一种星载激光测高仪数据去噪方法技术

本发明专利技术涉及一种星载激光测高仪数据去噪方法，其特征在于，该方法包括以下步骤：S1：获取星载激光测高仪数据；S2：基于经验模态分解，将星载激光测高仪数据分解为若干本征模态分量和一个单调余项；S3：计算每个本征模态分量的Hurst指数值；S4：基于每个本征模态分量的Hurst指数值，采用预建立的优化策略，获取去噪后的星载激光测高仪数据。与现有技术相比，本发明专利技术数据去噪方法能自适应地星载激光测高仪数据进行去噪，具有稳定性好、准确度高等优点。

A data denoising method for satellite laser altimeter

【技术实现步骤摘要】
一种星载激光测高仪数据去噪方法
本专利技术涉及数据处理领域，尤其是涉及一种星载激光测高仪数据去噪方法。
技术介绍
星载激光测高仪数据处理中，激光全波形的处理和分解是提升测距精度和准确反演地物目标特征参数(如坡度、粗糙度等)的关键。由于受背景噪声、热噪声等的存在将对波形波形特征参数提取会造成干扰进而影响其测距精度，因此，激光测高全波形去噪方法的研究具有重要意义。目前，对全波形去噪主要方法有傅里叶低通滤波、小波滤波等，傅里叶低通滤波能有效消除高频噪声，但是能反映原始波形丰富细节程度的截至频率设定需要不断试验确定；不同的小波基函数、分解尺度、重构方法等去噪参数的选择对小波去噪去噪效果影响较大，且选定的小波基函数用于分析所有的波形数据时不具有自适应性。高斯滤波去噪效果依赖于核函数的宽度，过小的宽度去噪效果较弱，过大的宽度又会造成有效信号的损失。无法兼顾去噪效果和波形特征保留，对波形幅值的削弱和宽度展开会对波形分解的准确性产生影响；均值滤波不需要波形的先验知识，可以快速实现海量数据的处理，但也会造成回波数据的变形。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在对去噪参数依赖的缺陷而提供一种具有自适应性的星载激光测高仪数据去噪方法。本专利技术的目的可以通过以下技术方案来实现：一种星载激光测高仪数据去噪方法，该方法包括以下步骤：S1：获取星载激光测高仪数据，该星载激光测高仪数据为时间序列；S2：基于经验模态分解，将星载激光测高仪数据分解为若干本征模态分量和一个单调余项；S3：计算每个本征模态分量的Hurst指数值；S4：基于每个本征模态分量的Hurst指数值，采用预建立的优化策略，获取去噪后的星载激光测高仪数据。进一步地，所述步骤S2具体包括以下步骤：S201：将星载激光测高仪数据作为待分解信号；S202：获取待分解信号的极大值点和极小值点；S203：对所有极大值点进行拟合，获取上包络线，对所有极小值点进行拟合，获取下包络线；S204：计算待分解信号的包络均值；S205：从待分解信号中减去包络均值，从而对待分解信号进行更新；S206：判断更新后的待分解信号是否满足本征模态分量条件，若不满足，则重复步骤S202至S205，若满足，则获得一个本征模态分量；S207：从星载激光测高仪数据中减去步骤S206获取的本征模态分量，从而对星载激光测高仪数据进行更新，重复步骤S201至S206，对更新后的星载激光测高仪数据迭代进行经验模态分解，获取若干本征模态分量和一个单调余项。进一步地，所述步骤S203中，采用spline插值方法获取上包络线和下包络线。进一步地，所述步骤S206中，判断更新后的待分解信号是否满足本征模态分量条件具体为，若更新后的待分解信号相邻两次迭代之间的标准差为0.25，则满足本征模态分量条件，否则不满足本征模态分量条件，所述标准差的计算表达式为：式中，SD为标准差，T为一本征模态分量中时间节点的个数，IMF1(k)(t)为该本征模态分量第k次迭代时，第t个时间节点的值，IMF1(k-1)(t)为该本征模态分量第k-1次迭代时，第t个时间节点的值。进一步地，所述步骤S3具体为，采用拟合阶数为1的消除趋势波动分析法，计算每个本征模态分量的Hurst指数值。进一步地，所述拟合阶数为1的消除趋势波动分析法具体包括以下步骤：S301：计算某一本征模态分量的累计离差，滤除本征模态分量的平均值，对本征模态分量进行更新；S302：将更新后的本征模态分量划分为不相交的等长的子区间；S303：计算每个子区间的局部趋势，通过将每个子区间滤除局部趋势，对每个子区间进行更新；S304：计算更新后的每个子区间的方差；S305：基于方差，对所有子区间求均值并开方，获取整个星载激光测高仪数据的波动函数；S306：基于波动函数，获取本征模态分量的Hurst指数值；S307，选取另一本征模态分量，重复步骤S301至S306，直至遍历所有本征模态分量。进一步地，所述步骤S4中，优化策略具体为，若本征模态分量的Hurst指数值小于或等于预建立的Hurst指数阈值，则去除该本征模态分量，否则保留该本征模态分量。进一步地，所述Hurst指数阈值为0.5。如果Hurst指数小于0.5，则表明本征模态分量的时间序列的总体趋势与过去相反；如果Hurst指数等于0.5，则表明本征模态分量的时间序列是随机的，不会影响未来；如果Hurst指数大于0.5，则表明本征模态分量的时间序列具有持续性，Hurst指数越大，相关性、持续性就越强，因此将Hurst指数阈值设为0.5，即确保本征模态分量具有持续性，不存在反趋势，实现对数据的去噪。与现有技术相比，本专利技术具有以下优点：(1)本专利技术星载激光测高仪数据去噪方法，采用基于Huang等提出的经验模态分解方法进行数据分解，经验模态分解方法可以将复杂信号由精细尺度到粗大尺度分解为若干本征模态分量和一个单调余项，通常全波形中噪声的频率远大于回波高斯脉冲的频率，因此可以通过舍弃一定高频的本征模态分量实现去噪的目的，本专利技术通过对每个本征模态分量计算Hurst指数实现高频噪声的判断，该方法考虑了每个本征模态分量本身的特点实现了本征模态分量选择的自适应性，避免了对滤波参数的依赖。(2)仿真试验结果表明，本专利技术基于经验模态分解和Hurst指数的星载激光测高仪数据去噪方法，可以全自动筛选本征模态分量实现去噪目的，同时对不同信噪比波形具备较好的稳定性。对ICESat/GLAS真实数据拟合效果更优，且峰值个数判断更为精确。(3)本专利技术星载激光测高仪数据去噪方法，考虑到采用消除趋势波动分析法进行Hurst指数的计算时，拟合阶数K越大会对较短时间序列Hurst指数估算引入较大的误差，因此将拟合阶数设为1，确保本征模态分量的Hurst指数计算结果的准确性。附图说明图1为本专利技术星载激光测高仪数据去噪方法的流程示意图；图2为本实施例中不同筛选IMFs方法去噪效果对比图，其中，(a)为不同筛选IMFs方法去噪前的幅值强度图，(b)为不同筛选IMFs方法去噪后的幅值强度图；图3为本实施例中信噪比增加后波形分解一致率变化图；图4为本实施例中信噪比增加后波形分解一致率分布图；图5为本实施例中不同方法的第一拟合参数误差分布图，其中每种方法对应的四个长条形框从左往右依次为A、T、σ和FitDev的数据值；图6为本实施例中不同方法的第二拟合参数误差分布图，其中每种方法对应的四个长条形框从左往右依次为A、T、σ和FitDev的数据值；图7为本实施例中一条典型GLAH01波形所有的IMFs及余项图；图8为本实施例中分解平均一致率与GLAH05产品参数对比图；图9为本实施例中EMD-Hurstfitting与GLAH05高斯成分个数对比图；图10本文档来自技高网...

【技术保护点】
1.一种星载激光测高仪数据去噪方法，其特征在于，该方法包括以下步骤：/nS1：获取星载激光测高仪数据；/nS2：基于经验模态分解，将星载激光测高仪数据分解为若干本征模态分量和一个单调余项；/nS3：计算每个本征模态分量的Hurst指数值；/nS4：基于每个本征模态分量的Hurst指数值，采用预建立的优化策略，获取去噪后的星载激光测高仪数据。/n

【技术特征摘要】
1.一种星载激光测高仪数据去噪方法，其特征在于，该方法包括以下步骤：
S1：获取星载激光测高仪数据；
S2：基于经验模态分解，将星载激光测高仪数据分解为若干本征模态分量和一个单调余项；
S3：计算每个本征模态分量的Hurst指数值；
S4：基于每个本征模态分量的Hurst指数值，采用预建立的优化策略，获取去噪后的星载激光测高仪数据。


2.根据权利要求1所述的一种星载激光测高仪数据去噪方法，其特征在于，所述步骤S2具体包括以下步骤：
S201：将星载激光测高仪数据作为待分解信号；
S202：获取待分解信号的极大值点和极小值点；
S203：对所有极大值点进行拟合，获取上包络线，对所有极小值点进行拟合，获取下包络线；
S204：计算待分解信号的包络均值；
S205：从待分解信号中减去包络均值，从而对待分解信号进行更新；
S206：判断更新后的待分解信号是否满足本征模态分量条件，若不满足，则重复步骤S202至S205，若满足，则获得一个本征模态分量；
S207：从星载激光测高仪数据中减去步骤S206获取的本征模态分量，从而对星载激光测高仪数据进行更新，重复步骤S201至S206，对更新后的星载激光测高仪数据迭代进行经验模态分解，获取若干本征模态分量和一个单调余项。


3.根据权利要求2所述的一种星载激光测高仪数据去噪方法，其特征在于，所述步骤S203中，采用spline插值方法获取上包络线和下包络线。


4.根据权利要求1所述的一种星载激光测高仪数据去噪方法，其特征在于，所述步骤S206中，判断更新后的待分解信号是否满足本征模态分量条件具体为，若更新后的待分解信号相邻两次迭代之间的标准差为0.25，则满足本征模态分量条件，否则不满足本征模态分量条件，所述标准差的计算表达式为：



式...

【专利技术属性】
技术研发人员：谢欢，张志杰，童小华，刘世杰，许雄，陈鹏，金雁敏，冯永玖，柳思聪，王超，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31