首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 125 毫秒
1.
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。  相似文献   

2.
水下激光雷达回波信号中往往含有大量散射噪声.为了能够有效抑制散射噪声,提高水下激光雷达测距精度,提出了基于自适应完备噪声经验模态分解(CEEMDAN)与小波阈值相结合的去噪新方法.首先通过相关系数法对自适应完备噪声经验模态分解得到的本征模态函数(IMF)进行筛选;然后对筛选后的本征模态函数进行小波阈值去噪,进一步去除本征模态函数中的噪声成分;最后将去噪后的本征模态函数进行信号重构得到去噪后信号.将该方法应用到不同衰减系数水体的强度调制连续光水下测距实验,使用白色聚氯乙烯(PVC)反射板为探测目标,在3.75个衰减长度时,直接采用相关极值确定延时,测距误差达到19.2 cm;应用该方法处理后,测距误差减小到6.2 cm,有效提高测距精度.  相似文献   

3.
提出一种变分模态分解-排列熵的去噪方法,分析并设定排列熵中关键参数和阈值,进而通过排列熵来确定变分模态分解的分解层数值,将分解的各模态进行重构以实现对振动信号的去噪。通过仿真测试来验证该方法在正交性、完备性、信噪比和效率方面的优越性,最后对系统采集的实际振动信号进行去噪处理。实验结果表明,与现有的经验模态分解-相关系数和完全经验模态分解-相关系数方法相比,所提方法对触网、车轮碾压和雨淋三种振动信号具有最优的去噪信噪比(含噪信号与降噪值之比),分别为32.5358 dB、30.5546 dB和29.3435 dB,耗时也较少,分别为1.4432,1.6320,1.2349 s,信号模式识别准确率最高,均在99%以上。  相似文献   

4.
荧光法测量SO2浓度是大气监测中常用的检测手段.双光路技术可以消除光源和光路的噪音干扰,但光电转换器件在激发光照射下产生的背景噪音也会影响定量分析的准确度.本文采用经验模态分解滤波算法降低检测中存在的各种噪音,在实现有效降噪的基础上较好地保存了有用的原始信号.仿真结果表明,针对SO2浓度检测系统,利用经验模态分解去噪后信号的信噪比达到204.273 6,均方误差为0.007 0.与小波去噪法相比,经验模态分解检测效果更佳.最后将经两组不同方法处理后的信号应用于气体检测系统中,实验数据的线性关系更好地验证了经验模态分解方法应用到浓度检测系统的可行性.  相似文献   

5.
超声波振动台内含压电材料,可以拾取切削过程产生的振动信号,实现不借助外部传感器刀具工作状态的自感知。为了从刀具振动信号中获取有效信息,该文提出一种基于经验模态分解的时频域重构算法。首先,采用经验模态分解算法将原始信号分解,得到多个固有模态函数分量和残差分量;其次,计算原始信号与各分量之间的时频域互相关系数;再次,归一化时频域互相关系数作为权重值,将固有模态函数分量和残差进行重构;最后,通过数值仿真和超声辅助加工实验,验证了基于经验模态分解的时频域重构算法的去噪性能,提取了信噪比为5.03 dB的目标信号,从而实现了超声辅助加工系统的自感知功能。  相似文献   

6.
EEMD在土壤剖面反射光谱消噪中的应用   总被引:2,自引:0,他引:2  
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 6dB提高到34.275 7dB,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。  相似文献   

7.
EEMD在土壤剖面反射光谱消噪中的应用   总被引:1,自引:0,他引:1  
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。  相似文献   

8.
王文波  张晓东  汪祥莉 《物理学报》2013,62(6):69701-069701
针对脉冲星信号的消噪问题, 提出了一种基于模态单元比例萎缩的经验模态分解(EMD)消噪方法. 利用经验模态分解将含噪脉冲星信号分解为一组内蕴模态函数(IMF), 将IMF中两个过零点间的部分定义为模态单元, 以模态单元为基本单位构造最优比例萎缩因子, 对IMF中的每个模态单元进行比例萎缩去噪, 进而建立基于模态单元比例萎缩的脉冲星信号滤波模型.对含噪脉冲星信号进行了消噪实验分析, 实验结果表明, 与小波硬阈值消噪法、比例萎缩小波消噪法和基于模态单元阈值的EMD消噪法相比, 该方法可以更有效地去除脉冲星信号中的噪声, 同时更好地保留了原信号中的有用细节信息. 关键词: 经验模态分解 脉冲星信号 模态单元比例萎缩 消噪  相似文献   

9.
基于EMD的拉曼光谱去噪方法研究   总被引:2,自引:0,他引:2  
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,把经过阚值处理后的高频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.  相似文献   

10.
为了提升Stark展宽计算等离子体电子密度的准确性,基于小波阈值去噪处理方法,对EAST氘原子光谱信号进行了处理,以信噪比(SNR)和均方根误差(RMSE)作为滤波效果的评价依据,通过对比确定了最优小波基db4,最优小波分解4层。根据噪声估计值计算适合的阈值参数进行信号重构,并将经过去噪处理后的数据应用到后期Stark展宽算法计算等离子体密度的分析过程中。结果表明,小波硬阈值去噪能够有效提高光谱信号信噪比、降低均方根误差,在消除光谱信号中噪声的同时,最大程度保留了有用的光谱细节特征信息,进而有利于光谱数据的建模效果,获得更为准确的等离子体电子密度。  相似文献   

11.
Although the empirical mode decomposition (EMD) method is an effective tool for noise reduction in lidar signals, evaluating the effectiveness of the denoising method is difficult. A dual-field-of-view lidar for observing atmospheric aerosols is described. The backscattering signals obtained from two channels have different signal-to-noise ratios (SNRs). The performance of noise reduction can be investigated by comparing the high SNR signal and the denoised low SNR signal without a simulation experiment. With this approach, the signal and noise are extracted to one intrinsic mode function (IMF) by the EMD- based denoising; thus, the threshold method is applied to the IMFs. Experimental results show that the improved threshold method can effectively perform noise reduction while preserving useful sudden-change information.  相似文献   

12.
基于集合经验模态分解和奇异值分解的激光雷达信号去噪   总被引:1,自引:0,他引:1  
为了提高差分光柱像运动激光雷达(DCIM雷达)探测信噪比,提出了一种基于集合经验模态分解(EEMD)和奇异值分解(SVD)的混合降噪法.由EEMD获得含噪信号多层模态分量,根据各模态分量之间互相关系数的差分量确定主要噪声并予以滤除,利用奇异值分解识别模态分量中的残余噪声并提取有用信号.利用混合降噪法EEMD-SVD和EEMD方法分别对模拟仿真信号和实测激光雷达信号进行降噪处理.结果表明,当模拟噪声标准差在0.05~0.2之间时,相比与未降噪直接反演的湍流廓线,EEMD-SVD方法降噪后反演的湍流廓线信噪比提高了2.718 7dB~6.921 5dB,相应的EEMD方法提高了1.446 1dB~3.366 1dB;两个不同时段DCIM雷达降噪前后反演廓线与探空廓线的对比发现,EEMD-SVD和EEMD两种方法降噪后反演廓线较之于未降噪的反演廓线,信噪比最大提高了2.526 5dB和2.155 6dB.EEMD-SVD的降噪效果优于EEMD,能够更有效地识别和滤除噪声,较大地提高了原始信号的信噪比,获得更准确的大气湍流廓线反演结果.  相似文献   

13.
薛春芳  侯威  赵俊虎  王式功 《物理学报》2013,62(10):109203-109203
集合经验模态分解(EEMD)是一种适用于非线性、非平稳序列的信号分析方法, 将EEMD 应用于气候要素时间序列, 可提取可靠真实的气候变化信号, 同时, EEMD可以得到气候变化的固有时间尺度.本文使用EEMD方法, 从气候时间序列中提取气候信号中各个尺度的变化, 对渭河流域过去50年来的秋季降水进行多尺度分析,结果显示, 对于20世纪70年代末80年代初的全球气候突变, 渭河流域的秋季降水也有很好的响应, 而且大尺度上的响应要早于中小尺度, 其中在大尺度上主要表现为波动形式, 即降水距平正负位相持续期的变化, 从持续正位相到正负位相周期性交替出现; 而在中小尺度上主要是振幅大小, 即降水距平正负位相量级的变化, 量级从相对较大变为相对较小再逐渐增大. 关键词: 集合经验模态分解 多尺度变化 秋季降水 渭河流域  相似文献   

14.
低信噪比线性调频信号目标的方位估计   总被引:2,自引:0,他引:2       下载免费PDF全文
线性调频(LFM)信号目标的方位估计是水声探测研究的重要内容,在进行方位估计时,若存在强干扰信号源与强背景噪声,阵元接收信号的信噪比会显著降低,严重影响LFM信号目标方位估计结果的准确性.针对该问题,提出了一种简明分数阶滤波方法,并将其与常规波束形成方法(CBF)相结合来实现低信噪比条件下LFM信号目标的方位估计.简明分数阶傅里叶变换能在正交角度上将LFM信号的能量聚集在特定频点处并形成明显的能量峰,利用该特性,可对阵列各阵元接收的低信噪比LFM信号在简明分数阶域聚集的能量峰进行最佳滤波,以滤除干扰信息及背景噪声.对滤波输出进行逆简明分数阶傅里叶变换可得到增强信干比和信噪比的阵元域信号,进一步用于目标方位估计,就能获得更加准确的目标方位。数值仿真结果和海试实验数据处理结果验证表明,本文所提出的方法可有效抑制干扰和背景噪声,并对低信噪比LFM信号进行准确、稳健的方位估计。   相似文献   

15.
This paper studied multi component LFM signal detection and parameter estimation under the noise circumstance of various signal-to-noise ratios. Based on the analysis of fractional Fourier transform detection and parameter estimation on simple component LFM signal, this paper proposed the method of multi component LFM signal detection and parameter estimation based on EEMD–FRFT (Ensemble Empirical Mode Decomposition–Fractional Fourier transform), and this method was that with the EEMD algorithm, from the frequency domain decompose the analyzable signal to narrow-bandwidth components, whose center frequency changed from high to low, then accurately estimate the parameter and detect the signal of each component out of the pseudo-component with FrFT. This method solved the problem of mode aliasing of signal decomposition; meanwhile, the problem of detecting the multi component LFM signal would be simplified as the problem of one-dimensional search in small scope, which could reduce the amount of operation and improved the detection accuracy. A simulation computation for multi component LFM signal of various SNR (signal-to-noise ratios) was made and the result showed that the error of parameter estimation was less than 5% in the case of SNR not less than −10 dB.  相似文献   

16.
基于经验模态分解的高光谱遥感数据去噪方法   总被引:1,自引:1,他引:0  
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。  相似文献   

17.
徐元博  魏振东 《应用声学》2015,23(10):16-16
针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(Ensemble Empirical Mode Decomposition,EEMD)和高效快速独立分量分析(Efficient Variant of FastICA,EFICA)的盲源分离故障诊断方法。利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(Intrinsic Mode Function,IMF),解决了盲源分离中的欠定问题。在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离。通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。  相似文献   

18.
张曹  陈珺  刘飞 《应用声学》2017,25(12):13-16
在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。  相似文献   

19.
在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取。为了有效的进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别。仿真实验表明,采用MCKD-EEMD方法能够有效的提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。  相似文献   

20.
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.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号