当前位置: 首页 > 专利查询>陈显尧专利>正文

一种识别数据中的背景噪音与信号的方法技术

技术编号:8106028 阅读:160 留言:0更新日期:2012-12-21 05:07
本发明专利技术提供一种识别数据中的背景噪音与信号的方法,包括:对原始数据以分数采样间隔进行重采样和线性插值,获得数据序列组;利用经验模分解方法分解数据序列组中的每个数据序列得到本征模函数;利用希尔伯特-黄变换计算得到每个本征模函数的谱函数,根据谱函数获得加权平均频率,以及通过原始数据的加权平均频率正则化的加权平均频率;通过分析正则化的加权平均频率随分数采样间隔参数的变化特征,确定本征模函数是否符合零假定,进而判断出该原始数据是信号还是噪声。本发明专利技术建立了具有自适应特征的背景噪音零假定,不需要事先假设数据的背景噪音的统计特征或函数形式,也不需要事先假设数据是线性的或者平稳的,即可实现噪音与信号的判断。

【技术实现步骤摘要】

本专利技术属于信号处理
,涉及一种数据信号的分析方法,特别是涉及。
技术介绍
区分数据中的噪音和信号一直是信号分析要解决的关键问题之一。目前常用的方法是假设背景噪音具有的统计特征,然后建立与之相对应的统计分析方法,进行统计显著性检验;其中,最为常用的零假定是假设数据中的背景噪音是白噪音。由于白噪音的Fourier谱是白谱,因此可以通过对比数据的Fourier谱来确定其中显著区别于白谱的信号。但是,对于很多自然界中的数据,背景噪音是白噪音的零假定是不充分的,例如天 文、海洋与气候变化、医学、金融以及工程应用等领域的实际观测数据的背景噪音具有较长的滞后自相关特性,而显示出红噪音特征。对于这类数据的噪音特征与信号识别,需要采用红噪音假定。然而,检验红噪音假定需要事先给定红噪音的基本形式;其中,最常用的红噪音零假定是假设数据的背景噪音具有一阶自回归形式(简称AR1),相对应的统计显著性检验主要分为两步,首先根据数据的Fourier谱特征拟合确定ARl的两个待定参数,滞后相关系数与噪音的强度;其次根据拟合得到的ARl参数,利用蒙特卡罗方法检验数据中可能区别于ARl序列的信号,并给出统计显著性分析结果。这一分析过程虽然可以识别数据中可能存在的周期性振荡过程,但是仍存在以下三个关键问题(I)该方法主要依赖于噪音的Fourier谱特征。使用Fourier变换需要假设数据本身是线性、平稳的,这使得此方法不适用于很多非线性过程的分析。(2)该方法给出的统计显著性的置信区间基于频率域的Fourier谱。因此,该方法不适用于非平稳过程的分析,例如有些信号有时出现而有时消失的物理过程。(3)该方法事先假定了背景噪音具有的函数形式,例如白噪音或ARl红噪音。而很多实际物理过程的背景噪音形式是未知的,仅仅检验事先给定函数形式的背景噪音零假定是不充分的,即使有时获得了统计显著的“信号”,也只是针对于特定函数形式的背景噪音的分析结果,有时会“识别”出不具有物理意义的“信号”。为了解决上述问题,需要发展一种具有自适应特征的背景噪音零假定,这种零假定不采用任何线性或平稳假设,也不事先假设数据的背景噪音具有某种函数形式或统计特征。基于这种零假定,发展相对应的统计分析方法将能够识别数据中噪音的特征,同时进一步确定数据中潜在的信号。
技术实现思路
鉴于以上所述现有技术的缺点,本专利技术的目的在于提供,用于解决现有技术中分析数据的背景噪音时需要事先假定背景噪音的统计特征或者背景噪音具有某种函数形式的问题。为实现上述目的及其他相关目的,本专利技术提供。,所述识别数据中的背景噪音与信号的方法包括步骤一,对原始数据以分数采样间隔dAt进行重采样获得重新采样原数据,At为原始数据的采样间隔,I ^ d<2 ;步骤二,利用分数采样间隔dAt线性插值所述重新采样原数据,获得具有不同采样间隔大小的数据序列组X(t,D),D= {d 11 ( d〈2},t为时间;步骤三,利用经验模分解方法分别分解数据序列组X(t,D)中的每个数据序列x(t, d),得到本征模函数Ck(t,d), k=l, 2,…,K,其中权利要求1.,其特征在于,所述识别数据中的背景噪音与信号的方法包括 步骤一,对原始数据以分数采样间隔dAt进行重采样获得重新采样原数据,At为原始数据的采样间隔,l<d〈2; 步骤二,利用分数采样间隔d △ t线性插值所述重新采样原数据,获得具有不同采样间隔大小的数据序列组X(t,D),D= {d 11 ( d〈2},t为时间; 步骤三,利用经验模分解方法分别分解数据序列组X (t,D)中的每个数据序列X(t,d),得到本征模函数Ck (t, d),k=l, 2,…,K,其中2.根据权利要求I所述的识别数据中的背景噪音与信号的方法,其特征在于所述谱函数为时间-频率谱Sk(t,d,ω)时,所述加权平均频率·为3.根据权利要求I所述的识别数据中的背景噪音与信号的方法,其特征在于所述谱 函数为边际谱Mk (ω,d)时,所述加权平均频率4.根据权利要求I所述的识别数据中的背景噪音与信号的方法,其特征在于所述零假定的对立假定的内容为经过分数采样率重采样,时间序列的一组本征模函数的正则化的加权平均频率不随重采样率的变化而变化。5.根据权利要求I所述的识别数据中的背景噪音与信号的方法,其特征在于所述原始数 据为受到随机噪音干扰的规则信号、时间序列信号、经济学数据在不同时间尺度上变化的信号、或物理过程信号。全文摘要本专利技术提供,包括对原始数据以分数采样间隔进行重采样和线性插值,获得数据序列组;利用经验模分解方法分解数据序列组中的每个数据序列得到本征模函数;利用希尔伯特-黄变换计算得到每个本征模函数的谱函数,根据谱函数获得加权平均频率,以及通过原始数据的加权平均频率正则化的加权平均频率;通过分析正则化的加权平均频率随分数采样间隔参数的变化特征,确定本征模函数是否符合零假定,进而判断出该原始数据是信号还是噪声。本专利技术建立了具有自适应特征的背景噪音零假定,不需要事先假设数据的背景噪音的统计特征或函数形式,也不需要事先假设数据是线性的或者平稳的,即可实现噪音与信号的判断。文档编号G06K9/62GK102831438SQ201210285298公开日2012年12月19日 申请日期2012年8月10日 优先权日2012年8月10日专利技术者陈显尧, 王秀红 申请人:陈显尧本文档来自技高网
...

【技术保护点】
一种识别数据中的背景噪音与信号的方法,其特征在于,所述识别数据中的背景噪音与信号的方法包括:步骤一,对原始数据以分数采样间隔dΔt进行重采样获得重新采样原数据,Δt为原始数据的采样间隔,1≤d<2;步骤二,利用分数采样间隔dΔt线性插值所述重新采样原数据,获得具有不同采样间隔大小的数据序列组X(t,D),D={d|1≤d<2},t为时间;步骤三,利用经验模分解方法分别分解数据序列组X(t,D)中的每个数据序列X(t,d),得到本征模函数Ck(t,d),k=1,2,…,K,其中K为本征模函数的个数;步骤四,利用希尔伯特?黄变换计算得到每个本征模函数Ck(t,d)的谱函数,根据谱函数计算获得加权平均频率以及通过原始数据的加权平均频率正则化的加权平均频率步骤五,通过分析正则化的加权平均频率随分数采样间隔参数d的变化特征,确定所述本征模函数是否符合零假定,如果符合,则表示所述本征模函数具有显著的噪音特征;如果不符合,则表示所述本征模函数是一个可能的周期性变化的物理信号;所述零假定的内容为:如果一个时间序列只包含噪音过程,那么由该时间序列经过分数采样率重采样以及经验模分解方法分解后获得的每组本征模函数的正则化的加权平均频率随着重采样率的增加而减小。FDA00001997249100011.jpg,FDA00001997249100012.jpg,FDA00001997249100013.jpg,FDA00001997249100014.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员:陈显尧王秀红
申请(专利权)人:陈显尧
类型:发明
国别省市:

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