一种星载全波形信号的自适应经验模态分解去噪方法技术

本发明专利技术提供了一种星载全波形信号的自适应经验模态分解去噪方法，包括：获取含噪的全波形信号；进行EMD分解，以获取所有IMF成分；确定每个IMF成分的Hurst指数值；根据指数值判断该成分是否是高频IMF成分；若为高频IMF成分，则进行软阈值处理，得到去噪后的高频IMF成分并保留，否则，直接保留；将去噪后的高频IMF成分和低频IMF成分叠加，重构为去噪后的全波形信号。本发明专利技术的自适应经验模态分解去噪方法通过构建H值实现了高频噪声成分的快速大量判断；同时，对选定的高频IMF成分进行软阈值处理，由此，在需要去除的成分中再次搜索可能的信号成分，避免直接去除高频成分带来有效信号的损失，使得信噪比更高。

【技术实现步骤摘要】
一种星载全波形信号的自适应经验模态分解去噪方法
本专利技术属于星载激光测高仪领域，具体涉及一种星载全波形信号的自适应经验模态分解去噪方法。
技术介绍
在星载激光测高仪获取的全波形信号处理中，全波形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[1]。由于充斥在波形信号中的太阳光等背景噪声、仪器设备热噪声等[2]会干扰全波形分解过程中初始参数的估计进而影响其测距精度[3]，因此，既能有效去除噪声同时保持波形形态特征的激光测高全波形去噪方法的研究十分必要。当前，基于回波波形信号用混合高斯模型来表达的假设，针对全波形去噪主要方法主要有高斯滤波器。然而，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[4]。此外，还有小波滤波、傅里叶低通滤波等，在小波滤波器中，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[5]；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[6]。综上，已有的滤波器的去噪效果稳定性均会受到不同滤波参数的制约。在现有技术中，Huang等提出的经验模态分解(EmpiricalModeDecomposition，EMD)方法对波形信号先进行分解，以适应不同形态的波形信号。EMD分解最早由Huang提出对非线性、非平稳信号进行分析的方法，该方法认为任何复杂的时间序列都是若干阶不相同的、简单的、非正弦函数的本征模态函数(intrinsicmodefunction,IMF)成分组成，基于此可以从复杂时间序列直接分离出从高频到低频基本时间序列的IMF成分。每个IMF需要满足两个条件：(1)整个IMF中零点数与极点数相等或至多相差1；(2)IMF上任意一点由局部极大值点确定的上包络线和由局部极小值点确定的下包络线均值都为零[7]。获取每个IMF成分的筛选过程需要迭代满足以上两个条件，然后反复从原始全波形数据中减去已分离的IMF直至最后一个余项呈现单调趋势，即完成了全波形EMD的整个分解过程[8]。相比小波分解采用固定基函数，该方法最大的优点是基于信号本身的时间尺度特征，获得自适应的基函数[7]，可以将复杂信号分解为高频成分的精细尺度到低频成分的粗大尺度的若干本征模态分量(IntrinsicModeFunction，IMF)和一个单调余项[8]。一般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IMF成分实现信号去噪。但如何判断、选择高频的IMF成分却是实际应用中的难题。当前基于EMD分解去噪方法都是基于选取固定几个高频IMF成分去除或者与传统滤波器结合将过滤后的IMF实现信号的重构[9-12]，以上方法也都不具备自适应性。H值计算：Hurst(H)指数最初是由英国水文专家H.E.Hurst在研究尼罗河水库水流量和储存能力的关系时提出[13]，而后它被用在各种时间序列的分析中。目前，国内外学者已经提出了多种估计Hurst指数的方法[14]。其中Hurst提出了重极标差(Rescalerange,R/S)分析法，以判断时间序列数据遵从随机游走是有偏随机游走过程的指标[15]。Peng等在研究DNA组织时扩展了普通的波动分析方法，得到了(DetrendedFluctuationAnalysis,DFA)方法，它在消除时间序列局部趋势及发现局部相关方面比R/S及改进R/S方法更优[16]。Kantelhardt等对DFA拟合阶数DFA-K分析得到拟合阶数K越大会对较短时间序列Hurst指数估算引入较大的误差[17]。目前已经有人采用DFA方法是对EMD分解完成之后的成分进行处理，即EMD-Hurst指数方法。例如，同济大学申报过使用过DFA方法对EMD分解后的IMF进行处理的专利，其他文献也有采用类似方法处理GNSS信号噪声，参见【ExtractingWhiteNoiseStatisticsinGPSCoordinateTimeSeries”】。其中，EMD-Hurst指数方法通过DFA方法计算得到H值，作为分解后的IMF是高频还是低频的一个判断指标，进而对分解后的高频成分直接进行去除处理，构建去噪后波形信息。然而，上述EMD-Hurst指数方法直接去除分解后的高频成分，仍然会出现有效信号损失的情况，使得信噪比降低。GF-7号卫星是国内首颗民用亚米级激光立体测绘卫星，其轨道高度约505km，重访周期59天。激光测高仪工作波长1064um，2台激光器同时向两个方向发射2个波束，波形采样个数为800、采样间隔为0.5ns[19]。通过GF-7号卫星可以生成星载激光测高全波形信号，该全波形信号的波形为由卫星的激光器发射并反射自复杂地表的回波波形，如激光脚印内分布为山区村庄、道路，高山林区等。现有的EMD-Hurst指数方法在经过真实GF-7波形测试后发现，会出现有效信号损失的情况。因此，亟需一种可适用于星载激光测高全波形信号，例如GF-7/LAM全波形数据的自适应经验模态分解(AEMD)去噪方法。输出信噪比(SignalNoiseRatio，SNR)和峰值信噪比(PeakSignalNoiseRatio，PSNR)用来评价去噪后是否保留了更多有用的信号[20]。参考文献[1]KurtzNT,MarkusT,CavalieriDJ,etal.ComparisonofICESatDataWithAirborneLaserAltimeterMeasurementsOverArcticSeaIce[J].IEEETransactionsonGeoscience&RemoteSensing,2008,46(7):1913-1924.[2]GardnerCS.Rangingperformanceofsatellitelaseraltimeters[J].IEEETransactionsonGeoscienceandRemoteSensing,1992,30(5):1061-1072.[3]LinYC,MillsJP,Smith-voyseyS.Rigorouspulsedetectionfromfull-waveformairbornelaserscanningdata[J].InternationalJournalofRemoteSensing,2010,31(5):1303-1324.[4]粱敏,马凯.基于高斯滤波的回波信号去噪方法的研究[J].测绘与空间地理信息,2017(1):40-42.[5]吴红波.基于星载大光斑LiDAR数据反演森林冠层高度及应用研究[D].东北林业大学，2011.[6]汤旭光.基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D].博士论文，中国科学院大学，2013.[7]Huang本文档来自技高网...

【技术保护点】
1.一种星载全波形信号的自适应经验模态分解去噪方法，其特征在于，包括：/n步骤S1：获取含噪的全波形信号；/n步骤S2：进行EMD分解，以获取所有的IMF成分；/n步骤S3：确定每个IMF成分的Hurst指数值；/n步骤S4：根据每个IMF成分的Hurst指数值判断该IMF成分是否是高频IMF成分；/n步骤S5：根据判断结果，若为高频IMF成分，则进行软阈值处理，得到去噪后的高频IMF成分并保留，否则，直接保留低频IMF成分；/n步骤S6：将去噪后的高频IMF成分和低频IMF成分叠加，重构为去噪后的全波形信号。/n

【技术特征摘要】
1.一种星载全波形信号的自适应经验模态分解去噪方法，其特征在于，包括：
步骤S1：获取含噪的全波形信号；
步骤S2：进行EMD分解，以获取所有的IMF成分；
步骤S3：确定每个IMF成分的Hurst指数值；
步骤S4：根据每个IMF成分的Hurst指数值判断该IMF成分是否是高频IMF成分；
步骤S5：根据判断结果，若为高频IMF成分，则进行软阈值处理，得到去噪后的高频IMF成分并保留，否则，直接保留低频IMF成分；
步骤S6：将去噪后的高频IMF成分和低频IMF成分叠加，重构为去噪后的全波形信号。


2.根据权利要求1所述的星载全波形信号的自适应经验模态分解去噪方法，其特征在于，在所述步骤S2中，在进行EMD分解时，采用spline插值方法对极大值和极小值点进行插值得到上下包络线，直到IMF筛选过程不能再分离出IMF成分，分解项最后剩余一个单调余项；IMF筛选过程的终止条件为：相邻两次迭代之间标准差达到一筛选过程终止阈值。


3.根据权利要求2所述的星载全波形信号的自适应经验模态分解去噪方法，其特征在于，所述筛选过程终止阈值的取值范围为0.2-0.3。


4.根据权利要求1所述的星载全波形信号的自适应经验模态分解去噪方法，其特征在于，在所述步骤S3中，通过采用DFA-1方法，来构建Hurst指数，从而确定每个IMF成分的Hurst指数值。


5.根据权利要求4所述的星载全波形信号的自适应经验模态分解去噪方法，其特征在于，在所述步骤S3中，IMF成分包括长度为N的时间序列{xt，t＝1，2，3...N}，每个IMF成分的Hurst指数值通过以下方式确定：
步骤S31：计算累计离差；
步骤S32：将累计离差的序列分成长度为L的NL个不相交的等长的子区间，4≤L≤N/4，NL＝int(N/L)；
步骤S33：确定每个子区间的局部趋势，并对每个子区间的序列去除其局部趋势，获得去除局部趋势后的累计离差SL(i)的序列；
步骤S34：...

【专利技术属性】
技术研发人员：张志杰，金双根，
申请(专利权)人：中国科学院上海天文台，
类型：发明
国别省市：上海;31