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.     

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。     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他 IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

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.     

CEEMDAN联合小波阈值算法在水下激光雷达中抑制散射杂波的应用

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.     

二次谐波的变分模态分解和小波阈值函数降噪

针对利用可调谐半导体激光器吸收光谱学(TDLAS)技术测量气体浓度过程中二次谐波谱线存在的外界噪声干扰问题,提出一种基于变分模态分解和小波阈值函数复合算法的二次谐波降噪方法。首先对二次谐波含噪信号进行分解,得到有用固有模态函数(IMF)并进行重构,再对重构信号进行小波阈值函数降噪处理。讨论了变分模态分解中最佳平衡参数的选取,得出最佳平衡参数与含噪信号中噪声成正比的结论。通过改变小波变换的阈值函数改变高频小波系数,以更好地抑制噪声。对实际测量曲线的降噪结果表明,所提出的降噪方法可以在信噪比较低的情况下有效抑制噪声,提取有用的二次谐波信号。     

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.     

基于小波域可导阈值函数与自适应阈值的脉冲星信号消噪

脉冲星辐射信号具有极低的信噪比, 传统降噪方法难以在抑制噪声的同时保留其细节信息. 为此, 提出了一种小波域脉冲星信号消噪方法. 在小波域, 利用一种可导的阈值函数和一种自适应阈值选取方法, 对含噪脉冲星信号进行小波域阈值去噪处理, 并利用信噪比(SNR)、 均方根误差(RMSE)、 峰值相对误差(REPV) 以及峰位误差(EPP) 四项指标来对去噪效果进行评价. 实验结果表明, 与软阈值与硬阈值法相比, 该方法能在有效去除含噪脉冲星信号中的噪声、 显著提高其信噪比的同时, 更有效地保留原始信号中的有用信息, 同时可以获得更小的均方根误差、 脉冲峰值相对误差与峰位误差.     

Relevant modes selection method based on Spearman correlation coefficient for laser signal denoising using empirical mode decomposition

Empirical mode decomposition (EMD) is a recently proposed nonlinear and nonstationary laser signal denoising method. A noisy signal is broken down using EMD into oscillatory components that are called intrinsic mode functions (IMFs). Thresholding-based denoising and correlation-based partial reconstruction of IMFs are the two main research directions for EMD-based denoising. Similar to other decomposition-based denoising approaches, EMD-based denoising methods require a reliable threshold to determine which IMFs are noise components and which IMFs are noise-free components. In this work, we propose a new approach in which each IMF is first denoised using EMD interval thresholding (EMD-IT), and then a robust thresholding process based on Spearman correlation coefficient is used for relevant modes selection. The proposed method tackles the problem using a thresholding-based denoising approach coupled with partial reconstruction of the relevant IMFs. Other traditional denoising methods, including correlation-based EMD partial reconstruction (EMD-Correlation), discrete Fourier transform and wavelet-based methods, are investigated to provide a comparison with the proposed technique. Simulation and test results demonstrate the superior performance of the proposed method when compared with the other methods.     

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.     

Comparison of simultaneous signals obtained from a dual-field-of-view lidar and its application to noise reduction based on empirical mode decomposition

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.     

激光雷达信号的可变间隔阈值经验模式分解去噪法

针对采用经验模式分解直接阈值(EMD-DT)和经验模式分解间隔阈值(EMD-IT)在激光雷达回波信号的去噪应用中会产生的模态混叠现象,采用一种可变间隔阈值的经验模式分解(EMD-SIT)的去噪方法。首先,对信号进行经验模式分解。然后,采用过零率方法将分解出的含有噪声的固有模态函数分离。最后,应用过零点阈值,设立一个新的可变阈值,将EMD-IT和EMD-DT有效融合对信号进行去噪。通过与多种阈值的仿真对比以及激光雷达的回波信号去噪实验,结果表明该方法可以有效地去除噪声,抑制模态混叠,较EMD-IT和EMD-DT更具有优越性,因此有着很好的应用前景。     

Denoising of chaotic signal using independent component analysis and empirical mode decomposition with circulate translating

In this paper, a new method to reduce noises within chaotic signals based on ICA(independent component analysis)and EMD(empirical mode decomposition) is proposed. The basic idea is decomposing chaotic signals and constructing multidimensional input vectors, firstly, on the base of EMD and its translation invariance. Secondly, it makes the independent component analysis on the input vectors, which means that a self adapting denoising is carried out for the intrinsic mode functions(IMFs) of chaotic signals. Finally, all IMFs compose the new denoised chaotic signal. Experiments on the Lorenz chaotic signal composed of different Gaussian noises and the monthly observed chaotic sequence on sunspots were put into practice. The results proved that the method proposed in this paper is effective in denoising of chaotic signals.Moreover, it can correct the center point in the phase space effectively, which makes it approach the real track of the chaotic attractor.     

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.     

应用经验模态分解和独立成分分析解译岩矿光谱

岩矿光谱由多种矿物光谱混合而成,解译岩矿光谱能够得到岩矿的组分信息,且该方法具有快速、方便、不损坏样品的特点。经验模态分解(empirical mode decomposition,EMD)不能直接分离出混合信号中的源信号,独立成分分析(independent component analysis,ICA)要求混合信号数目不小于其所包括的源信号数目。将 EMD和 ICA两种方法相融合,首先用 EMD 分解混合信号得到本征模态函数(intrinsic mode function,IMF),再选择一定数目的 IMF与混合信号一起组成 ICA的输入数据矩阵,经过 ICA 运算可以获取单一混合信号中的源信号信息,克服了 EMD和 ICA两种方法各自的缺陷。研究表明,综合应用 EMD和ICA方法可以获取单一混合信号中的源信号信息,混合信号中源信号含量越大,得到的源信号近似值越理想。参与ICA分离的IMF数目决定了分离得到的源信号近似值的数目,并且选择的IMF与混合信号相关系数越大,得到的源信号近似值越理想。运用该方法定量分析岩矿光谱,可以获取组成岩矿的矿物信息,比较适用于野外作业岩矿的快速分析鉴定及成分初步分析。