。
所述滤波模块203，用于对所述待去噪I MF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪I MF分量进行滤波。
所述重构模块204，用于将滤波后的I MF分量与保留I MF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留I MF分量为未被选取出的固有模态函数分量。
作为优选方案，所述通过I CEEMDAN分解所述初始信号，得到若干个固有模态函数分量，具体为：
依次对每个初始信号分量进行分解，以使得在每一次分解过程中，在当前处理的初始信号分量上添加分解操作符，并依次计算出添加分解操作符后的初始信号分量与其通过经验模态分解后的分量之间的差值，从而根据所述差值得到当前所分解的残差，进而根据未添加分解操作符的初始信号与当前所分解的残差，计算得到当前所处理的初始信号分量对应的固有模态函数分量；其中，所述初始信号包括若干个初始信号分量；直至所有的初始信号分量均计算得到对应的固有模态函数分量后，完成对所述初始信号的分解。
作为优选方案，所述计算每个固有模态函数分量的样本熵，具体为：
依次计算出每个固有模态函数分量的样本熵，以使得在对每一个固有模态函数分量进行计算时，将当前计算的固有模态函数分量排列成m维矢量，并计算出当前计算的固有模态函数分量中各点之间的最大距离，从而根据预设阈值，计算出小于预设阈值的最大距离的数目与所有最大距离的数目的比值，以及m+1维矢量下的比值，进而计算出当前固有模态函数分量的样本熵；其中，m为正整数；直至每一个固有模态函数分量均计算得到对应的样本熵。
作为优选方案，所述样本熵的计算公式为：
N为无限值时；
N为有限值时；
i＝1～N-m+1,i≠j；
X(i)＝[x(i),x(i+1),L x(i+m-1)]，i＝1～N-m-1；
其中，固有模态函数分量包括：x(i)，x(i+1)，x(i+2)…x(N)；x为固有模态函数分量中的各点，数量为N；j表示固有模态函数分量中的一个点；k为[0,m-1]的自然数；r为预设阈值；SampEn为样本熵。
作为优选方案，所述根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪I MF分量，具体包括：
当所述样本熵高于预设临界值时，则将该样本熵对应的固有模态函数分量进行提取，并作为待去噪I MF分量；当所述样本熵不高于预设临界值时，则保留该样本熵对应的固有模态函数分量，并作为保留I MF分量。
作为优选方案，所述对所述待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪IMF分量进行滤波，具体为：
依次对各待去噪IMF分量进行窗长的选择与调整；依次对选择与调整后的各待去噪IMF分量进行编码与频率调值，从而得到各待去噪IMF分量分别对应的单位幅度的解析信号；其中，每一个待去噪IMF分量均有一对应其的单位幅度的解析信号；对各单位幅度的解析信号进行伪韦格纳分布函数的峰值提取，并分别对其对应的解析信号进行瞬时频率估计，得到有效信号的估计值，从而作为对待去噪IMF分量过滤后的值，完成对待去噪IMF分量的滤波。
作为优选方案，所述有效信号的估计值的计算公式为：
s(t)＝x(t)+n(t)
其中，有效信号的估计值，s(t)为待去噪IMF分量，x(t)是有效信号；n(t)是加性随机噪声，μ是频率调制指数，j为虚数，λ为积分函数s(λ)中的自变量，Wz(t,f)是解析信号z(t)的伪韦格纳分布函数的峰值。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施以上实施例，具有如下效果：
本发明的技术方案通过对大电压电流脉冲发生器的初始信号进行获取，进而通过ICEEMDAN对初始信号进行分解来得到若干个固有模态函数分量，减小了分解中的残余噪声，使得可以处理非平稳信号，并通过计算每个固有模态函数分量的样本熵，来对样本熵选取出高于预设临界值的固有模态函数分量，进行滤波，从而在滤波后与保留I MF分量进行重构，最后得到残余噪声小的有效信号，使得无需依据经验选择分解后合适的模态信号对信号进行重构，避免了存在较大误差，同时计算耗时较短，简化了算法流程
实施例三
相应地，本发明还提供一种终端设备，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项实施例所述的大电压电流脉冲发生器的降噪方法。
该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤，例如图1所示的步骤S101至S104。或者，所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能，例如滤波模块203。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述滤波模块203，用于对所述待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪I MF分量进行滤波。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图仅仅是终端设备的示例，并不构成对终端设备的限定，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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
实施例四
相应地，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的大电压电流脉冲发生器的降噪方法。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种大电压电流脉冲发生器的降噪方法，其特征在于，包括：
获取大电压电流脉冲发生器的初始信号，并通过ICEEMDAN分解所述初始信号，得到若干个固有模态函数分量；
计算每个固有模态函数分量的样本熵，并根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪IMF分量；
对所述待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪IMF分量进行滤波；
将滤波后的IMF分量与保留IMF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留IMF分量为未被选取出的固有模态函数分量。
2.如权利要求1所述的一种大电压电流脉冲发生器的降噪方法，其特征在于，所述通过ICEEMDAN分解所述初始信号，得到若干个固有模态函数分量，具体为：
依次对每个初始信号分量进行分解，以使得在每一次分解过程中，在当前处理的初始信号分量上添加分解操作符，并依次计算出添加分解操作符后的初始信号分量与其通过经验模态分解后的分量之间的差值，从而根据所述差值得到当前所分解的残差，进而根据未添加分解操作符的初始信号与当前所分解的残差，计算得到当前所处理的初始信号分量对应的固有模态函数分量；其中，所述初始信号包括若干个初始信号分量；
直至所有的初始信号分量均计算得到对应的固有模态函数分量后，完成对所述初始信号的分解。
3.如权利要求2所述的一种大电压电流脉冲发生器的降噪方法，其特征在于，所述计算每个固有模态函数分量的样本熵，具体为：
依次计算出每个固有模态函数分量的样本熵，以使得在对每一个固有模态函数分量进行计算时，将当前计算的固有模态函数分量排列成m维矢量，并计算出当前计算的固有模态函数分量中各点之间的最大距离，从而根据预设阈值，计算出小于预设阈值的最大距离的数目与所有最大距离的数目的比值，以及m+1维矢量下的比值，进而计算出当前固有模态函数分量的样本熵；其中，m为正整数；
直至每一个固有模态函数分量均计算得到对应的样本熵。
4.如权利要求3所述的一种大电压电流脉冲发生器的降噪方法，其特征在于，所述样本熵的计算公式为：
N为无限值时；
N为有限值时；
X(i)＝[x(i),x(i+1),L x(i+m-1)]，i＝1～N-m-1；
其中，固有模态函数分量包括：x(i)，x(i+1)，x(i+2)…x(N)；x为固有模态函数分量中的各点，数量为N；j表示固有模态函数分量中的一个点；k为[0,m-1]的自然数；r为预设阈值；SampEn为样本熵。
5.如权利要求1所述的一种大电压电流脉冲发生器的降噪方法，其特征在于，所述根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪IMF分量，具体包括：
当所述样本熵高于预设临界值时，则将该样本熵对应的固有模态函数分量进行提取，并作为待去噪IMF分量；
当所述样本熵不高于预设临界值时，则保留该样本熵对应的固有模态函数分量，并作为保留IMF分量。
6.如权利要求1所述的一种大电压电流脉冲发生器的降噪方法，其特征在于，所述对所述待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪IMF分量进行滤波，具体为：
依次对各待去噪IMF分量进行窗长的选择与调整；
依次对选择与调整后的各待去噪IMF分量进行编码与频率调值，从而得到各待去噪IMF分量分别对应的单位幅度的解析信号；其中，每一个待去噪IMF分量均有一对应其的单位幅度的解析信号；
对各单位幅度的解析信号进行伪韦格纳分布函数的峰值提取，并分别对其对应的解析信号进行瞬时频率估计，得到有效信号的估计值，从而作为对待去噪IMF分量过滤后的值，完成对待去噪IMF分量的滤波。
7.如权利要求5所述的一种大电压电流脉冲发生器的降噪方法，其特征在于，所述有效信号的估计值的计算公式为：
s(t)＝x(t)+n(t)
其中，有效信号的估计值，s(t)为待去噪IMF分量，x(t)是有效信号；n(t)是加性随机噪声，μ是频率调制指数，j为虚数，λ为积分函数s(λ)中的自变量，Wz(t,f)是解析信号z(t)的伪韦格纳分布函数的峰值。
8.一种大电压电流脉冲发生器的降噪装置，其特征在于，包括：获取模块、计算模块、滤波模块和重构模块；
所述获取模块，用于获取大电压电流脉冲发生器的初始信号，并通过ICEEMDAN分解所述初始信号，得到若干个固有模态函数分量；
所述计算模块，用于计算每个固有模态函数分量的样本熵，并根据所述样本熵选取出高于预设临界值的固有模态函数分量，作为待去噪IMF分量；
所述滤波模块，用于对所述待去噪IMF分量进行窗长的选择，并通过时频峰值滤波算法，对窗长选择后的待去噪IMF分量进行滤波；
所述重构模块，用于将滤波后的IMF分量与保留IMF分量进行重构，从而得到有效信号，进而完成对大电压电流脉冲发生器的降噪；其中，所述保留IMF分量为未被选取出的固有模态函数分量。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的大电压电流脉冲发生器的降噪方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的大电压电流脉冲发生器的降噪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876658.8A CN116915216A (zh) | 2023-07-17 | 2023-07-17 | 一种大电压电流脉冲发生器的降噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876658.8A CN116915216A (zh) | 2023-07-17 | 2023-07-17 | 一种大电压电流脉冲发生器的降噪方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116915216A true CN116915216A (zh) | 2023-10-20 |
Family
ID=88352555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310876658.8A Pending CN116915216A (zh) | 2023-07-17 | 2023-07-17 | 一种大电压电流脉冲发生器的降噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116915216A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117569710A (zh) * | 2024-01-16 | 2024-02-20 | 聊城市东昌府区华泰通风设备有限公司 | 用于智能通风天窗控制方法及系统 |
-
2023
- 2023-07-17 CN CN202310876658.8A patent/CN116915216A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117569710A (zh) * | 2024-01-16 | 2024-02-20 | 聊城市东昌府区华泰通风设备有限公司 | 用于智能通风天窗控制方法及系统 |
| CN117569710B (zh) * | 2024-01-16 | 2024-05-17 | 聊城市东昌府区华泰通风设备有限公司 | 用于智能通风天窗控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aggarwal et al. | Noise reduction of speech signal using wavelet transform with modified universal threshold | |
| CN110688964A (zh) | 一种基于稀疏分解的小波阈值与emd联合降噪方法 | |
| WO2002103580A2 (en) | Adaptive mean estimation and normalization of data | |
| CN110096956B (zh) | 基于eemd和排列熵二阶差分的信号去噪方法及装置 | |
| CN116915216A (zh) | 一种大电压电流脉冲发生器的降噪方法及装置 | |
| CN110909480B (zh) | 一种水轮机振动信号的去噪方法与装置 | |
| Kumar et al. | Biosignal denoising via wavelet thresholds | |
| CN114886378A (zh) | 一种基于改进的互补集合模态分解联合去噪方法及系统 | |
| CN114325598A (zh) | 信号去噪的方法及装置 | |
| CN116502042A (zh) | 基于变分模态分解与改进小波阈值的电能质量扰动去噪方法 | |
| CN112037151A (zh) | 基于小波分析的图像去噪方法 | |
| CN114077852A (zh) | 一种强噪声光谱信号的智能去噪方法 | |
| Zhang | A modified artificial bee colony algorithm for image denoising using parametric wavelet thresholding method | |
| Obidin et al. | Signal denoising with the use of the wavelet transform and the Kalman filter | |
| Kaur et al. | A survey on implementation of discrete wavelet transform for image denoising | |
| Jabeen et al. | Sequency domain signal processing using complex Hadamard transform | |
| Tellala et al. | Α Modified EMD-ACWA Denoising Scheme using a Noise-only Model | |
| Hadhami et al. | Speech denoising based on empirical mode decomposition and improved thresholding | |
| Anju et al. | Satellite image denoising using shearlet transform | |
| CN117692074B (zh) | 一种适用于非稳态水声目标信号的低频混叠噪声抑制方法 | |
| Alexiev et al. | Self-similar decomposition of digital signals | |
| Talbi | Electrocardiogram de-noising based on forward wavelet transform translation invariant application in bionic wavelet domain | |
| Vishwakarma et al. | De-noising of Audio Signal using Heavy Tailed Distribution and comparison of wavelets and thresholding techniques | |
| German-Sallo | Nonlinear filtering in ECG signal denoising | |
| CN116840770A (zh) | 一种直流电能计量降噪方法、装置、存储介质以及系统 |
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 |