基于变分模态分解的直肠压力信号预处理研究

针对依托于人工肛门括约肌系统的直肠功能诊断模型中采集信号存在大量干扰噪声的问题,提出了一种基于变分模态分解(VMD)算法与小波加权平均阈值去噪结合的预处理方法。利用VMD算法对原始直肠压力信号进行分解,对各模态分量进行小波阈值去噪,提取出有用信号进行重构。通过仿真比较分析该方法与EMD、小波阈值去噪等方法的去噪效果。实验结果表明,该方法在不同噪声水平下均显著提高输出信号的信噪比,同时避免原始信号中有用信息的丢失,具有良好的去噪效果,对直肠功能诊断的准确性具有重要意义。     

基于小波的EMD去噪法应用于心电信号去噪

实测的心电信号不可避免地存在一些强干扰和噪声,如何在强背景干扰和噪声下准确提取出有用的心电信号,是心脏病智能诊断的一个重要内容．提出一种新的基于小波的EMD去噪方法,先将信号进行小波分解,将带噪信号分解为多个尺度的信号,然后再对其中某几层信号进行EMD分解,剔除其中的噪声模态分量,重构后得到去噪后的信号．最后分别利用仿真带噪心电信号和MIT／BIH心电噪声数据库信号进行验证,并与单独运用小波阈值法和EMD分解法比较去噪效果．结果表明,该方法优于其他两种方法,简单有效,且适于实际应用．     

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。     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染;为研究冲击信号去噪的问题,针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法;单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息;EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变;对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

一种改进的EMD硬阈值去噪算法

为了提升基于经典小波阈值的EMD去噪算法的性能,利用高斯白噪声的统计特征提出了一种改进的硬阈值去噪算法;首先将含噪信号进行EMD分解,把第一个固有模态函数作为高频噪声直接去除并估算出其他IMF中高斯白噪声的能量,然后根据硬阈值去噪的原理,利用滤除掉的样本点包含的能量等于白噪声的能量确定出合适的阈值;该方法能根据样本点自适应地确定阈值;最后通过对含噪正弦信号和仿真心电信号的去噪实验证实了改进后的阈值使算法去噪效果有明显提升。     

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。     

一种ECG信号肌电干扰去除方法的研究

实测心电(ECG)信号通常被多种因素干扰,尤其是肌电干扰的去除存在较大困难.本文提出一种结合经验模态分解法(EMD)与主成分分析(PCA)的消噪算法来去除ECG信号的肌电干扰.解决了通常采用小波算法和EMD等方法会导致ECG信号产生振荡和丢失有用信息的难题.本研究利用PCA对含噪信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理,通过对MIT-BIH心电数据进行仿真,以及定性分析了信噪比(SNR)和均方误差(MSE).结果表明,ECG信号中的肌电干扰被有效去除,所提方法的消噪效果整体上优于小波去噪算法和EMD消噪算法,是一种有效的消噪方法.     

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。     

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.     

基于独立分量分析的低压电力线信号去噪

针对低压电力线中的噪声,提出了一种运用独立分量分析原理对低压电力线信号进行消噪的方法,详细研究了低压电力线信道噪声特性以及独立分量分析原理,应用基于负熵的FASTICA算法对低压电力线信道载波进行去噪,并与小波去噪的效果进行了比较。实验结果表明,该去噪方法的去噪效果与小波去噪效果接近,其特色是通过电力线信号与噪声信号的盲源分离实现噪声去除,与小波去噪方法相比,该方法更简单容易、去噪效果好、自适应能力强。     

小波阈值神经网络在信号去噪及预测中的应用

提出了一种小波阈值神经网络模型(wavelet threshold neural network,WTNN),对合作式接收到的雷达信号进行去噪和预测.这种网络模型把小波最优阂值去噪器加到神经网络中,对带噪信号具有小波最优阈值去噪和预测的功能.对小波系数作单层重构,可简化训练算法,使编程得到精简.其次,通过对训练算法进行分析,得出了最优阈值及权值的调整公式.最后通过对线性调频信号去噪及前向一步预测的实验结果可以看出,当网络输入分别为带有高斯白噪卢、高斯带限噪声、瑞利噪声的线性调频信号时WTNN得到的结果均优于利用Donoho阈值进行去噪后再预测的结果.     

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。     

脉冲漏磁信号的EMD小波阈值去噪研究

为有效抑制脉冲漏磁检测信号中的各种噪声,将小波阈值去噪运用到经验模态分解(EMD)中,提出一种基于EMD的小波阈值去噪方法。针对小波软、硬阈值函数中存在的不足,引入平滑截断绝对偏差惩罚因子进行优化改进。将该方法应用于脉冲漏磁信号进行实际消噪处理。实验结果表明,该方法能较好地剔除信号中的噪声,在脉冲噪声的抑制方面优于小波阈值去噪。     

基于盲源分离的超声信号去噪的仿真研究

提出一种新的基于盲源分离的超声信号去噪方法.为了验证去噪方法的有效性,应用此方法处理了仿真的超声信号,并与小波去噪的效果进行了比较.实验结果表明:该去噪方法能极大提高超声信号的信噪比,且其效果能与小波去噪方法相媲美,其特点是通过超声信号和噪声信号的盲源分离实现噪声消除.     

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。