一种基于变分模态分解和样本熵的MEMS陀螺去噪方法

针对MEMS陀螺信号,提出了一种基于变分模态分解(VMD)和样本熵(SE)的随机噪声抑制方法。首先采用VMD算法自适应地将原始信号分解为固有模态函数(IMF)的集合,然后针对不同的固有模态序列建立基于样本熵理论的信号组分筛选标准,从而将其划分为低频有效信息IMFs、信息和噪声混合IMFs和高频噪声IMFs。舍弃高频噪声IMFs,并利用软区间阈值降噪方法实现对混合分量的进一步处理,最后通过重构得到最终的信号。对一组真实的MEMS陀螺静态漂移输出数据进行实验分析,比较结果表明该算法的去噪性能优于同为模态分解的EMD去噪方法。     

基于经验模态分解/高阶统计法实现微机械陀螺降噪

针对微机电系统(MEMS)陀螺存在的非线性、非平稳噪声,提出了应用经验模态分解/高阶统计(EMD-HOS)的降噪方法对MEMS陀螺进行降噪。首先,采集MEMS陀螺输出信号,根据EMD算法将信号分解成本征模态函数(IMF)。采用Bootstrap技术分别估计各IMF的峰度值,进行高斯特性检验,滤除高斯IMF。接着,使用方差聚合法分别计算IMF的Hurst指数,根据Hurst指数计算阈值,对各IMF进行软阈值处理。将阈值处理后的剩余IMF进行重构,达到降噪的目的。最后,通过交叠式Allan方差分析对滤波前后数据进行处理,绘制Allan方差与相关时间关系曲线,利用非线性最小二乘拟合方法,计算陀螺噪声各项指标。实验表明,EMD-HOS和软阈值处理能够有效地对MEMS陀螺降噪,其信噪比提高了5.6 d B,各项陀螺随机噪声关键指标提高近一个量级。     

基于EMD的螺杆转子激光测量信号去噪算法研究

为去除螺杆转子激光测量信号中的噪声,提出一种EMD-β与改进小波阈值函数结合的去噪算法。首先利用经验模态分解(EMD)对螺杆转子的激光距离信号进行分解,用EMD-β寻找高频的固有模态函数(IMF),然后对高频的IMF进行改进小波阈值去噪,最后将去噪后的IMF和剩余的IMF进行信号重构得到去噪后的信号。经过仿真验证,此方法在激光距离信号的噪声去除中具有一定的使用价值。     

基于经验模分解的陀螺信号去噪

陀螺随机漂移是影响寻北精度的重要因素,小波消噪方法对小波基和分解尺度等因素依赖性较强。提出了一种新的基于功率谱密度准则的经验模态分解(EMD)去噪方法,可有效解决传统EMD去噪自适应滤波器截止阶数难以确定的难题,该方法将经验模态分解得到的固有模态函数(IMF)分为信号分量起主导作用模态与噪声分量起主导作用模态,并对噪声分量起主导作用的模态进行类似小波软阈值去噪的方法进行滤波,然后与信号分量起主导作用的模态共同对信号重建实现去噪。将该方法应用于测试信号与陀螺信号的去噪,结果表明:新方法能有效地判断噪声与信号起主导作用的模态分界点,具有良好的去噪效果,且不受主观参数的影响,具有自适应性。     

基于模糊间隔阈值EMD的微机械陀螺消噪

为了减小低成本微机电系统(MEMS)陀螺仪输出中的噪声,提出了一种经验模态分解(EMD)的模糊间隔阈值消噪方法。首先通过EMD将信号分解为多个本征模函数(IMF),并且IMF特性将这些IMF分为三类,即噪声主导IMF,混合噪声与信息的IMF,信息主导的IMF;对于混合噪声与信息的IMF,根据不同阈值的特性确定模糊阈值区域,并设置隶属度函数,根据IMF系数对应的隶属度值对IMF进行消噪处理;最后再将经过消噪处理的IMF与分解得到的信息主导的IMF进行重构,得到消噪信号。实验首先对一段模拟的"bump"信号进行消噪分析,然后在MEMS陀螺仪上进行验证,最后对此方法的消噪性能进行了Allan方差分析。实验结果表明,该方法能有效去除MEMS陀螺仪输出的噪声分量。静止状态下信号的信噪比提高了5.47dB,单轴匀速率旋转状态下信号的信噪比提高了2.64dB;陀螺信号的各项误差系数均有所降低。实现了陀螺仪输出中噪声与信号的分离,改善了信号质量,可以有效提取和识别出有用信息。     

联合CEEMD及AFSA优化小波阈值的心音信号去噪研究

心音是诊断身体健康的重要生理信号，为有效降低心音信号的噪声，提出一种联合互补总体经验模态分解(CEEMD)及AFSA优化小波阈值去噪相结合的方法。即先将不同频率范围的心音信号通过CEEMD进行分解，然后选取高频部分的IMF分量使用人工鱼群(ArtificialFish-SwarmAlgorithm,AFSA)优化小波阈值算法进行去噪，最后将去噪后的信号与分解的低频IMF信号进行重构得到去噪后的心音信号。将联合CEEMD及AFSA优化小波阈值去噪算法与传统的CEEMD算法、小波阈值去噪算法进行仿真对比。实验结果表明，联合去噪算法在去除心音信号噪声方面效果最好。     

基于BWO优化VMD联合小波阈值的管道泄漏次声波去噪方法

管道泄漏次声波信号中的干扰噪声影响管道泄漏定位的精准度。提出了一种基于白鲸优化算法（BWO）优化变分模态分解（VMD）联合小波阈值（WT）的管道泄漏次声波去噪方法。针对VMD算法中分解层数K和惩罚因子α的取值对信号分解结果影响较大,利用白鲸优化算法（BWO）对VMD分解的两关键参数进行寻优,获得最优参数组合[K、α],并利用优化后的参数对次声波信号进行VMD分解,获得一系列本征模函数（IMF）分量。通过计算各IMF分量的相关系数来区分噪声IMF分量和有效IMF分量,引入一种改进的小波阈值函数对有效的IMF分量进行去噪处理,再重构去噪后各有效IMF分量,得到去噪后的管道泄漏次声波信号。通过仿真实验,将所提方法与灰狼优化算法（GWO）优化VMD联合小波阈值和麻雀搜索算法（SSA）优化VMD联合小波阈值两种方法对比,所提方法去噪后信号的信噪比分别提高了1.27%、2.01%,表明所提方法的去噪效果具有一定的优越性,为后续管道泄漏计算定位奠定了良好的基础。     

应用分层自适应匹配追踪重构MEMS陀螺信号

对含噪微机械系统(MEMS)陀螺信号进行小波分解重构时,真实信号对应的小波系数很难选取,故本文提出一种分层自适应匹配追踪算法(LAMP)来解决上述问题。建立了含噪MEMS陀螺信号中信号小波系数稀疏提取架构,将信号小波系数提取问题转化为含噪信号中信号小波系数稀疏性的恢复问题。比较已有稀疏重构算法,采用一种新的LAMP算法,在各种可能的小波系数组合中挑选出分解系数最为稀疏的一组,以此消除信号中的噪声小波系数,进而重构MEMS陀螺信号。实验表明:提出的LAMP算法的稀疏重构效果优于其他迭代贪婪重构算法;基于LAMP的信号稀疏小波重构方法,可以有效去除MEMS陀螺信号的大量噪声;去噪前后,纯MEMS陀螺数据解算的方位角平均累积误差由10.060 2(°)/h减小到5.034 6(°)/h,优于传统小波阈值重构法平均累积误差8.596 8(°)/h,显示了较好的应用效果。     

超声波测距系统中的小波去噪方法研究

针对远距离超声波测距系统中回波信号信噪比低的问题,采用小波变换对超声波的回波信号进行去噪处理。为取得较好的去噪效果,对小波变换的参数选取进行了研究。根据小波基的特性,通过能量与能量熵选取最优小波基;基于回波信号噪声的白噪声特征,采用白噪声检验自适应确定分解层数;引入参考噪声信号,确定小波系数处理阈值,并选用一种结合软、硬阈值函数的改进阈值函数进行小波系数处理。为验证方法的有效性,搭建基于NI数据采集卡和LabVIEW的超声回波信号采集平台,利用MATLAB小波工具包完成回波信号的去噪处理,并通过信噪比、均方根误差等指标对去噪效果进行综合评判。实验表明小波去噪可以达到很好的去噪效果,为大量程超声测距提供理论基础。     

轴系轮廓重构信号的CEEMDAN—小波阈值去噪方法

针对轴系回转过程中动不平衡引起的位移误差信号含噪问题,提出自适应噪声完备集合经验模态分解(CEEMDAN)—小波阈值去噪的轴系轮廓重构模型。采用CEEMDAN对位移信号进行分解得到各阶本证模态函数(IMF),采用相关性分析提取含噪的IMF分量,并对其进行小波阈值去噪,与经验模态分析EMD—小波阈值去噪方法进行比较,最后将提纯后的信号进行重构。模拟仿真表明,去噪后的信号不仅保持了原有信号的特征,并且有效去除了噪声。将去噪后的信号输入到重构轮廓模型进行试验,结果表明,去噪后分离的单个截面回转误差准确度提高了0.05μm,圆度误差准确度提高了0.0703μm。     

CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法研究

针对球磨机振动信号非线性、非平稳性特点及总体平均经验模态分解方法(CEEMDAN),舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了一种基于CEEMDAN-小波阈值联合的球磨机筒体振动信号去噪方法。首先运用CEEMDAN算法将信号分解成一系列IMF分量;其次采用连续均方误差准则确定含噪声较多的高频IMF分量;然后采用小波阈值去噪方法对含噪声较多的高频IMF分量进行去噪处理;最后将去噪后的IMF分量和去噪的IMF分量进行重构,从而得到去噪后的信号。通过对实测球磨机筒体振动信号进行去噪分析,结果表明本研究提出的联合去噪方法去噪后信号的信噪比更高、均方根误差更低,证明该方法具有更高的去噪精度。     

角加速度信号自适应小波的去噪方法

针对多扰动、大负载环境下角加速度计输出信号中含有脉冲噪声和高斯白噪声的情况,提出一种改进的离散小波阈值法与中值滤波算法相结合的角加速度计信号自适应去噪算法。首先,使用中值滤波对原始信号进行去除脉冲噪声的预处理;其次,使用分解层数的自适应确定方法与改进的阈值选取准则,通过离散小波阈值去噪法去除高斯白噪声。仿真结果表明,该算法能够有效地提高信噪比,降低最小均方误差。实验结果表明,该算法既能去除分子型液环式角加速度计信号中噪声,又能很好地保留真实信号中的高动态部分。     

改进EMD阈值小波滤波方法

下肢自主康复训练机器人中交流伺服电机电流信号噪声严重影响电机力矩辨识精度。为解决非线性非平稳信号的滤波去噪问题,提出一种基于经验模态分解(EMD)的改进阈值小波滤波算法。首先对EMD最佳去噪层数和阈值小波的阈值处理函数进行分析和改进,然后将两种改进方法相结合,最后对Matlab中的Heavy sine信号添加高斯噪声,分别利用改进方法和软、硬阈值等滤波方法进行去噪实验。仿真实验结果表明,改进算法能有效去除非线性非平稳信号中噪声信号。与EMD和阈值小波等其他滤波方法相比,本文滤波算法去噪后信噪比更大,均方根误差更小,滤波效果更好。     

基于改进小波算法的轴承信号降噪研究

针对传统阈值函数降噪在阈值处不连续和存在恒定偏差的问题,采用层层递进的改进方法对小波阈值和小波阈值函数做了去噪研究。小波阈值的改进是基于不同分解尺度小波阈值算法,改进阈值考虑了轴承故障信号在不同分解层上的去噪特性和噪声在各分解层上的分布情况。小波阈值函数改进是基于对数逼近阈值函数算法,改进阈值函数考虑了传统软阈值函数的不连续性和硬阈值函数的偏差性。从传统阈值函数、改进阈值函数和传统阈值、改进阈值选取上看,传统阈值函数结合改进阈值去噪效果最好,其次是传统阈值函数结合改进阈值,最后是传统阈值函数结合传统阈值。在小波去噪算法中,改进小波阈值法可获得较好的去噪效果。     

基于Grubbs准则的小波自适应阈值去噪算法

小波阈值去噪法是去除信号中白噪声的有效算法.根据白噪声和信号小波系数的特点,提出一种分解层数自适应确定法和一种基于Grubbs准则的各层阈值选取法,并结合软、硬阈值法的特点,改进了小波系数阈值估计的模型.     

空气耦合超声信号的小波阈值滤噪试验研究

穿透式空气耦合超声检测中,由于较低声波透射率、激励接收系统噪声及声波在介质中的散射噪声导致接收信号信噪比较低,小波阈值滤噪技术在解决上述问题时面临小波基、分解层数及阈值函数的选取难题。基于小波分析的基本原理,以单因素分析方法开展小波阈值滤噪试验研究。选择不同小波族(Daubechies,Symlet和Coiflet)中的小波基、小波分解层数(4～8层)及阈值函数(软阈值及改进阈值函数)对实际含噪超声信号进行小波阈值滤噪处理,并通过对比滤噪信号的信噪比及频谱特性得出不同参数对滤噪效果的影响。结果表明,选择Coiflet小波族中的小波基能获得具有更高信噪比及透射信号幅值的滤噪信号;分解层数越高,滤噪信号的信噪比越高,但增长趋势渐趋稳定;阈值函数对滤噪性能的影响并不十分显著,一般采用软阈值函数或改进阈值函数就能获得良好滤噪效果。     

基于改进阈值小波算法的汽车轮速信号处理

在汽车制动过程中,轮速信号中的噪声对制动有着直接的影响,运用小波理论可以对轮速信号中的噪声进行去噪处理。噪声的幅值随着小波变换尺度的增加会逐渐减小,而信号的幅值与小波变换的尺度变化无关。在Donoho的软、硬阈值去噪方法基础上,提出了一种新的阈值函数量化法,该方法克服了硬阈值法不连续性和软阈值法有偏差的缺点,并把它们应用在汽车轮速信号的去噪上。新的阈值函数具有物理意义清晰、表达式简单等优点。实际信号处理结果表明,这种经改进的方法可以有效地去除噪声干扰,在信噪比指标上也明显优于常用的软、硬阈值去噪算法。     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基于EMD自相关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,提出一种基于噪声统计特性的EMD自相关消噪方法。首先,对含噪sEMG信号进行EMD分解,并根据噪声统计特性降低低信噪比的高频IMF分量的能量后重组信号。其次,对重组后的信号进行自相关函数特性的EMD分解,并对自相关函数方差低于阈值的高频IMF分量进行小波去噪。最后,把处理后的高频IMF分量和低频IMF分量重构,得到的信号即为消噪信号。实验结果表明,该方法不仅能更好的消除噪声,而且在低信噪比情况下有良好表现。     

遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析

针对轴承振动信号夹杂的噪声极大地影响有用信息的提取,提出了基于遗传算法的变分模态分解(Variational mode decomposition,VMD)与小波阈值去噪方法。该方法首先利用遗传算法选择合适的VMD参数,然后用VMD方法对含噪声的信号进行自适应分解,最后对分解的模态分别进行小波阈值处理后重构信号,得到去噪后的信号。对实际轴承信号的分析结果表明,该方法与常用的去噪方法相比,能够得到更高的信噪比和更低的均方差。