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。     

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。     

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。     

改进EEMD算法在心电信号去噪中的应用

集合经验模态分解（Ensemble empirical mode decomposition,EEMD）方法在去除心电信号噪声时,噪声本征模态函数（Intrinsic mode function,IMF）分量难以选择且将噪声分量直接去掉会导致信号失真。针对上述问题,提出了一种基于EEMD的自适应阈值算法。首先对含噪心电图（Electrocardiogram,ECG）数据进行EEMD分解,得到IMF,根据马氏距离进行信号IMF分量和噪声IMF分量的判定,然后通过果蝇优化算法确定噪声IMF的阈值,将经过阈值去噪的新的分量和剩余分量重构得到去噪后的ECG。最后,使用MIT-BIH数据库中的心电数据进行实验,实验结果表明,该方法在去噪同时能够较好地保留信号细节。     

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EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

EMD与小波分析结合的特征保持图像去噪方法

图像在获取和传输等过程中伴有各种噪声,而细节与边缘是表征图像信息的重要特征,提出一种经验模式分解(EMD)与小波阈值结合的图像特征保持去噪方法.该方法首先将图像进行EMD分解,分解出内蕴模式分量与剩余分量;然后将内蕴模式分量进行小波分解,采用小波阈值去噪进行滤波、去噪和细节特征保留;最后将小波去噪后的内蕴模式分量图像叠加到剩余分量中,得到最后的去噪图像.实验结果表明,该方法克服了单独使用EMD或小波阈值去噪的不足,在有效去噪的同时还保持了图像的边缘细节信息.     

基于经验模式分解的自适应去噪算法

基于加性高斯白噪声在经验模式分解算法（Empirical Mode Decomposition,EMD）下的统计特性,提出了一种基于EMD的去噪算法。通过数值仿真,比较了提出的算法与小波域阈值去噪的性能。仿真结果表明,该算法与小波域阈值去噪的效果相似,而不用选择小波基,是一种自适应的去噪算法。     

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。     

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。     

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解（Two-dimensional Empirical Mode Decomposition,2-D EMD）和独立成分分析（Independent Comment Analysis,ICA）相结合的掌纹识别新方法。利用2-D EMD自适应的时频局域化多尺度和ICA II表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-D EMD分解得到多层本征模函数（Intrinsic Mode Function,IMF）;其次,利用基于PCA（Principal Component Analysis）降维处理的FastICA II算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试（2-D EMD+ICA II）的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICA II相比,具有重构图像信噪比好、识别率高等优点。     

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。     

使用二维EMD的红外和彩色可见光图像融合

针对红外和彩色可见光图像的融合,提出了一种基于二维经验模式分解（BEMD）的新的融合方法。源图像由BEMD分解成为本征模式函数集（IMFs）和残余;再将红外图像的IMFs和残余分别与对应可见光图像的IMFs和残余进行灰度范围匹配后,用加权平均方法进行融合;最后由BEMD重构成融合图像。用此法所得的融合图像增强了红外图像的细节并具有与可见光图像相似的自然色彩。实验中将此法与传统的小波变换方法和主成分分析方法进行了比较,还与经验模式分解（EMD）和复经验模式分解（CEMD）的方法进行了比较,实验结果都证明了该方法的融合效果最优。     

EMD与自适应滤波相结合的语音增强法

为了提高语音信号的信噪比,提出一种经验模态分解与自适应滤波相结合的语音增强法。对带噪语音进行经验模态分解,得到有限个固有模态函数,把所有的固有模态函数按顺序分成三组,将每一组所包含的固有模态函数叠加,得到三个子信号;对三个子信号进行自适应滤波,消除噪声;将降噪后的子信号重构得到增强后的语音。仿真实验表明,所提方法的语音增强效果优于自适应滤波。     

多通道图像EMD及应用

针对现有的经验模态分解方法（Empirical Mode Decomposition,EMD）对多通道图像（如彩色图像）进行分解时通常忽略各通道图像之间相关性的问题,提出了一种多通道图像EMD方法。该方法采用双拉普拉斯算子插值得到图像上下包络,并建立一个整体筛分停止准则进行筛分来考虑各通道图像相关性,能够将多通道图像自适应分解为数目不多的内蕴模态函数（Intrinsic Mode Function,IMF）分量和一个余量,其中内蕴模态函数分量体现了原始图像不同尺度的特征信息,余量体现了图像的整体变化趋势。该方法可以应用在图像锐化、夜景图像增强等图像分析和处理领域。实验结果显示该方法能够取得较好的效果。     

基于谱插值与经验模态分解的表面肌电信号降噪处理*

根据表面肌电(surface electromyography, sEMG)信号的噪声特性来探讨其降噪方法的应用问题。采用谱插值法来削弱工频干扰以避免工频处的肌电信息成分丢失,再选取通过经验模态分解(empirical mode decomposition, EMD)方法获得的内在模态函数(intrinsic mode function, IMF)分量作小波软阈值分析,并将部分明显的低频IMF干扰分量及冗余分量去除,然后对相应IMF分量进行重构便可得到降噪处理后的sEMG信号。仿真和真实信号的降噪实验结果     

一种改进的二维经验模态分解图像消噪方法

在含噪图像的二维经验模态分解(BEMD)的基础上,从图像BEMD分解系数的统计特性出发,构造图像BEMD系数的概率密度函数模型,提出了一种基于相邻尺度间BEMD系数相关性的图像消噪方法,消噪的过程中同时考虑本层BEMD系数特性以及其父层BEMD系数的值.从而能更好地消除噪声,同时更有效地保留图像边缘、纹理等细节信息.实验结果表明,与经典的小波阈值消噪和BEMD阈值消噪算法相比,经本文方法消噪后图像质量有较好的提高,具有更低的均方误差和更高的峰值信噪比.     

生成对抗网络下的低剂量CT图像增强

为去除低剂量计算机断层扫描（LDCT）图像中的噪声,增强去噪后图像的显示效果,提出一种生成对抗网络（GAN）下的LDCT图像增强算法。首先,将GAN与感知损失、结构损失相结合对LDCT图像进行去噪;然后,对去噪后的图像分别进行动态灰度增强和边缘轮廓增强;最后,利用非下采样轮廓波变换（NSCT）将增强后的图像在频域上分解为具有多方向性的系数子图,并将配对的高低频子图使用卷积神经网络（CNN）进行自适应融合,以重构得到增强后的计算机断层扫描（CT）图像。使用AAPM比赛公开的真实临床数据作为实验数据集,进行图像去噪、增强、融合实验,所提方法在峰值信噪比（PSNR）、结构相似度（SSIM）和均方根误差（RMSE）上的结果分别为33.015 5 dB、0.918 5和5.99。实验结果表明,所提算法在去除噪声的同时能保留CT图像的细节信息,提高图像的亮度和对比度,有助于医生更加准确地分析病情。