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.     

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。     

DNA测序信号去噪分析的一种新方法

在DNA荧光测序中,噪声会影响分析的准确度和检出限。相比其他滤波方法,小波分析具有良好的时频域分辨特性。在小波去噪处理中,正确选择合适的小波基函数、去噪阈值和分解层数直接关系到信号去噪处理的质量。为了真实构建噪声模型并准确评价去噪算法的有效性,实验中通过实际系统中采集到的噪声信号叠加理想荧光信号构建DNA测序仿真信号,去噪分析的结果表明：选择sym7小波基函数、分解层数(lev＝5)与使用固定格式软阈值,有效去除了DNA测序信号的噪声;处理后,信号的信噪比提高了5倍以上。将其用于处理实际的DNA电泳荧光信号,相比基于随机噪声模型的算法,去噪后的信号更加真实可靠。     

基于反向传播神经网络的拉曼光谱去噪方法

拉曼光谱技术作为一种典型的光学检测方法,因其独特的非侵入性、快速、原位和极高的特异性,在生物分析、疾病诊断及分子识别等众多领域得到广泛应用。拉曼光谱的指纹特性使其成为生物医学分析领域的重要工具,但拉曼散射信号微弱,数据处理分析大量依赖分析人员、自动化处理能力低等因素都会极大影响该技术在实际中的应用。实验设备、环境产生的噪声、待测生物样本的自发荧光等各种干扰因素使得高质量拉曼光谱数据的获得变得较为困难,各种随机噪声会干扰拉曼光谱图中指纹谱峰信息的识别,增大拉曼特征提取的难度,因此,噪声抑制在拉曼光谱预处理中显得十分重要。采用反向传播算法,从数据本身的特征出发,基于理想光谱片段和含噪光谱片段的线性差异,分别构建噪声判定神经网络和光谱去噪神经网络模型。以随机生成的一系列洛伦兹峰数学模型叠加生成拉曼光谱,对生成的拉曼光谱分别加入不同强度的噪声,以此为实验数据,对比新方法和经典滑动窗口均值法、Savitzky-Golay滤波法、傅里叶变换法、小波阈值变换方法去噪的结果。对均方根误差和信号噪声比两个指标进行分析,结果显示,在低噪声干扰下所有去噪方法都能较好地完成任务,但滑动窗口均值方法在光谱的边缘去噪效果会出现下降。随着噪声信号的增大,滑动窗口均值方法、S-G滤波方法、傅里叶变换方法去噪性能都出现明显下降。而基于反向传播神经网络的去噪方法要优于傅里叶变换法、滑动窗口均值法、S-G滤波器法,同时该方法在避免复杂参数寻优设置的同时,获得了和最优阈值小波变换方法近乎一致的去噪效果,大大简化了参数设置,更适合拉曼光谱去噪的自动化实现。     

提升小波变换与中值滤波结合的红外光谱消噪

在光谱数据的定量分析中,噪声的存在常常会影响结果的准确性。为提高红外光谱分析精度,需要对光谱数据进行去噪处理。将一种光滑阈值函数和一种分层阈值选取方法应用到提升小波域光谱信号的去噪处理中,并对提升小波重构信号进行中值滤波。对某小麦品种的实测光谱信号,添加信噪比为21.17 dB的噪声后采用该方法进行去噪处理,并利用信噪比(SNR)、均方根误差(RMSE)、峰值平均相对误差(AREPV)以及峰位平均误差(AEPP)四项指标对去噪效果进行评价。结果表明,与软阈值法与硬阈值法相比,该方法能更有效地去除光谱信号中的噪声,保留光谱中的有用信息,提高光谱信噪比,降低均方根误差、峰值平均相对误差以及峰位平均误差,提高光谱的分析能力。     

改进阈值提升小波和自适应滤波器的开放光路红外光谱去噪

大气污染物的主要组成成分为挥发性有机物(VOCs),傅里叶变换红外光谱技术(FTIR)是现阶段应用广泛的挥发性有机物在线测量方法。开放光路获取到的大气红外光谱(OP-FTIR)易受各种噪声污染,如何有效、快速的去除红外光谱中的噪声是大气在线实时监测系统研究的热点。综合利用提升小波变换结构简单、运算量低的优点以及最小均方误差自适应滤波器的自动调节参数以达最优化滤波的性能,提出了一种改进阈值提升小波结合自适应滤波的红外光谱去噪算法。该算法先通过改进阈值小波系数的提升小波去噪,在去噪的同时保留更多光谱特征信息,然后使用提升小波变换分解出的高频系数重构出噪声相关信号,将其作为最小均方误差自适应滤波器的参考输入进行二次滤波处理,最终获得的去噪信号很好的去除了与特征光谱频谱重叠的噪声信号。分别对人工添加噪声的标准红外光谱和合肥市市区上空实测开放光路红外光谱进行去噪处理,结果显示使用该算法处理后的光谱信噪比(SNR)较离散小波传统阈值去噪方法高出3db,均方根误差(RSME)平均减少30%左右,运行时间减少46%。表明该算法计算简单、运行速度快,对于大气环境监测实时消噪系统具有重要的实际应用意义。     

基于NLMS滤波器的荧光检测苯并(a)芘光谱信号的去噪研究

根据苯并(a)芘在特定光的照射下能够发出荧光的特性,采用紫外荧光法检测苯并(a)芘的浓度,构建了检测苯并(a)芘浓度的实验系统。为了精确地检测出苯并(a)芘的浓度,需要将实验中所得数据中所包含的噪声滤除掉,得到有效的荧光信号。将归一化最小均方自适应滤波(NLMS)的原理应用到光谱数据的噪声处理中,并将其与小波去噪的效果相比较,用Matlab仿真出去噪效果图,从不同的角度分析去噪效果。经过对比得出,用归一化最小自适应滤波能够继续保持信号的非平稳特性,达到更加理想的去噪效果,去噪性能更优,此种方法适用于荧光法检测物质浓度的信号处理中。     

混沌信号自适应协同滤波去噪

混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.     

基于改进中值滤波和提升小波变换的阈值去噪方法研究

对于实际拍摄的一些图像信噪比低,噪声密度大,且含有混合噪声,而现有算法大多只能去除单一噪声的问题。针对混合噪声中含有的脉冲噪声和高斯噪声,提出基于改进中值滤波和提升小波变换去噪相结合的方法。去噪过程中,使用中值滤波器提取脉冲噪声并采用中值滤波算法滤波后,构造提升小波,采用改进阈值函数提升小波阈值去噪方法去除高斯噪声。实验结果表明,当噪声值(,)=(0.4, 20)时,采用本文去噪方法,峰值信噪比（PSNR）为34.002 1,平均绝对误差（MAE）为2.365 3。     

激光云高测量去噪算法研究

针对激光雷达回波信号所含噪声的特点, 对比分析了传统去噪算法的优缺点, 重点就小波自适应阈值去噪方法和独立成分分析去噪方法进行了系统研究。为了验证这两种方法在激光云高测量信号去噪上的有效性和优劣性, 对包含高斯白噪声的模拟仿真信号进行了消噪, 并对半导体激光云高仪实际探测得到的大气回波信号进行了消噪处理, 最后对去噪结果进行了对比分析。仿真结果和实验结果表明, 这两种消噪方法均能够有效降低激光雷达回波信号中所含噪声, 并且独立成分分析消噪效果明显优于小波自适应阈值方法。     

HHT时频分析土壤光谱的重金属铜离子污染信息提取模型

土壤中不同浓度Cu2+含量映射到土壤光谱上的信息量十分微弱,并且这些高光谱数据中也存在着难以避免的噪声,因而本研究的关键是如何在土壤光谱复杂的噪声环境中提取微弱Cu2+信息。经验模态分解算法(EMD)能够有效去除高光谱数据中的噪声,且EMD是Hilbert变换对“非线性非稳定”信号时频分析的前提,当引入Huang变换后,可利用Hilbert-Huang变换(HHT)模型时频分析高光谱数据以实现降噪处理与信息提取。通过时频的HHT分析不同浓度Cu2+污染下的土壤光谱,完成从原始光谱经EMD分解出各本征模态函数(IMF)分量的包络线、调制信号和频谱等曲线中挖掘土壤光谱的Cu2+污染信息。研究结果表明,相同浓度Cu2+污染时的土壤光谱HHT时频分析结果相同,不同浓度时则不同,所以也可依据IMF分量反演土壤Cu2+含量。因此,高光谱数据的HHT时频分析能为土壤光谱的信息挖掘、光谱诊断和Cu2+含量反演等提供一种新的方法和思路。     

土壤铅污染光谱的HHT鉴别及BC-PLSR铅含量预测模型

土壤重金属污染问题一直备受关注,利用高光谱遥感对其进行研究取得了大量的成果,主要集中在利用土壤光谱的导数变换、连续统去除等常规方法预测土壤重金属含量上。土壤光谱数据与非线性非平稳的机电信号、医学信号等具有一定的相似性。通过希尔伯特黄变换(Hilbert-Huang transform, HHT),对土壤铅(Pb)污染光谱进行频率域分析,实现土壤Pb污染光谱的HHT鉴别,并建立土壤Pb含量预测模型。首先,进行土壤Pb污染实验,采集土壤Pb污染样品的光谱、含水率及有机质含量;其次,通过土壤Pb污染样品光谱的HHT时频分析和第二个本征模函数(intrinsic mode function, IMF)分量(IMF2)瞬时频率的二阶导数识别土壤Pb污染的特征波段;最后,选择合适的频率域参数、土壤光谱一阶导数、土壤有机质含量及土壤含水率作为参数,利用箱形图、聚类分析、偏最小二乘法建立土壤Pb含量预测模型。研究结果表明：土壤Pb污染的HHT时频分析图可以鉴别土壤Pb污染光谱,未受污染的土壤光谱HHT时频分析图在波段序列为250~430之间没有异常信号,Pb污染土壤的光谱HHT时频分析图在波段序列为250~430之间存在多个异常信号,并且随着浓度的升高,异常信号分布范围越来越广,当污染浓度达到800 μg·g-1时,土壤样品的光谱信号在波段序列为270处、频率为0.3 Hz之前出现了较强的异常信号;土壤Pb污染光谱经验模态分解(empirical mode decomposition, EMD)处理后,得到的未受污染的土壤光谱IMF2的瞬时频率的二阶导数的突变非常微弱,而Pb污染的土壤光谱IMF2的瞬时频率的二阶导数存在明显的突变点,根据突变点及土壤Pb污染光谱的IMF2的瞬时频率的二阶导数识别的土壤Pb污染光谱的特征波段区间为2 150~2 300 nm;利用不同浓度Pb污染下土壤光谱Hilbert能量谱峰值、EMD能量熵、一阶导数、有机质和含水率,通过箱形图去除了六组异常样品,然后利用聚类分析的方法将去除异常样品后的土壤Pb污染样品分为两类,最后将Hilbert能量谱峰值、EMD能量熵、2 134 nm波段一阶导数、790 nm波段一阶导数、1 276 nm波段一阶导数、2 482 nm波段一阶导数、有机质和含水率作为参数建立两类数据的BC-PLSR(boxplot cluster-partial least squares regression)模型预测土壤中Pb含量,经验证模型精度较高,相关系数分别为0.88和0.99。     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

时间—频率分析在声学中的主要应用

时频分析已在信号分析、建模、合成、重构、滤波、压缩编码以及信号检测与参数估计、模式识别等得到了广泛应用。本文在简要介绍时－频分布的有关内容之后，综述了该方法在声学中的主要应用及研究进展。     

Model-based detector and extraction of weak signal frequencies from chaotic data

Detecting a weak signal from chaotic time series is of general interest in science and engineering. In this work we introduce and investigate a signal detection algorithm for which chaos theory, nonlinear dynamical reconstruction techniques, neural networks, and time-frequency analysis are put together in a synergistic manner. By applying the scheme to numerical simulation and different experimental measurement data sets (Henon map, chaotic circuit, and NH(3) laser data sets), we demonstrate that weak signals hidden beneath the noise floor can be detected by using a model-based detector. Particularly, the signal frequencies can be extracted accurately in the time-frequency space. By comparing the model-based method with the standard denoising wavelet technique as well as supervised principal components analysis detector, we further show that the nonlinear dynamics and neural network-based approach performs better in extracting frequencies of weak signals hidden in chaotic time series.     

心磁信号广义S变换域奇异值分解滤波方法

针对心磁信号工频及背景噪声干扰问题, 提出了广义S变换奇异值分解(singular value decomposition, SVD)滤波方法.在离散S变换基础上, 导出了广义矩阵S变换和逆变换公式. 通过对采样信号进行广义S变换, 调节时频分辨率, 利用SVD分解方法确定有效心磁信 号区域, 实现自适应时频滤波. 实验结果表明, 该方法能有效滤除工频及背景噪声干 扰, 且在较少奇异值个数情况下可获得更好的滤波性能. 关键词： 心磁信号 S变换 奇异值分解 时频滤波     

高效液相色谱-原子荧光光谱联用中的连续数字信号采集和处理

本文报道了利用Visual C 编写原子荧光光谱仪的数字信号采集和处理软件,成功地解决了原子荧光光谱仪作为联用技术在线检测器的数据采集问题,实现了通过计算机串口对瞬变光谱信号的连续采集和实时的曲线绘制。本工作采用Savitzky-Golay平滑、傅里叶变换滤波和小波滤噪三种数据处理技术对采集数据进行平滑和滤波,并对其处理效果进行了比较。并以镉为例,验证了高效液相色谱与国产原子荧光光谱联用应用于形态分析的可能性。