一种针对OTDR信号的分段SVD自适应小波去噪方法技术

本发明专利技术公开了一种针对OTDR信号的分段SVD自适应小波去噪方法，在进行信号分段时，使用一定百分比的重叠段来减少由突然变化引入的误差，根据SVD分解得到一系列从大到小排列的奇异值，采用奇异值特征均值方法对各组选取重构的阈值，并重构各信号段，结合小波阈值去噪，与传统的奇异值分解去噪得到的信号相比，信噪比有明显的提升，相较于小波软阈值、硬阈值去噪有更好的自适应，保留了OTDR信号有用信息，噪声明显减少，能有效提升信号的去噪效果，获得高质量的去噪信号，突显事件特征，更易于事件点的检测与分析，解决了现有的OTDR信号去噪使用的累加平均去噪法、小波阈值去噪法和奇异值分解去噪法去噪效果不佳的技术问题。值分解去噪法去噪效果不佳的技术问题。值分解去噪法去噪效果不佳的技术问题。

【技术实现步骤摘要】
一种针对OTDR信号的分段SVD自适应小波去噪方法


[0001]本专利技术涉及OTDR信号去噪
，尤其涉及一种针对OTDR信号的 分段SVD自适应小波去噪方法。

技术介绍

[0002]光时域反射仪(Optical Time Domain Reflectometry，OTDR)是利用脉冲光 在光纤中传输时产生的背向瑞利散射光信号来表征光纤传输特性的一种仪 器。OTDR作为一种非破坏的光纤测量技术，可对光纤长度、光纤的传输衰 减和故障定位等进行测量，并广泛应用于光纤光缆的生产、施工、维护等方 面，是光纤通信领域中不可或缺的测试仪表。OTDR曲线可以反映背向散射 光沿光纤传输中的损耗分布情况，在OTDR测试曲线中，包含的事件类型主 要有非反射事件、反射事件和光纤末端，如光纤接头、熔接、弯曲、断裂等 事件，这些事件对应着光纤中各处损耗。对于反射事件，正常情况下OTDR 曲线有着较高的信噪比，容易被检测识别，但对于非反射事件等较小的事件 点时，信号容易被噪声淹没，当曲线受噪声污染严重时，曲线中的事件难以 识别，所以在信号分析过程中对信号进行去噪处理是必要的操作。
[0003]在发生突变事件时，在OTDR检测信号的高频部分通常夹杂部分混叠的 强噪声，传统的OTDR普遍采用累加平均去噪法、小波阈值去噪法或奇异值 分解去噪法进行去噪。累加平均去噪法尽管多次累加平均可以提升去噪效果， 但效率低，且累加到一定次数后去噪效果不会随着累加次数的增加而提升。 传统的小波阈值去噪法有硬阈值函数和软阈值函数两种，小波软阈值去噪方 式存在失真，去噪效果不佳，小波硬阈值去噪方式在阈值处信号不连续，容 易导致信号出现振荡，且小波软阈值去噪和小波硬阈值去噪方式都需要根据 信号的特点选择适当的小波基、分解层数、阈值和阈值函数，自适应能力差。 对于奇异值分解(Singular Value Decomposition，SVD)去噪法，OTDR原始 信号是一种受噪声干扰的非平稳信号，根据信号中噪声的分布特性，可以分 析出噪声的强度随着距离的增加而逐渐增大，这就意味着不同长度端的信号 信噪比会逐渐减小，有用信号和噪声信号占比也会逐渐发生改变，如果对OTDR信号所有序列进行一次SVD去噪，则在重构信号的过程中选取的统一 的临界点作为重构阈值，会使得信号出现信号失真或去噪效果不佳。
[0004]为解决以上累加平均去噪法、小波阈值去噪法和奇异值分解去噪法存在 的去噪效果不佳问题，本专利技术中提供了一种针对OTDR信号的分段SVD自适 应小波去噪方法，与传统的奇异值分解去噪得到的信号相比，信噪比有明显 的提升，相较于小波软阈值、硬阈值去噪有更好的自适应，保留了OTDR信 号有用信息，噪声明显减少，能有效提升信号的去噪效果，获得高质量的去 噪信号，突显事件特征，更易于事件点的检测与分析。

技术实现思路

[0005]本专利技术实施例提供了一种针对OTDR信号的分段SVD自适应小波去噪方 法，用于解决现有的OTDR信号去噪使用的累加平均去噪法、小波阈值去噪 法和奇异值分解去噪法去
噪效果不佳的技术问题。
[0006]有鉴于此，本专利技术第一方面提供了一种针对OTDR信号的分段SVD自适 应小波去噪方法，包括：
[0007]对待处理的OTDR原始信号进行信号重叠分段处理，将待处理的OTDR 原始信号分成若干个带有预置百分比重叠段的分段信号；
[0008]对所有的分段信号分别构建轨迹矩阵，分别对各个轨迹矩阵进行奇异值 分解，得到每个轨迹矩阵对应的奇异值；
[0009]将每个轨迹矩阵对应的奇异值分别降序排序，采用奇异值特征均值法对 各组排序后的奇异值选取重构的阈值；
[0010]根据选取的重构的阈值对分段信号进行SVD重构，得到对应的分段重构 信号；
[0011]根据确定的小波分解层数、小波阈值和自适应阈值函数，对各个分段重 构信号分别进行小波阈值去噪，得到去噪后的分段重构信号；
[0012]对去噪后的分段重构信号进行信号序列恢复，得到去噪后的OTDR信号。
[0013]可选地，将每个轨迹矩阵对应的奇异值分别降序排序，采用奇异值特征 均值法对各组排序后的奇异值选取重构的阈值，包括：
[0014]将每个轨迹矩阵对应的奇异值分别降序排序，得到各组降序排序的奇异 值序列；
[0015]通过矩阵AA
T
的特征值的均值确定各组降序排序的奇异值序列的重构的 阈值，其中，A为轨迹矩阵，A
T
为A的转置。
[0016]可选地，根据选取的重构的阈值对分段信号进行SVD重构，得到对应的 分段重构信号，包括：
[0017]对于每组降序排序的奇异值序列，将重构的阈值后的所有奇异值置零， 将重构的阈值前的所有奇异值保留，构建新的奇异值矩阵；
[0018]根据新的奇异值矩阵对分段信号进行SVD重构，得到对应的分段重构信 号。
[0019]可选地，小波分解层数的计算公式为：
[0020]J＝[log2N][0021]其中，J为小波分解层数，N为分段信号的长度。
[0022]可选地，小波阈值的确定过程为：
[0023]对待小波变换的目标信号x(t)的所有值取绝对值，并对所有绝对值进行升 序排列；
[0024]对排列好的各个元素计算平方值，得到重组后的序列f(k)，其中， k＝0,1,...,N
‑
1；
[0025]对重组后的序列f(k)进行风险评估，得到每个数据点的风险评估值R(k)， 风险评估公式为：
[0026][0027]根据风险评估值R(k)确定小波阈值，计算公式为：
[0028][0029]其中，γ
j
为第j层的小波阈值，f(k
min
)为最小风险评估值R(k)对应的序列 点。
[0030]可选地，自适应阈值函数为：
[0031][0032]其中，j为分解层数，W
j,k
为w
j,k
估计的小波系数，w
j,k
为分解的第j个尺度 下的第k个小波系数，h为调节因子。
[0033]可选地，对去噪后的分段重构信号进行信号序列恢复，得到去噪后的 OTDR信号的信号序列恢复公式为：
[0034][0035]其中，x'(n)为恢复后的信号，n为x'(n)的第n个点，x
d
(t)为第d个分段 重构信号中的第t个数据点，x
d
为相邻两段的重叠部分的平均序列，l为连续 分段时的每个分段信号的长度，p为分段信号重叠部分的长度。
[0036]本专利技术第二方面提供一种OTDR信号的分段SVD自适应函数的小波去噪 系统，包括：
[0037]分段模块，用于对待处理的OTDR原始信号进行信号重叠分段处理，将 待处理的OTDR原始信号分成若干个带有预置百分比重叠段的分段信号；
[0038]轨迹矩阵建立模块，用于对所有的分段信号分别构建轨迹矩阵，分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对OTDR信号的分段SVD自适应小波去噪方法，其特征在于，包括：对待处理的OTDR原始信号进行信号重叠分段处理，将待处理的OTDR原始信号分成若干个带有预置百分比重叠段的分段信号；对所有的分段信号分别构建轨迹矩阵，分别对各个轨迹矩阵进行奇异值分解，得到每个轨迹矩阵对应的奇异值；将每个轨迹矩阵对应的奇异值分别降序排序，采用奇异值特征均值法对各组排序后的奇异值选取重构的阈值；根据选取的重构的阈值对分段信号进行SVD重构，得到对应的分段重构信号；根据确定的小波分解层数、小波阈值和自适应阈值函数，对各个分段重构信号分别进行小波阈值去噪，得到去噪后的分段重构信号；对去噪后的分段重构信号进行信号序列恢复，得到去噪后的OTDR信号。2.根据权利要求1所述的针对OTDR信号的分段SVD自适应小波去噪方法，其特征在于，将每个轨迹矩阵对应的奇异值分别降序排序，采用奇异值特征均值法对各组排序后的奇异值选取重构的阈值，包括：将每个轨迹矩阵对应的奇异值分别降序排序，得到各组降序排序的奇异值序列；通过矩阵AA
T
的特征值的均值确定各组降序排序的奇异值序列的重构的阈值，其中，A为轨迹矩阵，A
T
为A的转置。3.根据权利要求2所述的针对OTDR信号的分段SVD自适应小波去噪方法，其特征在于，根据选取的重构的阈值对分段信号进行SVD重构，得到对应的分段重构信号，包括：对于每组降序排序的奇异值序列，将重构的阈值后的所有奇异值置零，将重构的阈值前的所有奇异值保留，构建新的奇异值矩阵；根据新的奇异值矩阵对分段信号进行SVD重构，得到对应的分段重构信号。4.根据权利要求1所述的针对OTDR信号的分段SVD自适应小波去噪方法，其特征在于，小波分解层数的计算公式为：J＝[log2N]其中，J为小波分解层数，N为分段信号的长度。5.根据权利要求4所述的针对OTDR信号的分段SVD自适应小波去噪方法，其特征在于，小波阈值的确定过程为：对待小波变换的目标信号x(t)的所有值取绝对值，并对所有绝对值进行升序排列；对排列好的各个元素计算平方值，得到重组后的序列f(k)，其中，k＝0,1,...,N
‑
1；对重组后的序列f(k)进行风险评估，得到每个数据点的风险评估值R(k)，风险评估公式为：根据风险评估值R(k)确定小波阈值，计算公式为：其中，γ
j
为第j层的小波阈值，f(k
min
)为最小风险评估值R(k)对应的序列点。6.根据...

【专利技术属性】
技术研发人员：姜海明，罗惠中，魏佳鑫，刘偲嘉，甘育娇，谢康，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：