基于CEEMD的心音信号小波包去噪算法研究

针对传统心音去噪方法易将其部分高频有用信息作为噪声滤除而造成滤波后的心音信号失真及信息丢失的问题,提出了一种基于互补总体经验模态分解(CEEMD)的小波包变换去噪算法。首先通过互补总体经验模态分解将心音信号分解为从高频到低频的不同固有模态函数分量(IMFs),并利用自相关函数客观界定信号的模态分量范围;然后对噪声主导模态分量和混叠模态分量采用小波包变换进行滤波提取有用信息后,与剩余固有模态分量进行重构得到去噪后的信号。实验结果表明,改进的算法不仅可以去除心音中的噪声成分,明显改善心音信号的信噪比和均方根误差,而且能够有效保留信号的高频有用信息,且在不同噪声水平下的去噪性能均优于传统算法,鲁棒性较好。     

基于集合经验模态分解的MEMS矢量水听器联合去噪算法

针对MEMS矢量水听器的噪声去除问题,将集合经验模态分解(EEMD)、小波阈值去噪(WT)和奇异谱分析(SSA)相结合,提出了一种联合EEMD-WT-SSA去噪算法.该算法首先将含噪信号分解为一系列固有模态函数(IMF),然后,用连续均方误差准则(CMSE)对高频和低频进行区分,对高频信号进行小波阈值去噪,再和低频信号...     

基于Shannon熵的自适应小波包阈值函数去噪算法研究

小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。     

果蝇优化小波阈值超声检测信号去噪

由于材料结构的复杂性,超声检测回波信号往往存在很多干扰噪声。针对钢制结构中平底孔的超声检测信号传统小波去噪方法中小波阈值难确定的问题,结合小波良好时频特性和果蝇的全局优化能力,提出基于果蝇算法(FOA)优化小波阈值函数的超声检测信号去噪方法。对原始信号叠加5d B高斯白噪声,通过测试最大信噪比改善量获得最佳小波基和分解层数,采用sym5小波对超声检测信号进行6层分解后,利用果蝇算法对小波阈值进行参数优化,对比传统4种阈值确定方法,提高小波阈值的精度。验证结果表明:该方法对超声检测信号去噪后信噪比、均方根误差和相关性等参数具有满意的效果,去噪效果明显。     

基于小波包的振动信号去噪应用与研究

小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力。基于小波包变换的优良时频分析特性,论述小波包分析的基本原理,研究小波包在振动检测信号消噪处理中的应用,给出应用小波包变换对基于MSP430F449单片机的信号采集电路所检测到的振动信号进行消噪处理的实例。结果表明小波包变换的方法可以降低系统噪声影响,通过变换分解出高频噪声部分,利用小波包收缩的阈值量化方法能够更好地去掉高频部分,从而达到有效去除信号中噪声的目的。     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

基于EMD和小波熵阈值算法的超声回波信号降噪

超声检测信号中通常包含大量噪声,而其中材料晶界散射的噪声是一种相关噪声。鉴于传统的方法难以将这种噪声和缺陷回波信号区分,提出一种EMD和小波熵阈值联合降噪的算法。该算法首先对目标信号进行EMD分解,提取具有噪声特性的IMF分量进行小波分解,利用含噪系统熵增的特性,在分解各尺度层的细节部分选用小波熵自适应阈值降噪,然后将剩余分量和降噪处理后的信号进行重构。仿真信号结果表明:该降噪方法(EMD-WET)输出信号的信噪比(SNR)为7.9 d B、均方根误差(RMSE)为18.1、相似系数(NCC)为0.92,优于传统的小波软、硬阈值方法。对实测信号进行处理,该方法降低信号中的大部分噪声,更好地还原回波信号的波形。     

基于ICA-CEEMD小波阈值的传感器信号去噪

针对传感器在采集信号时混入不同的噪声,提出一种基于ICA-CEEMD小波阈值的组合去噪算法。该方法是对一维含噪信号进行剪切分段、平移和拼接,得到几个不同的含噪信号作为独立分量分析(ICA)的输入通道信号。通过ICA的盲源分离技术使得信号和噪声进行初步分离。再利用互补集合经验模态分解(CEEMD)对分离信号进行分解去噪,由于不同的高频和低频噪声,需要对分解的高阶和低阶固有模态函数(IMF)进行处理。对第一层和最后一层IMF利用3σ原则提取细节信息,进一步抑制模态混叠影响,重构去噪信号。最后,利用小波阈值对重构信号做去噪处理,提升去噪效果和性能指标。为验证该方法的有效性,进行了仿真和中北大学汾机实测实验,结果表明,该方法在去噪效果和性能指标上都优于小波软阈值去噪和基于CEEMD的小波阈值去噪方法,是一种有效的信号去噪新方法。     

局部投影和离散小波变换在心音信号去噪中的应用

针对心音信号非线性的特点,提出噪声水平自适应估计的局部投影与离散小波阈值相结合的去噪方法,该算法既能得到精确的重构信号又能保留微弱信号的有效特征。Lorenz序列数值仿真结果表明,该方法可以有效地抑制噪声,其信噪比和均方误差均优于局部投影去噪和离散小波阈值去噪;对比不同算法去噪前后信号的最大Lyapunov指数,得出该方法能很好地保留原始信号的非线性特征。对实测心音信号的降噪研究,进一步表明了该方法的有效性。     

采用离散余弦变换的小波图像去噪方法

提出一种通过对小波域中噪声能量的估计来进行去噪的新方法。算法采用离散余弦变换(DCT)提取小波系数的主要特征,无需对噪声方差进行估计。对图像进行小波分解,利用 DCT对高频子带进行局部特征提取;利用部分 DCT 系数对小波系数进行重建,并以重建系数的平均能量作为局部噪声能量的估计;去除原小波系数中的噪声分量后,进行小波逆变换,得到去噪后的图像。实验证明,其峰值信噪比(PSNR)比通常的阈值萎缩法提高了 2-4dB。     

二代小波包变换在爆破振动信号去噪分析中的应用

在提升算法及小波包变换原理基础上,构造了基于插值细分的小波SGW(6,6);介绍了基于最优提升小波包基分解的阈值去噪算法,将实测爆破振动信号通过二代小波包分解,对小波包系数进行阈值量化,再对阈值处理后的系数进行重构,成功地实现了爆破振动测试信号中的噪声去除。为将二代小波包变换引入到爆破振动效应分析研究领域奠定了基础。     

改进EEMD方法及混沌降噪应用研究EI北大核心CSCD

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于"3σ"法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

改进EEMD方法及混沌降噪应用研究

在总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)降噪过程中,对本征模态分量(Intrinsic Mode Function,IMF)的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于“3σ”法则和奇异值分解(Singular Value Decomposition,SVD)提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。     

一种基于奇异值的小波包改进算法

为提高小波包降噪精度,提出一种小波包和奇异值结合的改进算法。首先选取合适的小波基函数进行小波包分解,对小波包系数进行奇异值分解,然后重构信号,最后仿真验证该算法的有效性。结果表明该算法可以有效地滤去噪声信号,同时可以保留信号中的高频成分,降噪效果优于小波包降噪。     

基于IVMD-RPE的船舶噪声信号去噪及特征提取方法

针对由于复杂环境条件下的船舶噪声信号识别度低的问题,提出了一种改进的变分模式分解(Improved Variational Mode Decomposition,IVMD)、反向排列熵(Reverse Permutation Entropy,RPE)、加权排列熵(Weighted Permutation Entropy,WPE)和能量比相结合的船舶噪声信号识别分类方法。该方法利用IVMD将信号分解为若干本征模态函数(Intrinsic Mode Function,IMF);再利用RPE对IMF进行筛选,得到敏感IMF,实现去噪过程;最后计算IMF的WPE并与各个IMF的能量比构建特征向量,建立长短期记忆网络(Long Short-Term Memory,LSTM)进行识别分类。实验结果表明,与经验模态分解相比,文中提出的基于IVMD-RPE的船舶噪声信号去噪及特征提取方法能有效减少环境噪声的影响,提高信噪比,对船舶噪声目标信号识别分类的准确率更高。     

基于提升小波变换和AdaBoost的超声信号消噪技术

为了提高超声无损检测(UNDT)和无损评价(UNDE)中基础数据的信噪比(SNR),提出了一种基于提升小波变换和AdaBoost模式识别理论的超声信号消噪技术.该技术在研究材料内部散射体引起的结构噪声产生机理,以及分析传统裂谱分析算法局限性的基础上,利用提升小波变换将原始超声检测信号分解到小波空间后,通过采用AdaBoost算法构成的信噪分离器对信号和噪声进行识别、分离来消除噪声,得到高信噪比的超声回波信号.实验结果表明,与传统裂谱分析算法相比,该技术提高了消噪性能的稳定性,增强了湮没材料内部各种散射体散射中的缺陷回波信号能力.     

基于VMD和SVD联合降噪方法的球磨机振动信号随机噪声压制

针对球磨机筒体振动信号中存在大量噪声信号,难以提取其有效信息的问题,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的联合降噪方法。该方法首先利用VMD算法对球磨机振动信号进行分解,得到K个本征模态分量(IMF),其中K值采用瞬时频率均值法确定;然后通过互相关系数法选取大于等于互相关系数阈值的IMF分量,将选出的分量视为敏感模态分量,再利用奇异值分解算法对敏感模态分量进行去噪处理;最后将经过奇异值去噪的敏感模态分量重构,得到最终降噪信号。仿真分析验证该方法的有效性,将该方法运用到实测球磨机筒体振动信号中,结果表明,该方法能够去除磨机筒体信号中的噪声,提高了信号后续分析处理的可靠性。     

心音信号特征提取小波包算法研究

为了准确地提取心音信号的病理特征信息,在研究小波包分析的基础上,提出一种心音信号分频带能量特征提取的算法.基于心音信号频谱分析,采用能量集中度高、局部特性好的db6小波函数作为小波包母函数并选取适合心音信号分析的最优基,对不同的心音信号进行4层小波包分解,得到最优基的小波包系数.根据小波包系数与信号能量在时域上的等价关系,提取最优基频带的归一化能量作为心音信号的特征向量.采用类别可分离性判据,计算出该算法对正常和心脏疾病患者的心音特征的可分性测度均值为3.934 9,表明该算法能有效地识别不同的心音信号.     

基于双自适应提升算法的心音信号去噪研究

心音去噪是心音信号临床使用的前提。本文提出将双自适应提升算法用于心音去噪处理。该算法采用自适应更新和自适应预测构造小波函数,通过将传统的硬阈值和软阈值函数相结合,构造了一个改进的阈值函数进行心音信号去噪处理。对临床采集的80例心音信号进行了去噪实验,结果表明：该算法表现出良好的去噪效果,并增强了信号的局部特征。同普通小波去噪方法相比,其信噪比提高了46.5%,均方根误差减小了64.0%,而且运行速度快,可有效地用于临床心音信号的去噪处理。