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。     

基于CEEMDAN阈值滤波的磁场信号去噪模型

地磁导航是弹药飞行技术中常用的一种姿态测量方法,其关键是获得精确的地磁场测量值.针对磁场测量信号中存在的随机噪声信号,本文提出了一种具有自适应噪声的完整集成经验模态分解(CEEDMAN)和自相关系数结合的地磁信号去噪方法.首先通过CEEMDAN方法对地磁信号进行完备的分解,并利用自相关系数和傅里叶变换确定分解后的噪声分量与有效分量的界限.在此基础上,采用小波软阈值方式提取含噪声分量信号中的有用信号,最后进行信号重构.通过对实际磁场信号的分析表明,使用CEEMDAN阈值去噪算法处理磁场信号相对于CEEMDAN强制滤波算法,其均方根误差降低了10.52％,信噪比提升了1.156 dB,椭圆间的几何距离下降了13.87％,表明本文所采用的滤波方法可以对磁场信号进行有效的去噪,提取有用信号.     

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。     

改进EEMD算法在心电信号去噪中的应用

集合经验模态分解（Ensemble empirical mode decomposition,EEMD）方法在去除心电信号噪声时,噪声本征模态函数（Intrinsic mode function,IMF）分量难以选择且将噪声分量直接去掉会导致信号失真。针对上述问题,提出了一种基于EEMD的自适应阈值算法。首先对含噪心电图（Electrocardiogram,ECG）数据进行EEMD分解,得到IMF,根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留信号细节。     

基于EMD-DFA-NLM的电涡流传感器信号去噪方法

针对电涡流位移传感器输出信号中的非稳态噪声,提出一种基于经验模态分解(EMD) －去趋势分析(DFA)－非局部均值(NLM)原理的去噪方法。该方法解决了EMD去噪方法信号、噪声模态不易确定的问题,并且可在滤除高频背景噪声的同时保留信号细节。首先通过EMD将信号分解得到若干本征模态(IMF)分量,然后使用DFA区分噪声主导IMF分量和信号,主导的IMF分量,对噪声主导分量进行NLM去噪处理,最后与信号主导分量一起重构信号,分别对仿真信号和电涡流传感器输出信号进行去噪处理。结果表明,相较EMD去噪法和EMD－小波阈值去噪法,所提方法去噪性能更优SNR(MSE)值提升(减小)明显,去噪后信号的毛刺与高频震荡大大减少。     

基于改进小波包阈值降噪的滚动轴承故障分析

具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节。因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析。首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析。最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。     

基于小波EMD的柴油机声信号去噪研究

柴油机声信号包含了丰富的运行状态信息,为了能有效地提取特征参数,需要对柴油机声信号进行去噪处理。针对传统小波阈值去噪和经验模态分解(EMD)去噪的不足,提出了一种将小波阈值与EMD相结合的去噪方法。借助EMD的自适应分解特性,在原始信号分解的基础上,利用相关系数法确定信号主导和噪声主导本征模函数(IMF)分量的分界点,将改进的小波阈值函数对噪声主导的IMF分量进行阈值去噪,再进行信号重构。仿真实验和实测结果表明,该方法去噪效果更优,适合非线性非平稳信号去噪,能够保留柴油机声信号的原貌特征。     

改进CEEMDAN-小波包阈值降噪在旋转机械轴承中的应用

针对旋转机械滚动轴承振动加速度信号在采集过程中存在大量噪声导致振动信号表征不明显的问题，提出了一种在对自适应噪声完备集合经验模态分解(CEEMDAN)进行改进的基础上与小波包阈值降噪联合的一种数据去噪方法。首先，通过计算分解后得到的各分量的均方根和互相关系数对与原始信号相关性较大的分量进行提取；然后，分别计算提取后每个分量对应的阈值进行小波包阈值降噪处理；最后，将处理后的信号与分量中不存在噪声的分量进行叠加，即为降噪后的信号。经过对比实验验证，改进CEEMDAN-小波包阈值降噪方法的信噪比最大提高6.41,均方根误差降低0.12,证明了本方法的有效性。     

联合改进CEEMD与近似熵的脑电去噪方法

针对现有完备总体经验模态分解方法在脑电去噪中的模态筛选偏差问题,结合改进的完备总体经验模态分解(ICEEMD)与近似熵,提出一种新的脑电(EEG)信号去噪方法。对EEG信号进行ICEEMD分解,得到一系列本征模态函数(IMF),再对IMF分别计算近似熵,比较并选择近似熵值最大的IMF作为去噪后的信号。基于模拟信号和真实脑电信号的实验结果表明,与添加自适应噪声的完备总体经验模态分解方法相比,该方法能得到更清晰稳定的去噪结果,并且解决了IMF盲目选取导致的去噪失准及虚假模态等问题。     

基于EEMD与改进提升小波的脑电信号消噪方法

为消除混杂在脑电信号中的噪声,提出一种总体平均经验模态分解(EEMD)与改进提升小波相结合的脑电信号消噪方法。利用EEMD算法将含噪脑电信号分解为若干个内蕴模式函数(IMF)分量,通过自相关函数特性法提取出由噪声主导的高频IMF分量,并运用改进提升小波进行消噪处理,将保留的低频IMF分量与消噪后的高频IMF分量进行叠加,从而得到消噪后的脑电信号。实验结果表明,与传统提升小波消噪方法以及改进的提升小波消噪方法相比,该方法的信噪比较高,均方根误差较低。     

基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断*

针对高速列车横向减振器故障信号非线性非平稳的特点,提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。首先,利用经验模态分解（EMD）对故障信号进行去噪,然后对去噪后的信号进行EEMD分解,最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240km/h速度下,对高速列车横向减振器7种工况进行诊断,识别率达到91.8%。实验结果表明：与基于小波熵特征分析的算法相比,该算法具有更高的识别率和更强的抗噪性能。     

优化VMD与NLM结合的信号去噪

为解决人体心电信号易出现噪声干扰的情况,提出一种自选取参数的变分模态分解(variational mode decomposition)与非局部均值(no.local means) ECG信号去噪方法.针对人为选取变分模态分解参数不准确的问题,运用一种自适应的参数确定方法,根据不同的原始信号,确定不同的参数并对信号进行分解,得到一组信号分量,计算各个分量的样本熵,根据样本熵的值,选取出噪声主导分量和有效分量,对噪声主导信号进行NLM去噪,将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号.实验结果表明,改进参数的VMD-NLM算法相较其它算法,去噪信号的信噪比(SNR)和均方误差(MSE)最好,对人体心电信号的去噪效果最为优秀.     

基于EEMD和模糊阈值的去噪方法

为了提高EEMD分解中噪声主导模态的去噪效果,利用模糊隶属度的优势,提出了一种EEMD和模糊阈值相结合的去噪方法。首先用二范数计算各个本征模态函数(IMF)与观测信号的概率密度函数(PDF)之间的相似度,得到噪声主导的IMF;然后对噪声主导的IMF进行模糊阈值处理,以去除IMF中的噪声;最后将所有的IMF重构得到消噪信号。分别采用仿真信号和ECG信号进行去噪实验,结果均表明,所提方法的去噪效果整体上优于小波半软阈值方法和基于EMD的间隔阈值(EMD-IT)方法。     

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。     

改进的EMD算法及其在含噪盲扰信分离中的应用

针对经验模态分解(EMD)降噪算法存在因表示噪声的内蕴模态函数(IMF)分量选择不当而引起的降噪性能不稳定的问题,对其进行改进,加入对噪声水平的估计,并将噪声阈值作为分解结束的判决门限,避免了对噪声IMF分量的选择。在此基础上,联合小波变换进行降噪,并应用于含噪盲扰信分离中。仿真表明在一定范围的低信噪比条件下,该算法增强了盲扰信分离的抗噪声性能,可将源信号从染噪的观测信号中有效地分离出来。     

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。     

纳米器件的散粒噪声检测方法研究

针对纳米器件散粒噪声信号去噪方法的不足,利用散粒噪声信号在不同状态下的方差特性,提出了一种改进的经验模态分解算法(EMD)。该算法根据信号固有模态函数(IMFs)方差最大值与对应层数的关系自适应地选择需要处理的IMF层数,并与传统平均算法相结合提取了散粒噪声信号。实验结果表明:在不同程度(≥-3.92 d B)低频噪声环境下,与传统的EMD硬性去噪等方法比较可知,其信噪比提高了5.4 d B~7.0 d B,均方误差降低了36%以上,该方法有效地去除了低频噪声,提高了散粒噪声检测的有效性。     

基于VMD和CWT的MEMS陀螺仪输出降噪研究

针对MEMS陀螺仪信号噪声的问题,提出了一种基于变分模态分解(VMD)和连续小波变换(CWT)相结合的去噪方法.方法 首先利用VMD算法将MEMS陀螺仪信号分解成若干不同频率的本征模态分量 (IMF),有效的抑制了LMD分解中存在的模态混叠现象和端点效应等问题,经过信号重构之后,再用CWT算法进行二次去噪处理,分离出有效的低频信号.将上述方法应用到实际工程中,并与传统的VMD去噪和传统的CWT去噪方法作对比,实验结果表明VMD和CWT联合降噪方法可以有效地去除MEMS陀螺仪输出信号中的噪声,对改善MEMS陀螺仪零偏稳定性有着较好的作用,为工程中解决MEMS陀螺仪降噪问题提供了新思路.     

CEEMDAN在变压器振动信号提取中的应用

有效提取变压器振动信息对于识别变压器运行状态具有重要的现实意义.本文提出一种基于自适应白噪声完整集成经验模态分解(CEEMDAN)的变压器振动信号分析方法.论文首先采用CEEMDAN将原始变压器振动信号分解成有限的固有模态分量(IMF),之后利用相关系数(CC)提取有效的IMF分量.最后,将提取出的有效IMF分量进行信...     

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。