基于参数优化变分模态分解的信号降噪方法

针对心电信号中肌电干扰噪声难以去除的问题,提出一种基于参数优化变分模态分解（VMD）的信号降噪方法。通过设计动态边界策略和反向种群生成方式,对白鲸优化（BWO）算法进行改进;采用改进白鲸优化算法对VMD参数自适应寻优,确定分解层数K与惩罚因子α;对含噪心电信号进行分解,得到k个本征模态函数（IMF）分量,同时采用相关系数法进行有效模态和含噪模态识别;对噪声主导的模态分量采用小波阈值降噪,并重构信号主导模态与降噪后模态。对仿真信号与含真实肌电干扰的心电信号进行降噪处理,实验结果表明,所提方法去噪效果优于小波阈值去噪法、EMD法、EMD-小波阈值去噪法,真实含噪的心电信号经该方法去噪后自相关系数可达0.91以上。     

变分模态分解联合改进小波阈值函数的PPG降噪算法

针对PPG信号采集过程中存在大量混合噪声的问题,提出一种变分模态分解（VMD）改进小波阈值降噪的降噪算法。首先通过傅里叶变换得到脉搏波信号频域信息,确定分解个数和主频率;然后利用变分模态分解算法将含噪声的PPG信号分解为一系列固有模态分量,分解过后确定各分量的中心频率,并筛选有效固有模态分量;最后利用改进后的小波阈值函数对残余噪声进行降噪处理,避免了软阈值的恒定偏差,又保证了阈值函数的连续性,降噪后的信号与原始信号相关系数均值为0.934 7,比变分模态分解方法重构信号提升了7.1%。与其他降噪算法相比,信噪比分别提高了5.77 dB、5.38 dB、4.5 dB,均方根误差分别降低了26.1%、16.8%、7.4%。实验结果表明,通过理论计算、数值模拟和应用研究验证了所提方法的有效性和优越性,在滤波效果和信号保真度之间取得了很好的平衡。     

用于光纤传感的改进变分模态分解-DWT算法

大容量FBG传感网络解调系统中,信号去噪是影响FBG传感系统精确解调的重要因素。为了提高解调精度,本文提出一种以改进变分模态分解结合可调节半软阈值方法用于处理光纤信号。变分模态分解(VMD)将输入的信号分解为给定数量K个固有模态数(IMF),设置错误的K值会导致性能下降。本文在VMD的基础上添加4条约束条件,使其自适应的选取K值并减少了VMD的计算量,然后用新阈值函数进行去噪处理,最后通过温度测试实验,得到波长与温度的线性相关系数,评估性能与应用价值。实验结果表明,本文函数在连续性以及信号还原度均取得良好的效果。信噪比(SNR)相比于传统软、硬阈值平均提升了6.0162 dB、13.0003 dB,均方根误差(RMSE)平均降低了0.0442、0.1487。温度测试实验中温度与波长的线性相关系数为0.9992,能满足实际工程需求。     

基于变分模态分解的脉率变异性信号提取方法

针对现有脉率变异性(Pulse Rate Variability,PRV)信号提取方法存在抗噪性差、参数选择主观等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的脉率变异性信号提取方法。首先,对原始脉搏信号进行变分模态分解,从中提取可以反映脉搏主波变化的分量,对该分量进行平滑滤波;然后,计算滤波后分量的极大值位置,以相邻极大值位置为依据,计算原始脉搏信号对应区间的最小值,得到脉搏信号波谷;最后,根据波谷计算脉率变异性信号。采用31组实测脉搏信号对所提出的算法进行验证,结果表明脉率变异性信号提取的准确率在97%以上,因此所提算法可用于日常生活工作状态下脉率变异性信号的精准提取。     

基于VDM和小波阈值的语音降噪方法研究

针对带噪声的语音信号,提出了基于变分模态分解（VMD）和小波阈值相结合的去噪方法。首先,采用VMD对带噪声道信号进行分解,从而得到分解后的固有模态（IMFs）信号;然后,引入T检验对各IMFs分量进行低频和高频区分,对其中的高频分量用小波阈值进行噪声滤除;最后,对将低频IMFs分量和滤波后的高频IMFs分量进行重构,从而得到降噪后的具有较高信噪比的语音信号。通过实验验证,本方法与EMD和小波阈值联合算法相比,具有更好的去噪性能,具有一定的实用价值。     

基于经验模态分解的自适应滤波算法及其应用

在对炮膛进行检测时,由于温度、光照强度等影响,使得测得的信号带有很大的噪声,当噪声频带很宽时,自适应滤波器的参数设置比较困难,致使去噪效果不明显.为此,提出了一种基于经验模态分解的自适应滤波算法,该算法基于信号和噪声经过经验模态分解后在不同的IMF上有不同的特征,即先对信号进行经验模态分解,然后对各个高频IMF信号分别选用不同的滤波参数,进行自适应滤波处理.通过实验对比研究了该算法与普通自适应去噪、多尺度EMD滤波的降噪效果,实验表明,该算法具有很好的去噪效果.将该算法应用于炮膛检测系统中身管内径测量信号的降噪处理,取得了满意的效果.     

基于经验模态分解的激光陀螺随机信号消噪

各种随机噪声是导致激光陀螺产生误差的主要因素,且其性质特殊,很难用传统的滤波方法去除。为了抑制激光陀螺的随机漂移,提高使用精度,提出了一种新型经验模态分解方法对陀螺随机漂移测试信号进行滤波处理。该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元,并作为基本分析对象,通过对模态单元振幅的阈值处理来判断模态单元的类型,进而建立模态单元滤波模型。分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律,并建立了一种用于高斯消噪的阈值选取规则。运用该方法对激光陀螺测试数据进行了滤波降噪实验,并用Allan方差法对不同降噪算法的降噪效果进行了比较分析,实验结果验证了该方法的有效性和优越性。     

基于改进阈值的小波分解和经验模态分解的人体脉搏信号滤波算法研究

脉搏信号是反映人体健康状况重要的信号之一,对于医生诊断病情有重要的指导意义。本文分析了脉搏信号中噪声的特点,针对不同种类的噪声,结合小波变换和经验模态分解算法在滤波方面的优势,给出基于改进阈值的小波分解和经验模态分解的人体脉搏信号滤波算法,滤除脉搏信号中的各类噪声。与传统的滤波方法相比,基于小波和经验模态分解的人体脉搏信号滤波算法具有较好的滤波效果。本文网络版地址:http://www.eepw.com.cn/article/233868.htm     

基于EMD-NLMS的船舶发动机声信号降噪处理方法

针对船舶声信号降噪滤波的问题,提出了一种基于经验模态分解-归一最小均方的算法。该方法进行经验模态分解得出噪声分量,将得到的噪声分量作为输入信号进行自适应滤波,通过自适应滤波算法迭代处理得到降噪后的信号分量,并把信号分量叠加得到最终降噪后的信号。通过对比最小均方算法、归一化最小均方算法、经验模态分解-最小均方算法和经验模态分解-归一最小均方算法对船舶声信号的降噪效果,得出在船舶声信号滤波降噪方面经验模态分解-归一最小均方算法相比于其他三种算法有更好的滤波效果。     

一种基于自适应滤波的语音降噪方法研究

分析和研究自适应滤波和小波变换法的原理及方法,提出了一种新的综合使用自适应滤波和小波变换法的语音降噪方法。该方法首先用仿生小波变换法对带噪声的语音信号进行小波分解,将小渡变换法分离出来的噪声信号作为自适应滤波器的输入。最后选择用最小均方误差（LMS）的自适应算法对带噪声语音信号进行降噪处理,实现了信噪分离,去除语音信号中的噪声信号。实验结果表明,该方法对语音信号有较为明显的降噪效果。     

基于优化变分模态分解算法的回波信号去噪

超声流量计的回波信号中通常存在噪声干扰,导致回波信号难以准确定位.为滤除超声波回波信号中的噪声,提出了一种基于优化变分模态分解(VMD)算法的信号去噪方法.所提方法首先利用互信息准则的信息熵将遗传算法与VMD相关联.然后,将样本熵作为适应度函数,自适应性地优化VMD算法中的参数组合.最后,对原始信号进行分解,利用相关系...     

基于子带分解的自适应滤波

本文对基于子带分解的自适应滤波做了研究，给出子带分解下的包含子带间滤波的最优维纳解和ＬＭＳ算法，并分析了其收敛性能和计算复杂度，与传统的ＬＭＳ算法相比，基于子带分解的自适应滤波具有更好的性能，计算机模拟结果也体现了这一点。     

一种新的EMD去噪方法

信号的经验模态分解方法（EMD）可以理解为以信号极值特征尺度为度量的时空滤波过程。此过程充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有很大的优势。文中分析了EMD去噪技术的基本原理,通过研究几种利用EMD去除非平稳信号噪声的技术,提出了一种新方法。仿真结果表明新的EMD去噪法在去除噪声,提高信噪比方面具有极大的优越性。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法.首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量.在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构.在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验.实验结果表明:在数据连续丢失率不高于30％或随机丢失率不高于60％的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号.     

基于自适应阈值的图像去噪新算法

提出了一种具有自适应阚值的图像去噪算法.首先,阚值函数具有连续性,高阶可导性,充分体现了小波分解后系数的能量分布,且函数表达式简单易于计算,适合各种数学处理.其次,阈值的选取考虑了分解过程中小波系数的相关性和过程性等因素,减小了对噪声的误判率,具有更强的实用性.仿真实验结果表明,新算法不仅比传统算法运算量小,而且取得了更高的峰值信噪比(PSNR)和更小的均方误差(MSE),更加有效地去除了图像的噪声.     

基于Goldstein滤波的数字散斑条纹图降噪方法

有效去除数字散斑条纹图中的噪声是散斑干涉测量技术中的关键问题。提出了一种基于Goldstein滤波的数字散斑条纹图平滑方法。该方法需要将散斑条纹图中的干涉相位转换为矢量空间中的单位矢量,并进行快速傅里叶变换(FFT),得到其频谱,然后对频谱进行加权处理,从而抑制噪声的频率成分,再将加权处理后的频谱变换到空间域,计算干涉相位,得到原始散斑条纹图的滤波结果。将该滤波方法运用于四步相移数字散斑干涉条纹图像处理。实验结果表明,该方法在滤除散斑噪声的同时能够有效地保护散斑条纹图的轮廓和细节信息,增强了散斑干涉条纹的对比度。     

A Multi-Granularity Density Peak Clustering Algorithm Based on Variational Mode Decomposition

Density peak clustering (DPC) can identify cluster centers quickly,without any prior knowledge.It is supposed that the cluster centers have a high density and large distance.However,some real datasets have a hierarchical structure,which will result in local cluster centers having a high density but a smaller distance.DPC is a flat clustering algorithm that searches for cluster centers globally,without considering local differences.To address this issue,a Multi-granularity DPC (MG-DPC) algorithm based on Variational mode decomposition (VMD) is proposed.MG-DPC can find global cluster centers in the coarse-grained space,as well as local cluster centers in the fine-grained space.In addition,the density is difficult to calculate when the dataset has a high dimension.Neighborhood preserving embedding (NPE) algorithm can maintain the neighborhood relationship between samples while reducing the dimensionality.Moreover,DPC requires human experience in selecting cluster centers.This paper proposes a method for automatically selecting cluster centers based on Chebyshev's inequality.MG-DPC is implemented on the dataset of load-data to realize load classification.The clustering performance is evaluated using five validity indices compared with four typical clustering methods.The experimental results demonstrate that MG-DPC outperforms other comparison methods.     

基于经验模分解的小波阈值滤波方法研究

信号的多分辨经验模分解方法可以解释为以信号极值特征尺度为度量的时空滤波过程。这种时空滤波器充 分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势。本文提出了一种基于经验模分解的小 波阈值滤波去噪方法,并和小波阈值去噪、多尺度EMD滤波效果相比较。实验结果表明了基于经验模分解的小波阈值去 噪具有广泛的适用性和独特的去除非平稳信号的有色噪声的优势。     

基于自适应滤波的DPSK解调方法及性能

本文研究了一种基于自适应滤波（ＡＤＦ）算法的解调差分相移键控（ＤＰＳＫ）信号的方法,用常用的最小均方误差（ＬＭＳ）自适应算法,研究了自适应解调（ＡＤＥＭ）方法对ＤＰＳＫ信号的解调及其性能,计算机模拟结果表明,自适应ＤＰＳＫ解调比传统的ＤＰＳＫ相干解调性能优越,便于用数字信号处理技术实现。     

基于经验模式分解的图像增强研究

图像增强是图像处理的一个重要方面。提出了基于经验模式分解的图像增强方法:对图像进行经验模式分解(EMD),得到多个不同分辨率的内蕴模式函数图层和一个趋势图层,通过调节内蕴模式函数图层和(或)趋势图层增强图像。实验结果表明,基于经验模式分解的图像增强方法能够增强图像的细节和亮度,是一种有效的图像增强方法。