基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。     

含窄带噪声和白噪声的复杂染噪局部放电信号提取及应用

复杂噪声环境下,电力设备局部放电信号的高完备度提取是实现其运行状态在线评估的关键.该文提出一种基于自适应噪声的总体集合经验分解(CEEMDAN)和改进小波包结合的复杂染噪局放信号提取方法.首先,通过自适应CEEMDAN将染噪信号进行分解,利用奇异值分解(SVD)算法对分量中包含的窄带噪声和频率混叠进行抑制,再根据信号间...     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于小波包变换的信号去噪方法研究

为有效剔除信号噪声,得到没有污染的信号,便于进行信号分析,介绍了小波包变换的改进方法,给出了信号的小波包分解系数排序方法,将信号的相关性与小波包的多尺度时频分析及重构结合在一起,并用于信号的去噪研究中.通过仿真研究和与目前小波去噪方法进行对比,证明了该方法去噪的有效性.     

基于小波包变换的信号去噪方法研究

为有效剔除信号噪声，得到没有污染的信号，便于进行信号分析，介绍了小波包变换的改进方法，给出了信号的小波包分解系数排序方法，将信号的相关性与小波包的多尺度时频分析及重构结合在一起，并用于信号的去噪研究中．通过仿真研究和与目前小波去噪方法进行对比，证明了该方法去噪的有效性．     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

基于经验模式分解与小波软阈值的联合去噪法

为获得往复运动摩擦副摩擦力信号良好的去噪效果,在分析传统的经验模式分解去噪和小波阈值去噪的优缺点的基础上,提出在模式相关系数准则下,将经验模式分解去噪与小波软阈值去噪结合起来的综合去噪方法。首先利用经验模式分解出若干个固有模式函数分量,在模式相关系数准则下找出由噪声主导和由信号主导的固有模式函数分量的分界点,接着对由信号主导的模式函数分量分别进行小波软阈值去噪,然后再进行重构从而获得去噪信号。实验结果表明,此去噪方法具有良好的自适应性和稳定性,提高了信噪比,并较好地保留了原信号的细节信息。     

心电信号的小波变换处理算法及仿真

为了有效去除心电信号中的干扰噪声,对信号特征点进行准确标定,采用小波变换的阈值去噪算法和时域峰值定位算法进行心电信号处理.利用bior3.7小波按照Mallat算法对ECG信号进行分解,结合软硬阈值与小波重构的算法对信号进行去噪处理,给出了小波变换与时域峰值定位结合的算法检测各特征点.仿真结果表明小波阈值算法能有效去除心电信号中的干扰噪声,保留心电信号的有效信息,基于小波变换的时域峰值定位算法能准确检测出心电信号中的特征点.     

一种SAR图像相干斑噪声抑制新算法

为抑制合成孔径雷达(SAR)图像乘性相干斑噪声,同时有效保护SAR图像的边缘特征,给出了相干斑噪声在小波域的一种加性转换噪声模型．并以此模型为基础,提出了一种非下采样小波包分解下自蛇扩散与改进L1-L2联合优化相结合的相干斑噪声抑制新算法．该算法利用非下采样小波包变换对SAR图像进行多层子带分解,然后对低通子带系数进行自蛇扩散滤波,并将滤波处理后的系数作为原SAR图像在小波域的局部均值估计,再以此局部均值为基础,利用改进的L1-L2联合优化对其他各高频子带系数进行自适应软阈值收缩滤波去噪．最后通过重构滤波后的各子带系数实现SAR图像相干斑噪声抑制．实验表明: 与经典的空域Kuan滤波算法、P-M扩散滤波算法及基于非下采样小波变换的Γ-WMAP算法相比,本算法在SAR图像的相干斑噪声抑制与边缘保护方面均取得了较好的效果．     

自适应的KEEMD方法及其在光谱去噪中的应用

聚合经验模态分解( ensemble empirical mode decomposition, EEMD)方法极好地抑制了EMD算法的模态混叠,但仍未很好地解决端点效应,另外由于EEMD加入白噪声的幅值系数及总体平均次数需靠经验设定,不利于信号快速、准确地分解与重构。针对上述问题,提出了自适应KEEMD( KELM-EEMD)方法。首先,基于核函数的极限学习机结合镜像法进行极值点延拓以抑制端点效应,并用于仿真信号分解及小麦反射光谱的去噪,验证了该方法抑制端点效应的有效性。其次,通过抑制端点效应后分解获得的高频分量,自适应地确定算法所需加入白噪声的幅值系数及总体平均次数,将此自适应KEEMD方法用于油菜、菠菜反射光谱的去噪。结果表明：该方法更加快速地获得了与靠经验设定参数的KEEMD方法基本一致的去噪效果。     

基于小波包变换的EMD算法在超声信号处理中的应用

提出基于小波包变换的EMD算法,并将其应用于超声回波信号去噪.对于采用EMD分解含高斯白噪声的超声缺陷信号存在模态混叠的问题,首先用小波包变换对信号作预处理,再对信号进行EMD分解,最后重构出有用的缺陷信号.实验结果表明:该方法不仅具有很好的消噪效果,而且重构的缺陷信号的波形失真度小,有利于对信号做进一步的定量分析.     

表面肌电信号的小波消噪改进算法

根据在不同尺度下信号和噪声的小波变换系数的相反特性，提出了一种改进的小波消噪算法来去除肌电信号中的噪声.利用Mallat算法对肌电信号进行小波分解，实质上就是将信号投影到尺度空间和小波空间，分别包含了信号的光滑通道分量和细节分量.兼顾软阈值和硬阈值量化方法的优点，利用两者的加权平均值滤除由噪声所决定的小波变换系数，从而在大尺度下补充细节信息并保持信号在奇异点的特征.利用保留下来的小波变换系数进行信号重构即得到消噪后的信号.实验结果表明，该方法可以有效去除噪声，兼顾了软、硬阈值的优点，保留了在模式变化过程中肌电信号细节部分的有用信息.     

小波包分析在滚动轴承信号消噪处理中的应用

对滚动轴承的故障特点进行了分析.根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出了小波包分解和重构用于滚动轴承信号消噪处理的概念及其算法,建立了滚动轴承加速度信号实时测试系统.通过实验研究得出,用小波包分解并通过重构可使分解后的数据长度不变,使分解层数不受限制,证明小波包分析方法应用于滚动轴承信号消噪的有效性,并取得了较好的效果.     

VMD与PSO的乐器声音识别

针对乐器音频信号的识别率低的问题,提出了一种变分模态分解(VMD)和被粒子群算法(PSO)优化的支持向量机(SVM)的乐器音频信号识别的方法。采用VMD将乐器音频信号分解成一系列平稳的窄带分量(IMF),并根据相关系数重构信号,采用小波去除残余的噪声。最后,在分析传统的声音特征提取方法基础上,提取梅尔频率倒谱系数(MFCC),用经PSO寻优参数的SVM进行音频信号的分类。实验结果表明,本文算法的去噪效果明显优于经验模态分解(EMD)和集合经验模态分解(EEMD)的分析结果;PSO优化后的SVM有效的提高了噪声环境下音频信号分类的正确率。     

一种新的MEMS陀螺仪信号去噪方法

为提高MEMS陀螺仪输出信号的去噪效果,将稀疏分解(sparse decomposition)与提升小波变换(lifting wavelet transform)相结合,提出了一种新的信号去噪方法.首先,建立MEMS陀螺带噪信号的误差模型,并利用小波提升正变换计算带噪信号的非稀疏的小波系数;然后,利用稀疏分解理论恢复小波系数的稀疏性;最后,再通过小波提升反变换重构信号,从而达到去噪的目的.考虑到梯度投影(gradient projection)算法具有全局最优解,运算效率更高,将梯度投影思想引入恢复信号稀疏性的过程中,提出了基于梯度投影的稀疏分解算法,给出了利用梯度投影算法进行信号系数分解的具体步骤,大大简化了计算复杂度,同时提升了算法的稳定性.为验证所提方法的性能,进行了MEMS陀螺信号去噪的静态实验和跑车实验.实验结果表明,此种方法在动静态条件下都可以有效地去除MEMS陀螺仪输出信号中的噪声,尤其是在静态条件下的去噪效果要优于小波阈值滤波方法.同时采用的梯度投影算法相比于正交匹配追踪算法和基追踪算法具有更高的运算效率.     

基于EMD虚拟通道的ICA算法在信号消噪中的应用

提出了一种由经验模态分解构造虚拟噪声通道,结合独立分量分析进行信号消噪的方法. 在分析经验模态分解及独立分量分析的优越性基础上,阐述了构造虚拟噪声通道的基本原理,给出了具体构造方法. 用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据. 仿真计算表明,该方法对白噪声的消除是有效的,消噪效果较为理想. 与传统小波方法比较,具有优势.     

波和小波包变换在心电信号去噪中的应用

小波(包)变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT/BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯白噪声作为干扰来验证小波(包)软阈值去噪的效果。验证结果表明小波(包)软阈值算法去噪效果很好,能有效去除干扰。     

小波和小波包变换在心电信号去噪中的应用

小波（包）变换软阈值去噪方法具有非线性和自适应性,特别适合非平稳微弱的生物医学信号的去噪,而心电信号恰具有该特征。利用MIT／BIH数据库中没有噪声的胎儿心电的信号作为有用信号并混合高斯自噪声作为干扰来验证小波（包）软阈值去噪的效果。验证结果表明小波（包）软阈值算法去噪效果很好,能有效去除干扰。