EMD-IT去噪算法的阈值估计方法

为解决EMD-IT去噪算法中阈值难以确定的问题,提出一种基于高斯白噪声能量分布的阈值估计方法。将含噪信号进行经验模态分解并估计各固有模态函数(IMF)中噪声的能量;根据模态单元阈值的含义,在各IMF中利用去除掉的模态单元包含的总能量等于噪声能量这一准则估计阈值。合成数据和实际心电信号的去噪仿真实验验证了该方法的有效性,其是自适应的且避免了阈值选择的主观性。     

基于经验模态分解的脉搏信号去噪

在分析经验模态分解EMD(Empirical Mode Decomposition)算法的基础上,建立了时空滤波方法和软阈值去噪方法.利用两种方法分别对含噪的脉搏信号进行了去噪仿真,结果表明基于EMD的软阈值法去噪效果优于时空滤波去噪法.采用EMD的软阈值法对实际的脉搏信号进行了去噪处理,验证了方法的有效性.     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

基于经验模态分析心电信号预处理研究

心电信号是典型的强噪声下非平稳弱信号,其分析效果受各种干扰影响很大。因此,选择有效的滤波方法对心电信号分析有着非常重要的意义。提出一种基于经验模态分解阈值处理的新滤波方法用于心电信号预处理,并以MIT/BIH标准数据库中的心律失常数据作为仿真对象进行仿真分析,并取得了令人满意的消噪效果。     

EMD与自适应滤波相结合的语音增强法

为了提高语音信号的信噪比,提出一种经验模态分解与自适应滤波相结合的语音增强法。对带噪语音进行经验模态分解,得到有限个固有模态函数,把所有的固有模态函数按顺序分成三组,将每一组所包含的固有模态函数叠加,得到三个子信号;对三个子信号进行自适应滤波,消除噪声;将降噪后的子信号重构得到增强后的语音。仿真实验表明,所提方法的语音增强效果优于自适应滤波。     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

基于夹角余弦和模糊阈值的EEMD去噪方法

针对非线性非平稳信号的去噪问题,结合EEMD分解信号的自适应特性,提出一种基于夹角余弦和模糊阈值的去噪方法。首先用夹角余弦法计算各个本征模态函数（IMF）与观测信号之间的相似度,以相似度曲线的首个极小值的后一个位置为分界点将分解出的IMF分为噪声主导模态和信号主导模态;然后根据VisuShrink阈值易“过扼杀”细节系数和SUREShrink阈值易“过保留”噪声系数的特点,利用模糊阈值对噪声主导的IMF进行处理;最后将所有的IMF重构得到消噪信号。分别采用仿真信号和真实ECG信号进行去噪实验。结果表明,所提方法在整体性能上优于小波半软阈值方法、基于EMD的软阈值（EMD-Soft）和间隔阈值（EMD-IT）方法,是一种有效的去噪方法。     

基于VMD和小波阈值的水听器信号去噪方法

针对水听器采集信号过程中存在的外界环境噪声干扰问题,提出了一种基于变分模态分解和小波阈值(VMD-WT) 的联合去噪方法该方法首先对含噪信号进行VMD分解,得到固有模态函数(IMFs)。然后计算每个IMF分量的中心频率和相关系数,通过相关系数阈值去除噪声IMFs,并对其余有用的IMFs进行小波阈值去噪处理。最后对去噪的IMF分量进行重构,得到具有良好信噪比的信号,通过仿真实验,证明了本方法与CEEMDAN=WT(自适应噪声的完备经验模态分解－小波阈值去噪)、EEMD-WT(集合经验模态分解－小波阈值去噪)、EMD-WT(经验模态分解－小波阈值去噪)、WT(小波阈值去噪)等方法相比,具有更好的去噪效果。通过对光纤水听器的实测实验表明本文的VMD-WT法在实际水听运用中具有良好的提高信噪比的性能。     

用EMD和小波消噪的加速度信号压缩重构新方法

针对噪声破坏加速度信号稀疏性、降低其压缩感知重构算法性能问题,提出了一种用经验模态分解(EMD)和小波分析联合消噪的加速度信号压缩重构新方法.该方法首先采用EMD和小波阈值联合消噪方法对加速度信号消噪处理,保持加速度信号内在稀疏性;然后基于压缩感知理论和加速度信号块结构信息,采用块稀疏贝叶斯学习算法以高概率重构原始加速度信号.采用USC-HAD人体日常行为数据库中的加速度信号验证本文方法的有效性.实验结果表明,本文所提方法的信噪比和均方根误差明显优于未经消噪处理的压缩感知重构算法,能够有效抑制加速度信号噪声,增大加速度信号稀疏度,提高加速度信号压缩重构算法性能.     

基于EMD和小波阈值滤波降噪的MATLAB仿真

本文对经验模式分解(EMD)时频分析进行研究,具体的讲述了EMD算法相关基本概念以及EMD分解方法,同时分析了EMD的改进方法,提出了基于EMD与小波阈值滤波结合进行信号降噪的方法,根据这一方法对非平稳、非线性信号在高斯白噪声下进行了降噪,最后基于MATLAB仿真对小波阈值降噪、基于EMD的小波阈值降噪法进行了比较.仿真结果表明,后者效果好.     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

Detrended fluctuation thresholding for empirical mode decomposition based denoising

Signal decompositions such as wavelet and Gabor transforms have successfully been applied in denoising problems. Empirical mode decomposition (EMD) is a recently proposed method to analyze non-linear and non-stationary time series and may be used for noise elimination. Similar to other decomposition based denoising approaches, EMD based denoising requires a reliable threshold to determine which oscillations called intrinsic mode functions (IMFs) are noise components or noise free signal components. Here, we propose a metric based on detrended fluctuation analysis (DFA) to define a robust threshold. The scaling exponent of DFA is an indicator of statistical self-affinity. In our study, it is used to determine a threshold region to eliminate the noisy IMFs. The proposed DFA threshold and denoising by DFA–EMD are tested on different synthetic and real signals at various signal to noise ratios (SNR). The results are promising especially at 0 dB when signal is corrupted by white Gaussian noise (WGN). The proposed method outperforms soft and hard wavelet threshold method.     

基于EEMD和二代小波变换的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。     

基于经验模态分解的小波阈值降噪方法研究

针对小波阈值降噪方法中小波基和阈值缺乏选取依据的缺陷,提出了一种基于经验模态分解(EMD)的小波阈值降噪方法。首先将带噪信号进行EMD分解得到一系列本征模态分量(IMF),仅对带噪的高频IMF分量进行小波阈值降噪处理,将处理结果与不含噪声的低频IMF分量进行信号还原得到降噪后信号。方法有效避免了直接小波阈值降噪高频分量损失的问题,同时还可直接去除信号中可能存在的趋势项,比直接小波阈值降噪具有更好的效果。仿真数据处理证明了方法的有效性。     

基于遗传优化函数曲线的小波阈值法心电信号除噪

针对小波阈值滤波方法中硬阈值方法易产生震荡和软阈值方法易产生波形失真的缺点,提出了一种基于遗传优化函数曲线的小波阈值法GOCWT。该方法利用二次函数模拟阈值转换函数曲线,并根据均方根误差(RMSE)与平滑度建立适应度函数,运用遗传算法(GA)对转换函数参数进行寻优。通过对48段心电信号滤波性能指标分析发现：与硬阈值滤波方法相比,GOCWT的平滑度性能提升了36%;与软阈值滤波方法相比,其均方根误差性能提升了32%。实验结果表明,GOCWT的滤波性能优于硬、软阈值滤波方法,既避免了心电信号滤波时产生的震荡现象,同时又很好地保留了信号的峰值等细节特征。