一种基于成分向量的经验模态分解高频数据的降噪方法技术

本发明专利技术公开了一种估计数据噪声水平的方法，所述方法包括步骤：(1)使用经验模态分解将含噪声的原始高频数据分解成有限个本征模态函数和残余项；(2)对所述本征模态函数进行Hilbert变换，得到它们的瞬时振幅和瞬时能量，将本征模态函数的瞬时能量看作为给定时间的基向量；(3)根据成分向量的定义从所述基向量得到成分向量；(4)利用成分数据的统计特性的优势来分析每个本征模态函数的瞬时能量占比；(5)置信区间表示相应的本征模态函数所具有的能量占总能量百分比的置信区间，由此通过判断置信区间的上限和下限来判断该本征模态函数的能量占比比重，然后通过设定阈值来将噪声分量分离出来。

An empirical mode decomposition method based on component vectors to de-noising high frequency data

The invention discloses a method for estimating the noise level of the data, the method comprises the steps of: (1) the original high frequency data using empirical mode decomposition with noise is decomposed into several intrinsic mode functions and a residual; (2) the intrinsic mode function Hilbert transform, get their instantaneous amplitude and the instantaneous energy, the instantaneous energy will be seen as the intrinsic mode functions of the base vector given time; (3) obtained from the base vector vector vector according to the definition of composition; (4) using the statistical characteristics of component data of the advantages of each intrinsic mode function of the instantaneous energy ratio (5; the confidence interval) said the IMFs corresponding with the confidence interval of energy accounted for total energy percentage, thus by judging the confidence intervals of upper and lower bound to determine the intrinsic mode function of the energy ratio and proportion Then the noise component is separated by setting the threshold.

【技术实现步骤摘要】
一种基于成分向量的经验模态分解高频数据的降噪方法
本专利技术属于高频数据处理领域，更具体而言，本专利技术涉及数据降噪的方法。
技术介绍
在实际数据分析中，噪声不可避免。同时，噪声成为干扰数据分析精度的明显瓶颈。经验模态分解(EmpiricalModeDecomposition,EMD)方法(Huangetal.1998)有良好的降噪性能。经验模态分解可以自适应地将复杂时间序列数据分解成不同频率的有限个本征模态函数(InstrinsicModeFunction，IMF)和残余项。因此，它是分析非线性、非平稳信号序列有效工具，它被证明可有效使用本征模态函数的特性进行信号降噪。然而，EMD无法准确地区分含有信号与噪声的本征模态函数，使用这些模态可能导致噪声水平估计的不准确(Boudraaetal.2004)。因此，本领域中需要准确鉴定噪声组分并将其有效去除以实现降噪的方法。已有大量前人研究来基于本征模态函数的特征解决降噪问题，形成了许多有效的方法。Huangetal.(2004)构建了白噪声的能量密度分布区间，以确定哪些本征模态函数是噪声组分。此外，Wuetal.(2009)提出了集合经验本文档来自技高网...

【技术保护点】
一种估计数据噪声水平的方法，所述方法包括步骤：(1)使用经验模态分解将含噪声的原始高频数据分解成有限个本征模态函数和残余项；(2)对所述本征模态函数进行Hilbert变换，得到它们的瞬时振幅和瞬时能量，将本征模态函数的瞬时能量看作为给定时间的基向量；(3)根据成分向量的定义从所述基向量得到成分向量；在成分向量中，每个元素代表在该给定时间每个本征模态函数的能量占总能量的百分比，以此方式得到成分向量的集合；(4)利用成分数据的统计特性的优势来分析每个本征模态函数的瞬时能量占比，得到成分向量的置信区间；比较每个成分向量的能量部分，获得每个本征模态函数对总能量的贡献；(5)置信区间表示相应的本征模态函...

【技术特征摘要】
1.一种估计数据噪声水平的方法，所述方法包括步骤：(1)使用经验模态分解将含噪声的原始高频数据分解成有限个本征模态函数和残余项；(2)对所述本征模态函数进行Hilbert变换，得到它们的瞬时振幅和瞬时能量，将本征模态函数的瞬时能量看作为给定时间的基向量；(3)根据成分向量的定义从所述基向量得到成分向量；在成分向量中，每个元素代表在该给定时间每个本征模态函数的能量占总能量的百分比，以此方式得到成分向量的集合；(4)利用成分数据的统计特性的优势来分析每个本征模态函数的瞬时能量占比，得到成分向量的置信区间；比较每个成分向量的能量部分，获得每个本征模态函数对总能量的贡献；(5)置信区间表示相应的本征模态函数所具有的能量占总能量百分比的置信区间，由此通过判断置信区间的上限和下限来判断该本征模态函数的能量占比比重，然后通过设定阈值来将噪声分量分离出来。2.根据权利要求1的方法，在所述步骤(5)中，将阈值设置为先判定能量占比最大的本征模态函数，得到最大的置信区间，然后置信区间的阈值为：置信上限为该最大置信上限的十分之一，置信下限为该下限的十分之一，由此得到置信区间的阈值，如果其余的本征模态函数的置信区间为该置信区间阈值的子集，则可判别该本征模态函数为噪声分量，否则为信号分量，由此可以从信号中有效除去噪声组分。3.根据权利要求1的方法，在所述步骤(1)中，信号s(t)被分解成多个本征模态函数和残余项。4.根据权利要求1的方法，在所述步骤(2)中，在对每个本征模态函数组分进行Hilbert变换，获得数据的能量-频率-时间分布。5.根据权利要求3的方法，对于信号s(t)，筛分过程如下：找到s(t)的局部极大点和局部极小点，将所有局部极大点和局部极小点连接起来得到上包络线和下包络线，平均值如下：式中e+是上包络线；e-是下包络线；计算原始信号和平均值的差，为第一组分：h1＝s(t)-m1(2)式中t是时间维度；s(t)是t时刻的信号值；本征模态函数须满足如下两个条件：1)在整个时间范围内，该函数的局部极值点与过零点的数目相等或相差1个；2)由局部极大值定义的上包络线与由局部极小值定义的下包络线的平均值为0，如果h1符合本征模态函数的定义，则h1为第一个本征模态函数，否则重复上述步骤，h1视为信号：h1,1＝h1-m1,1(3)重复筛分过程k次：h1,k＝h1,k-1-m1,k(4)确定停止筛分过程的标准，保证本征模态函数组分保持频率有物理意义：式中t是时间维度，SD的区间为0.2-0.3；h1,k表示为c1＝h1,k(6)因此，从原始数据分离出了第一个本征模态函...

【专利技术属性】
技术研发人员：李毅，米子川，韩慧婧，
申请(专利权)人：山西财经大学，
类型：发明
国别省市：山西,14