当前位置: 首页 > 专利查询>东南大学专利>正文

一种基于混合经验模态分解的去噪方法技术

技术编号:13158651 阅读:110 留言:0更新日期:2016-05-09 20:36
本发明专利技术公开了一种基于混合经验模态分解(Empirical Mode Decomposition,简称EMD)的去噪方法,属于数字信号处理技术领域。本发明专利技术将EEMD和MEMD算法相结合,并针对MEMD算法中所使用的掩膜信号频率进行参数优化,可更有效消除模态混叠,去噪效果更好;本发明专利技术进一步对EEMD中的添加噪声幅值、噪声相关IMF的滤波阈值、噪声IMF的滤波阈值进行有针对性的优化,从而进一步提高了整体去噪效果。相比现有技术,本发明专利技术方法可更有效消除模态混叠,去噪效果更好。

【技术实现步骤摘要】

本专利技术设及一种去噪方法,尤其设及一种基于混合经验模态分解化mpirical Mode Decomposition,简称EMD)的去噪方法,属于数字信号处理

技术介绍
EMDW及派生的邸MD化nsemble Empirical Mode Decomposition,集合经验模态 分解)和masking signal EMD(掩膜信号法经验模态分解,后面文中简称MEMO)是近些年来 发展起来的信号处理方法。它是基于信号时间尺度进行分解的,适用于非线性和非稳态信 号处理,由于不需要确定基函数和分解层数等主观经验参数设置,某些情况下,比小波变换 具有更好的分解效果。尽管如此,EMD也有自己的一些问题和缺陷。EMD的问题主要有端点效 应、模态混叠。EEMD尽管可W-定程度地解决EMD的问题,但加入噪声幅值是不确定的。EEMD 在实际应用中,尤其当信噪比较低时,模态混叠问题依然存在,此时EEMD加入的噪声会把信 号的噪声当作有用信号进行分解,从而带来了模态混叠和更多的虚假IMF(Spurious modes)。另外,EEMD的ensemble noise的幅值选择和信号的信噪比有关,准确选择噪声幅值 有一定的难度,大量实验表明,当信噪比低下时,EMD分解将会更有优势。MEMD通过添加确定 的高频掩膜信号来解决极值点分布的问题,因此对于模态混叠,MEMD具有明显的优势和计 算效率。MEMD的掩膜信号的幅值和频率参数选择是一个关键步骤,文中虽然给出了参考值, 但是在实际应用中,参考频率往往低于masking signal必需的要求,因而不能达到消除模 态混叠的理想效果,因此,对于不同的信号,推荐的参数计算的结果并非最优。IMF滤波主要 有小波阔值滤波、EMD直接滤波化MD-DT)和EMD区间滤波化MD-IT)及相关衍生滤波方法,其 中小波阔值系数误差较大,实际运用中不容易找准;EMD-DT不能保证信号的连续性,对于多 个幅值范围的信号滤波信号不好;EMD-IT虽然能保证信号的连续性,但是也不能保证低阶 IMF多幅值信号的滤波性能。总而言之,EMD-IT滤波主要有两个特点,第一,找到relative (噪声相关)IMF之后,直接丢弃低阶的"噪声"IMF,没有考虑其中带有的有效成分;第二,滤 波阔值不自适应,单一的阔值策略对于多幅值信号滤波存在较大误差。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足,提供一种基于混合经验模态 分解的去噪方法,该方法将邸MD和MEMD算法相结合,并针对MEMD算法中所使用的掩膜信号 频率进行参数优化,可更有效消除模态混叠,去噪效果更好。 本专利技术技术方案具体如下: -种基于混合经验模态分解的去噪方法,包括W下步骤: 步骤1、利用集合经验模态分解EEMD方法对原始信号进行分解,得到一系列固有模 态分量IMF和残余项,并从所有IMF中确定噪声IMF、噪声相关IMF、有用IMF; 步骤2、对噪声IMF和噪声相关IMF进行阔值滤波去噪,并利用掩膜信号法对有用 IMF所构成的信号进行模态混叠的消除;其中,掩膜信号法所使用的掩膜信号频率按照W下 方法确定:首先对有用IMF所构成的信号进行一阶求导,得到一阶导数信号;然后利用希尔 伯特变换方法获取所述一阶导数信号的瞬时频率,然后求取瞬时频率的均值;最后对所述 瞬时频率的均值乘W-个取值范围为(1,2)的权值,所得乘积即为掩膜信号频率;[000引步骤3、对阔值滤波去噪后的噪声IMF、噪声相关IMF,消除模态混叠的有用IMF所构 成的信号,W及残余项进行信号重构。 为了提高EEMD的性能,本专利技术进一步提出了 W下改进方案,对EEMD中的添加噪声 幅值进行优化: 所述EEMD方法中所使用的添加噪声的幅值通过W下方法预先确定:首先对原始信 号进行滤波,得到滤波后信号,并对原始信号分别添加不同幅值的噪声,得到一组加噪信 号;然后对每一个加噪信号分别进行W下处理:对该加噪信号进行经验模态分解,并从经验 模态分解所得到的IMF中确定有用IMF;计算各有用IMF与滤波后信号之间的相关均方根误 差的总和,W及每相邻两个有用IMF间的相关系数的总和;最后W两个总和之和最小的加噪 信号所对应的添加噪声的幅值作为EEMD方法中所使用的添加噪声的幅值。 为了提高对噪声相关IMF的阔值滤波效果,本专利技术进一步提出了 W下改进方案: 对噪声相关IMF进行阔值滤波去噪所使用的滤波阔值按照W下方法确定:首先将 各噪声相关IMF分别与噪声IMF进行去相关处理;根据幅值正、负将每一个去相关处理后的 噪声相关IMF分为两部分,对每一部分分别获取其幅值均值W及能量滤波阔值,并将两者加 权求和,即得该部分的滤波阔值。 为了更有效地提取噪声IMF中的有用信息,本专利技术进一步提出W下改进方案: 对噪声IMF进行阔值滤波去噪所使用的滤波阔值按照W下方法确定:计算噪声IMF 的幅值均值,并对噪声IMF中大于幅值均值的每一个幅值进行时间排序,得到该幅值的时间 序列;对于所得到的各幅值的时间序列分别进行周期性验证,并从中选出周期性较高的部 分时间序列;最后W所选出的部分时间序列所对应幅值的最小值作为所述滤波阔值。 相比现有技术,本专利技术及其进一步改进技术方案具有W下有益效果: 本专利技术EEMD和MEMD算法相结合,并针对MEMD算法中所使用的掩膜信号频率进行参 数优化,可更有效消除模态混叠,去噪效果更好; 本专利技术进一步针对EEMD中的添加噪声幅值进行优化,把有用IMF的Relative RMSE 值与相关系数之和最小作为EEMD添加噪声幅值的选择标准,从而可更有效地解决端点效应 所带来的问题; 本专利技术进一步针对噪声相关IMF的滤波阔值进行优化,采用正、负信号幅值分开策 略,通过去相关、取均值和根据能量Ξ个方面来确定最后的滤波阔值,对噪声相关IMF的滤 波效果更好; 本专利技术进一步利用周期性验证的方法提取噪声IMF中的有用信息,避免了直接丢 弃所带来的有用信息的损失,进一步提高了去噪效果。【附图说明】 图1为确定EEMD添加噪声幅值方法的流程示意图;图2为MEMD掩膜信号频率确定方法的流程示意图;图3为噪声相关IMF的滤波阔值确定方法流程示意图。【具体实施方式】 下面结合附图对本专利技术的技术方案进行详细说明: 本专利技术的基本思路是将EEMD和MEMD算法相结合,并针对MEMD算法中所使用的掩膜 信号频率进行参数优化,可更有效消除模态混叠,去噪效果更好;本专利技术进一步对EEMD中的 添加噪声幅值、噪声相关IMF的滤波阔值、噪声IMF的滤波阔值进行有针对性的优化,从而进 一步提局了整体去噪效果。 为了便于公众理解,下面W-个优选实施例来对本专利技术技术方案进行详细说明。 本专利技术基于混合经验模态分解的去噪方法,具体包括W下步骤: 步骤1、利用集合经验模态分解EEMD方法对原始信号进行分解,得到一系列固有模 态分量IMF和残余项,并从所有IMF中确定噪声IMF、噪声相关IMF、有用IMF。 本步骤中对原始信号的分解可采用传统邸MD方法或者改进EEMD方法。EEMD为现有 技术,其详细内容可参见文献。作为EMD的一种改进算法,邸MD尽管可W-定程度地解决EMD的问题,但其加入噪 声幅值是不本文档来自技高网
...
一种基于混合经验模态分解的去噪方法

【技术保护点】
一种基于混合经验模态分解的去噪方法,其特征在于,包括以下步骤:步骤1、利用集合经验模态分解EEMD方法对原始信号进行分解,得到一系列固有模态分量IMF和残余项,并从所有IMF中确定噪声IMF、噪声相关IMF、有用IMF;步骤2、对噪声IMF和噪声相关IMF进行阈值滤波去噪,并利用掩膜信号法对有用IMF所构成的信号进行模态混叠的消除;其中,掩膜信号法所使用的掩膜信号频率按照以下方法确定:首先对有用IMF所构成的信号进行一阶求导,得到一阶导数信号;然后利用希尔伯特变换方法获取所述一阶导数信号的瞬时频率,然后求取瞬时频率的均值;最后对所述瞬时频率的均值乘以一个取值范围为(1,2)的权值,所得乘积即为掩膜信号频率;步骤3、对阈值滤波去噪后的噪声IMF、噪声相关IMF,消除模态混叠的有用IMF所构成的信号,以及残余项进行信号重构。

【技术特征摘要】

【专利技术属性】
技术研发人员:陈熙源王威崔冰波宋锐
申请(专利权)人:东南大学
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1