基于EMD的拉曼光谱去噪方法研究

经验模态分解(EMD)方法是一个以信号极值特征尺度为度量的时空滤波过程,它充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势。文章在介绍EMD分解方法的基础上,结合EMD的多尺度滤波特性,提出了一种新的拉曼光谱去噪方法——EMD阈值去噪法。该方法首先对含噪的拉曼光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加得到重构的信号,即去噪信号。通过处理对二甲苯的拉曼光谱信号,分析了在不同噪声水平上不同去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势,在拉曼光谱去噪中有很好的应用前景。     

基于经验模态分解的高光谱遥感数据去噪方法

经验模态分解(EMD)是一种新的时频分析方法,经EMD分解后的各个固有模态函数(IMF)突出了原始信号的局部特征,从而可以区分噪声和有用信号。基于此,结合高光谱遥感数据的光谱变化特征,提出了一种基于经验模态分解的高光谱遥感数据去噪方法。通过对理论数据的实验表明,数据中的噪声无论是高斯分布还是均匀分布,数据经EMD分解后,噪声都主要集中在前几个特定的IMF,对相应的IMF进行滤波处理后并与其他IMF分量进行重构就可得到去噪信号,与小波去噪结果相比较,这种方法效果更好。最后把该去噪方法应用于野外实测的油膜高光谱数据去噪,实验结果表明,该方法能准确、有效地去除高光谱遥感数据的噪声。     

基于集合经验模态分解的拉曼光谱信号特征研究

拉曼光谱信号是一种基于分子振动的散射信号,拉曼光谱仪的激光源波长一般为纳米级,考虑到散射频移,拉曼光谱有效信息主要集中在较高频段。拉曼信号是典型的非平稳信号,并且由于拉曼散射比较弱,信号很容易被高频噪声和荧光背景干扰,想获取较为全面的拉曼信息,需要对信号进行处理,小波变换对拉曼信号的分析结果取决于小波基的选择,不同小波基处理结果有差异;经验模态分解(EMD)方法可以自适应的分析信号,不需要设置参数,但存在模态混叠的问题;集合平均经验模态分解(EEMD),有效的解决了EMD方法中存在的模态混叠问题,能更加清晰的将信号中的不同频率成分划分开来,因此更加适合频率成分丰富的拉曼信号的特征分析和处理。采集了市面上常见的大豆油、花生油、玉米油和葵花籽油样本,通过拉曼光谱仪获得了各自的拉曼光谱信号。使用集合经验模态分解对食用油拉曼光谱信号进行自适应分解和处理,一共获得了10阶固有模态函数(IMF),根据信号的能量分布以及幅值特性, IMF1和IMF2表征为信号中的噪声部分, IMF3-IMF7表征为拉曼特征信号部分,最后一阶IMF10表征为荧光背景成分, IMF8和IMF9为其他物理意义的频率成分。通过对有效信号段的特征增强并重构拉曼信号,使拉曼信号的信噪比获得了2～5倍的提升,其中,难以探测的酯键羰基伸缩振动位于1 745 cm~(-1)的谱峰得到了显著的增强。最后,将原始信号和经过特征增强的信号通过基于连续小波变换的惩罚最小二乘法进行了二次处理,并将获得的信号进行主成分分析后,可知:没有增强的不同类数据样本相互有重叠,不存在明显的类间距,很难完整的区分类型;基于特征增强的数据样本各自聚集,每种类型都可以相互鉴别,可为拉曼光谱信号处理提供一种新的途径。     

基于LCEEMD的低信噪比拉曼光谱自适应去噪方法研究

在生物体拉曼光谱快速采集或低功率采集过程中,往往会获得低信噪比拉曼光谱。针对低信噪比光谱数据,提出应用补充总体经验模态方法(CEEMD)分解拉曼光谱,并且依据特征模态分量的归一化排列熵值(NPE)按比例扣除噪声成分的方法,称为局部补充总体均值经验模分解方法(LCEEMD)。LCEEMD方法不仅解决了经验模态(EMD)分解中高频信号与噪声的模态混叠问题,还有效降低了总体经验模态分解法(EEMD)中的残留噪声。仿真数据实验显示,LCEEMD方法在处理10db信噪比模拟光谱时获得了39.615 0 db信噪比,0.001 17标准差和0.999 9相关系数。在人体皮肤拉曼光谱试验中,LCEEMD方法滤波后数据准确呈现出角质层脂质酰胺I带激发拉曼强谱峰以及甘油三酸酯中(CO)酯微弱谱峰。在水稻叶片可溶性糖定量预测模型中,LCEEMD方法取得了0.871 7预测相关系数和0.912 0预测标准误差,优于EMD和EEMD软阈值去噪(0.511 4,1.647 8和0.638 2,1.508 8)。LCEEMD方法实施过程中,根据去噪性能指标反馈调整归一化排列熵阈值,直至获得最佳去噪效果,滤波过程无需参数设置,可以自适应实现。     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染。为研究冲击信号去噪的问题,本文针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法。单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息。本文将EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变。对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

基于EMD-LWT的低浓度石油类污染物荧光光谱去噪法EI北大核心CSCD

石油类污染物是造成雾霾等空气污染问题的重要原因.去噪处理的有效性是石油类污染物荧光光谱检测中的热点问题.提出一种基于经验模态分解-提升小波变换(EMD-LWT)相结合的低浓度石油类污染物荧光光谱去噪方法.经验模态分解法(EMD)可自适应地滤除微弱荧光信号中的噪声,但去噪过程中第一个本征模态函数(IMF)包含的频率范围过宽,影响了去噪准确性和有效性.引入提升小波变换(LWT)对IMF1实现更精细的分解,有效分离出IMF1的有用信息,改善信噪分离效果.将EMD-LWT联用方法和传统的EMD或LWT去噪法分别运用于煤油荧光光谱检测中,仿真结果表明,与只用EMD或LWT相比,EMD-LWT相结合的光谱去噪法得到的信噪比和均方根误差均显著提高,验证了该方法的有效性和可行性.     

基于复数据经验模态分解的噪声辅助信号分解方法

集成经验模态分解(EEMD)在一定程度上减轻了经验模态分解(EMD)中的模态混叠,但集成平均会带来新的模态混叠、频谱丢失和运算量增大等问题,影响到对信号物理特征的分析与提取.因此,本文提出一种基于复数据经验模态分解(CEMD)的噪声辅助信号分解方法,在CEMD中以白噪声分解的内禀模态函数(IMF)在指定方向上的投影为基函数来辅助观测信号分解过程中的极值选取,从而减小模态混叠,同时利用噪声投影的影响在求包络质心时被消除的特性,减小EEMD因集成平均带来的相关问题.仿真结果表明,本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,并且在一定程度上减轻了频谱丢失问题.     

基于EMD-LWT的低浓度石油类污染物荧光光谱去噪法

石油类污染物是造成雾霾等空气污染问题的重要原因.去噪处理的有效性是石油类污染物荧光光谱检测中的热点问题.提出一种基于经验模态分解-提升小波变换(EMD-LWT)相结合的低浓度石油类污染物荧光光谱去噪方法.经验模态分解法(EMD)可自适应地滤除微弱荧光信号中的噪声,但去噪过程中第一个本征模态函数(IMF)包含的频率范围过宽,影响了去噪准确性和有效性.引入提升小波变换(LWT)对IMF1实现更精细的分解,有效分离出IMF1的有用信息,改善信噪分离效果.将EMD-LWT联用方法和传统的EMD或LWT去噪法分别运用于煤油荧光光谱检测中,仿真结果表明,与只用EMD或LWT相比,EMD-LWT相结合的光谱去噪法得到的信噪比和均方根误差均显著提高,验证了该方法的有效性和可行性.     

趋势项调制的小波-经验模态分解联合方法用于大气相干长度廓线去噪

差分光柱像运动激光雷达的信号噪声直接影响大气湍流强度廓线的反演精度,采用一种有效的去噪方法能够提升雷达探测性能。为了减弱小波-经验模态分解(EMD)联合降噪方法对小波的依赖性,提出先利用信号的趋势项对小波降噪后的信号进行自适应调制,再利用调制后的信号进行EMD去噪,即小波-趋势项-EMD方法,趋势项的提取仍采用EMD方法。为了保证调制的有效性,提出适用于大气相干长度(r0)廓线的调制判定准则,并采用去趋势波动分析方法自适应识别EMD降噪的阈值。为了论证所提方法的有效性,将该方法与小波、EMD、集合经验模态分解(EEMD)、小波-EMD 4种去噪方法进行对比。数值仿真和实验结果表明,在不同噪声强度下,5种方法均可提高r0廓线的信噪比和反演精度。两种联合方法优于单独方法,小波法优于EMD和EEMD方法,小波-趋势项-EMD方法进一步提高了小波-EMD方法的去噪能力,为小波-EMD联合去噪方法的改进提供了新思路。     

噪声模态单元预判的经验模态分解脉冲星信号消噪

为了改善脉冲星辐射脉冲信号的消噪效果, 提出了一种基于噪声模态单元预判的经验模态分解(EMD) 消噪声方法. 该方法首先利用EMD将含噪辐射脉冲信号分解为一组内蕴模态函数(IMF), 根据IMF系数的统计特性采用局部均方误差准则进行噪声模态单元预判, 并将噪声模态单元置零; 然后对噪声模态单元预判处理后的IMF以模态单元为基本单位进行最优比例萎缩消噪, 从而达到抑制噪声、保留信号的目的. 实验结果表明: 与Sure Shrink小波阈值法、Bayes Shrink小波阈值法和EMD模态单元比例萎缩法相比, 基于噪声模态单元预判的EMD消噪方法可以更有效地去除脉冲辐射信号中的噪声, 同时更好地保留信号突变处的细节信息特征, 在信噪比、 均方误差、峰值相对误差、峰位误差和相位误差等方面都有一定程度的改善. 关键词： 脉冲星信号消噪 经验模态分解 噪声模态单元预判 局部均方误差     

基于改进经验模态分解域内心动物理特征识别模式分量的心电信号重建

心电图(electrocardiogram,ECG)诊断心脏疾病的严格标准,要求有效地消除噪声并准确地重建ECG信号.经验模式分解(empirical mode decomposition,EMD)方法重建ECG信号中,模式混叠及重建采用模式分量的识别以经验为基础,导致重建ECG信号准确度降低,且方法不具有自适应和通用性.本文首先基于积分均值定理提出一种改进的EMD方法——积分均值模式分解(integral mean mode decomposition,IMMD)方法,经5000个高斯白噪声样本的蒙特卡罗法验证,IMMD方法比EMD具有更优多分辨率分析能力,能够有效地缓解模式混叠.其次,基于ECG信号内固有心动物理特征量识别重建ECG信号所采用的模式分量,具有现实物理意义,因此,方法具有自适应和通用性.经验证,提出方法重建47例ECG信号与原ECG信号的相关系数中:31例优于变分模式分解方法;33例优于Haar小波软阈值法;42例优于集总经验模式分解方法;45例优于EMD方法.相关系数均值为0.8904,方差为0.0071,表现稳定且最优.     

EEMD在土壤剖面反射光谱消噪中的应用

实测光谱常含有大量干扰信息,消噪在光谱数据处理和分析中极为重要,它直接影响后续的定量分析和信息挖掘。因此,选择适当的消噪方法是改善光谱分析精度,提升光谱分析能力的一个关键性突破。集合经验模态分解(EEMD)方法是一个以信号固有特征尺度为度量的时空滤波过程,能充分保留信号本身的非线性和非平稳特征,在信号的滤波和消噪中具有较大的优势。结合EEMD的多尺度滤波特性,提出了一种新的EEMD阈值光谱消噪方法,并应用于新疆塔里木河中游典型绿洲33个土壤剖面反射光谱数据的预处理。为探讨EEMD阈值法在土壤剖面反射光谱消噪中的效用,对EEMD阈值法和小波阈值法的消噪结果进行了对比分析。结果表明：与传统的小波阈值法相比,EEMD阈值法消噪结果的信噪比从14.836 6 dB提高到34.275 7 dB,均方根误差由6.786 1×10-5降到7.240 6×10-6,相关系数从0.982 5提高到0.999 8,EEMD阈值法的三个消噪效果衡量指标均优于小波阈值法。证明了EEMD阈值法可有效地去除土壤剖面光谱噪声,较好地保留了光谱的细节信息,提高了光谱的定量分析精度,且与小波阈值消噪方法相比具有较强的可靠性和自适应优势,作为光谱数据预处理的一种新方法,其应用前景良好。     

近红外“3R”法双谱自适应去噪

针对近红外透射和吸收双光谱提出一种自适应的去噪方法。同步采集样品的近红外透射谱和吸收谱,在相同分解原则下总体经验模态法分解两组光谱,得到单组分特征模态分量。计算特征模态分量与原透射谱、吸收谱之间相关性,以及两组特征模态分量之间相关性,相关性最小模态分量初判为噪声分量。分析该分量在光谱中点处自相关性,若中点处很大,其他点几乎为零或很小,可以判断该分量为噪声。这种基于模态分量相关性的噪声判别方法称为“3R”法则。剔除噪声分量,重构光谱信号,循环上述分解过程,直到不满足“3R”法则,降噪过程结束。构造理想光谱,叠加噪声,“3R”法降噪效果优于EMD和EEMD低通滤波器,略逊于小波分解。真实光谱实验中,经过上述方法降噪处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型,“3R”法处理模型具有最大校正相关系数和预测相关系数,最小校正标准差和预测标准差。在四种降噪方法中,“3R”法对光谱谱峰位置和峰高的影响最小。实验表明,“3R”双谱去噪方法无需预设迭代次数,不用考虑分解层数,没有基函数,是自适应的,该方法适合近红外光谱去噪。     

闪电回击场多尺度分析

利用聚合经验模式分解(EEMD)方法对闪电负地闪回击电场波形进行了分析并得到一系列具有物理意义的内禀模态函数 (IMF)。 结果表明,IMF1是高频噪声项,趋势项R主要是静电场作用的结果。 IMF2~IMF11表现出闪电通道的不同尺度放电特征。通过计算IMF分形维数,发现越高阶的IMF对应着越大的分形维数,表明越高阶的IMF对应着越曲折的闪电放电通道。相比于基于经验模式分解（EMD）的希尔伯特-黄变换（HHT）谱和小波谱,基于EEMD的HHT谱能改善模态混叠现象,EEMD更适合于观察像闪电这种非平稳非线性信号。     

EMD时频分析拉曼光谱和近红外光谱

用时频方法分析拉曼光谱和近红外光谱。经验模态分解光谱成为特征模态分量,模态分量比重计算显示拉曼光谱能量均匀分布于各个分量,而近红外光谱的低阶特征模态分量只承载了较少的原光谱有效信息。真实光谱和数值实验均显示,经验模态分解视拉曼光谱为调幅信号,具有高频能量吸附特性; 视近红外光谱为调频信号,在一阶特征模态分量中可以较好实现高频窄带解调。一阶特征模态分量希尔伯特变换显示,经验模态分解拉曼光谱时易出现模态混叠现象。进一步在时频域分析玉米叶片近红外光谱,经验模态分解后截掉低能量的一、二阶分量,用剩余特征模态分量重构光谱信号,均方根误差为1.001 1,相关系数为0.981 3,两个指标反映出重构精度较高; 分解趋势项表明在近红外光波段,吸光度随着波长的减小呈现递增趋势; 特征模态分量的希尔伯特变换显示,657 cm-1是碱胁迫光谱特有频率,可作为碱胁迫光谱特征频率来辨识。     

总体经验模态分解能量向量用于ECG能量分布的研究

总体经验模态分解(EEMD)改进了经验模态分解(EMD)存在的模态混叠问题, 依据信号自身的波动特点将信号分解, 特别适合非线性非平稳信号的分析处理. ECG信号能量分布有一定的规律, 疾病会引起能量分布的变化, 研究ECG能量分布的改变对心脏疾病的研究和临床诊断有重要意义. 本文将ECG信号通过EEMD方法分解为多个本征模态函数(IMF)分量, 观察IMF分量的波动规律, 指出了ECG信号在不同时间尺度上的波动特点和物理意义. 将IMF分量分别计算能量, 得到ECG的能量向量, 并对健康人和三种心脏疾病患者能量向量进行对比分析. 结果表明心脏疾病导致EEMD能量向量的高频分量显著降低, 尤其是p₁分量具有较好的区分度, 可以作为心脏疾病诊断的参考依据. 相比较传统的频域分析方法单纯关注频率而忽略信号自身特点和信号成分之间的相互作用, EEMD的分解结果依赖于ECG信号本身, 因此更能够反映ECG信号的真实情况, 揭示年龄和疾病对ECG能量分布的影响.     

Source identification of gasoline engine noise based on continuous wavelet transform and EEMD–RobustICA

In order to separate noise source of gasoline engine, ensemble empirical mode decomposition (EEMD), robust independent component analysis (RobustICA) and continuous wavelet transform (CWT) are applied to study the blind source separation and noise source identification of gasoline engine. After the signal is decomposed with EEMD into a set of intrinsic mode function (IMFs), RobustICA has been applied to extract independent sources. The combined technique alleviates the problem of mode mixing in EMD and overcomes the problem that the number of sensors must be larger than or equal to the number of separated components. At the same time, RobustICA’s cost efficiency and robustness are particularly remarkable for short sample length in the absence of pre-whiten. CWT using the Complex Morlet Wavelet (CMW) is used for its better time–frequency localization features to analyze time–frequency characteristics of the ICA results. Combining the time–frequency results with different noise sources frequency spectrums, the corresponding relation of the different noise sources of gasoline engine and the independent components is determined. It turns out that these independent components correspond to the exhaust, combustion and piston slap noise of the gasoline engine respectively.     

A method for extracting human gait series from accelerometer signals based on the ensemble empirical mode decomposition

In this paper,the ensemble empirical mode decomposition(EEMD) is applied to analyse accelerometer signals collected during normal human walking.First,the self-adaptive feature of EEMD is utilised to decompose the accelerometer signals,thus sifting out several intrinsic mode functions(IMFs) at disparate scales.Then,gait series can be extracted through peak detection from the eigen IMF that best represents gait rhythmicity.Compared with the method based on the empirical mode decomposition(EMD),the EEMD-based method has the following advantages:it remarkably improves the detection rate of peak values hidden in the original accelerometer signal,even when the signal is severely contaminated by the intermittent noises;this method effectively prevents the phenomenon of mode mixing found in the process of EMD.And a reasonable selection of parameters for the stop-filtering criteria can improve the calculation speed of the EEMD-based method.Meanwhile,the endpoint effect can be suppressed by using the auto regressive and moving average model to extend a short-time series in dual directions.The results suggest that EEMD is a powerful tool for extraction of gait rhythmicity and it also provides valuable clues for extracting eigen rhythm of other physiological signals.     

基于CEEMD特征提取的无绝缘轨道电路补偿电容故障诊断

本文利用电路网络理论和传输线理论构建ZPW-2000A轨道电路传输模型,仿真并分析了补偿电容故障对轨面电压的影响,提出基于互补的总体经验模式分解(CEEMD)特征提取的补偿电容故障诊断方法。实验结果表明,相比于传统经验模式分解(EMD)和总体经验模式分解(EEMD),基于CEEMD特征提取的补偿电容故障诊断方法可以有效地克服EMD方法引起的模态混叠和能量泄露现象,减少EEMD方法在信号重构过程中的白噪声残留,为补偿电容的故障诊断提供了一种快速准确的方法,为保证信号传输质量提供了参考依据。