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。     

脉冲星信号的经验模态分解模态单元比例萎缩消噪算法

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     

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

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.     

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     

利用经验模态分解的高频水声信号滤波方法*

研究了一种高频水声信号的滤波问题,提出了一种改进的经验模态分解加小波阈值滤波方法。首先对信号进行带通滤波处理,再进行经验模态分解,将分解得到的各个模态转换为频域信号,采用小波软阈值方法对这些频域信号进行滤波,最后对信号进行重构,并转换为时域信号。经数值仿真与试验数据验证表明此方法是可行有效的,与原基于经验模态分解的小波阈值滤波方法相比,本方法滤波效果较好:对不同输入信噪比的仿真信号进行滤波后,本方法的输出信噪比最大提高17.41 d B,滤波后所得信号与加噪前纯信号的相关系数最大提高0.90;对实验数据进行滤波后,不同时间段信号的相关系数最大提高0.62。     

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。     

基于峰值信噪比和小波方向特性的图像奇异值去噪技术

提出一种利用小波变换子图像不同的方向特性和峰值信噪比进行奇异值分解的图像去噪算法。由于图像经过小波变换后,低频子图像集中了原图像的大部分能量噪声,故仅作简单维纳滤波;而噪声则主要集中在小波域中的三个不同方向的高频子图中,且系数较小,因此可以利用奇异值分解进行去噪处理,即用较大的奇异值和对应的特征向量重构出去噪图像,然而由于奇异值分解固有的行列方向性,对于高频对角线子图重构出的图像去噪效果不理想,故采取旋转至行列方向后再进行常用的奇异值滤波;最后将去噪后的低频和高频子图进行小波反变换重构出最终的去噪图像,其中重构所需的奇异值个数由图像的峰值信噪比确定。 实验结果表明,该方法在有效去噪的同时较好的保留了原有的高频细节信息。     

基于噪声辅助非均匀采样复数据经验模态分解的混沌信号降噪

鉴于非均匀采样复数据经验模态分解(NSBEMD)相对传统分解方法的优势和噪声的NSBEMD特性,提出了一种基于噪声辅助NSBEMD的混沌信号自适应降噪方法.该方法首先以含噪混沌信号和高斯白噪声分别为实、虚部来构造复数据并进行NSBEMD,然后根据虚部各IMF的能量来估算实部各IMF中包含的噪声能量,最后根据噪声能量的估计值对实部IMF进行奇异值分解(SVD)降噪.噪声估计实验验证了噪声能量估计方法的可行性,而Lorenz信号和太阳黑子月平均数的降噪实验则表明,相对于现有EMD降噪方法,本文方法能够进一步消除噪声,更清晰地恢复出混沌吸引子的拓扑结构.     

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     

基于奇异值分解的随机共振特征提取研究

针对强背景噪声下信噪比极低的微弱特征信号的识别问题,提出了基于奇异值分解的随机共振特征提取方法.该方法首先利用奇异值分解对实际采样信号进行预处理和重构,然后寻找到特征信号分量与噪声强度相匹配的分量信号.此分量信号再经过非线性双稳系统的随机共振处理,可实现从强噪声背景中检测极微弱的特征信号.     

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.     

基于独立成分分析和经验模态分解的混沌信号降噪

基于经验模态分解和独立成分分析去噪的特点,提出了一种联合独立成分分析和经验模态分解的混沌信号降噪方法. 利用经验模态分解对混沌信号进行分解,根据平移不变经验模态分解的思想构造多维输入向量, 通过所构造的多维输入向量和独立成分分析对混沌信号的各层内蕴模态函数进行自适应去噪处理; 将处理后的所有内蕴模态函数进行累加重构,从而得到降噪后的混沌信号. 仿真实验中分别对叠加不同强度高斯噪声的Lorenz混沌信号及实际观测的月太阳黑子混沌序列进行了研究, 结果表明本文方法能够对混沌信号进行有效的降噪,而且能够较好地校正相空间中点的位置, 逼近真实的混沌吸引子轨迹. 关键词： 独立成分分析 经验模态分解 混沌信号 降噪     

混沌干扰中基于同步挤压小波变换的谐波信号提取方法

针对混沌干扰背景下多个谐波信号的提取问题, 提出了一种基于同步挤压小波变换(SST)的谐波信号抽取方法. 首先利用SST将混沌信号和谐波信号组成的混合信号分解为不同的内蕴模态类函数, 然后利用Hilbert变换对分离出的内蕴模态类函数进行频率识别, 从中分离出各谐波信号. 以Duffing混沌背景为例, 对混沌干扰下多谐波信号的提取进行了实验分析. 实验结果表明: 对于不同频率间隔的多个谐波分量, 本文方法的提取结果都具有较高的精度, 而且所提方法对高斯白噪声的干扰具有较好的鲁棒性, 综合提取效果优于经典的经验模态分解方法.     

A New Method Based on Time-Varying Filtering Intrinsic Time-Scale Decomposition and General Refined Composite Multiscale Sample Entropy for Rolling-Bearing Feature Extraction

The early fault diagnosis of rolling bearings has always been a difficult problem due to the interference of strong noise. This paper proposes a new method of early fault diagnosis for rolling bearings with entropy participation. First, a new signal decomposition method is proposed in this paper: intrinsic time-scale decomposition based on time-varying filtering. It is introduced into the framework of complete ensemble intrinsic time-scale decomposition with adaptive noise (CEITDAN). Compared with traditional intrinsic time-scale decomposition, intrinsic time-scale decomposition based on time-varying filtering can improve frequency-separation performance. It has strong robustness in the presence of noise interference. However, decomposition parameters (the bandwidth threshold and B-spline order) have significant impacts on the decomposition results of this method, and they need to be artificially set. Aiming to address this problem, this paper proposes rolling-bearing fault diagnosis optimization based on an improved coyote optimization algorithm (COA). First, the minimal generalized refined composite multiscale sample entropy parameter was used as the objective function. Through the improved COA algorithm, optimal intrinsic time-scale decomposition parameters based on time-varying filtering that match the input signal are obtained. By analyzing generalized refined composite multiscale sample entropy (GRCMSE), whether the mode component is dominated by the fault signal is determined. The signal is reconstructed and decomposed again. Finally, the mode component with the highest energy in the central frequency band is selected for envelope spectrum variation for fault diagnosis. Lastly, simulated and experimental signals were used to verify the effectiveness of the proposed method.     

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.     

乙醇含量拉曼光谱检测中噪声与背景同时消除方法研究

乙醇含量拉曼光谱检测中,拉曼光谱信号中的各种噪声及光谱荧光造成的基线漂移和样品池背景等,影响了校正模型的预测精度。利用总体平均经验模态分解,将光谱信号分解成若干无模态混叠的内在模式分量,根据排列熵的信号随机性检测判据判断出代表背景信息和噪声信息的内在模式分量,将其置零即可同时消除拉曼光谱中的噪声与背景。将总体平均经验模态分解与排列熵相结合的预处理方法应用于乙醇含量的拉曼光谱检测中,并与小波变换和平均平滑滤波做了对比。实验结果表明：应用总体平均经验模态分解与排列熵相结合的方法能够有效的同时消除乙醇含量拉曼光谱检测中的噪声和背景信息,提高校正模型的预测精度,且使用简便,无需参数设置,对乙醇含量拉曼光谱检测具有实用价值。     

集合经验模态分解在区域降水变化多尺度分析及气候变化响应研究中的应用

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     

基于改进变分模态分解的北极海域声速剖面分类*

应用支持向量机对北极声速剖面进行分类,特征量提取是关键。该文采用一种基于经验模态分解的改进变分模态分解算法,以准确提取声速剖面特征量。算法首先对声速剖面信号进行经验模态分解,依据最大类间方差原则划分各分量边际谱主频带,以相似度作为最小分解层数判断标准,获得最小分解层数,进行变分模态分解。对北极区海水声速实测数据(信号)处理表明,该方法可有效提取信号经验模态分解各分量的希尔伯特边际谱特征,进行支持向量机分类,实现对北极海域声速剖面的分类识别,解决以往人工分类耗时久的问题。     

滤波器与随机共振结合检测微弱信号

基于双稳随机共振系统及滤波器的不同特性,本文提出了一种将两者结合起来检测微弱周期信号的方法,先用自适应前置滤波器对输入的弱周期信号及噪声进行滤波,再使其通过双稳随机共振系统,进而检测出弱信号。对比只有双稳随机共振的系统,仿真结果表明此时的输出信号中待测信号频谱幅度得到了很大的提高,且周围的干扰信号也得到了明显的削弱,即两者的结合使用可以更好的检测出微弱信号,这对强噪声背景下的信号检测有很强的实用性。