基于小波改进阈值的肌电干扰降噪研究与效果评估

肌电干扰是心电信号采集过程由于肌肉的轻微颤动引起的噪声干扰,因此需要对采集到的心电信号进一步的去噪.针对传统小波阈值去噪算法对心电信号去噪后存在信号震荡与失真问题,提出一种含有两个动态参数的改进小波阈值函数,通过动态参数可以对改进阈值函数进行整体和局部的调节,从而达到可以对不同程度的噪声进行去噪的目的 .为了验证新阈值函数的去噪效果,采用信噪比、均方差和心电信号的时频域特征3种评估指标,对改进的阈值函数和传统的肌电干扰去噪算法进行去噪效果的比较.研究结果表明,改进的阈值函数对心电信号去噪后的特征波形保存较好,克服了软、硬阈值函数的缺点,去噪后在平滑性和保真性方面表现良好.与传统肌电干扰去噪算法相比,对轻微噪声和严重噪声去噪后信噪比分别为38.7948和36.7212,均方差分别为0.0013和0.0018,去噪评估结果最好.     

改进EWT算法的心电信号去噪研究

心电图对诊断心律失常具有重要意义,但心电信号易受各种噪声的干扰,噪声会改变心电信号的形态,影响心律失常的准确诊断。本文提出了一种改进经验小波变换的心电信号去噪算法,根据心电信号的频域特点,改进了经验小波变换中频谱的划分方法,并通过计算过零率和相关系数去除噪声相关的经验模态函数,使用小波阈值法去除剩余分量的残留噪声。实验结果显示,基线漂移和肌电干扰得到有效滤除,降噪后信号的信噪比为17.7382dB,均方根误差为0.0203,优于其他常用方法。改进的经验小波变换算法降噪效果明显,能够有效还原原始心电信号特征。     

基于广义S变换模时频矩阵的局部放电特高频信号去噪方法

为有效抑制局部放电特高频信号中的噪声干扰,提出一种基于广义S变换模时频矩阵的去噪方法。基于二维模时频矩阵,采用区域最大能量法提取周期性窄带干扰的特征量,并通过矩阵逆向分离将其去除;采用奇异值分解去噪方法抑制信号中的高斯白噪声。使用该方法对仿真信号和实验室实测信号进行去噪处理,并与传统方法去噪结果进行对比。结果表明,所提方法能有效抑制局部放电信号特高频信号中的噪声,同时更好地保留了原始局部放电信号特征。对现场实测信号进行去噪处理,与传统方法相比,该方法具有较高的噪声抑制比和较低的幅值衰减比,可以有效提取局部放电超高频信号。     

基于静态阈值的无线体域网压缩感知心电降噪重构

心电监测作为无线体域网的一种重要应用,对心电信号重构精度要求较高,并且无线体域网中存在低功耗问题。现有的心电信号压缩感知重构算法虽然降低了功耗,但并未充分利用心电信号频域特性,造成重构精度不高。提出了一种基于静态阈值的无线体域网压缩感知心电降噪重构方法。该方法利用压缩感知理论,在传感器节点利用固定矩阵对心电信号进行观测,观测值被发送至汇聚节点后,再利用基于静态阈值的重构算法对心电信号进行降噪重构。仿真结果表明,该方法具有信号重构精度高、速度快和降噪性能好的优点。     

遗传算法用于局部放电小波自适应阈值去噪

小波去噪用于局部放电信号在线监测具有良好的效果,阈值选取与局部放电去噪后信号的畸变具有紧密联系。为提高局部放电监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出一种小波自适应最优阈值去噪算法,用于变压器局部放电脉冲信号去噪。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于史坦无偏似然估计(SURE)的最优阈值自适应选择方法,并引入一种新的具有多阶导数的阈值函数,结合二进制遗传算法全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。对局部放电仿真信号和现场局部放电信号的去噪结果表明,该方法与Donoho阈值计算公式及标准软阈值法相比,能更好地去除局部放电信号中的白噪声,去噪信号失真度较小,具有良好的应用价值。     

改进小波阈值去噪法在谐波检测中的应用

针对电力系统谐波检测中传统的软、硬阈值去噪方法不能有效的解决噪声干扰的问题,提出了一种新的去噪算法:改进软硬阈值折衷法。对模拟的电力系统信号分别采用传统的硬、软阈值法、软硬阈值折衷法和文中方法进行Matlab仿真,定量对比分析得出结论:改进软硬阈值折衷法能够更好的解决噪声干扰问题,去噪信号的的信噪比得到提高,均方根误差得到减少,重构后信号能更好还原原始信号,去噪效果好,实用价值较高。     

基于混沌粒子群的第2代小波的局部放电信号去噪

输变电设备局部放电信号在线监测过程会受到多种噪声污染,使得局部放电信号难以提取。该文提出了一种基于混沌粒子群优化算法的第2代小波的去噪方法,在第2代小波及插值细分方法基本原理的基础上,将混沌粒子群优化算法引入预测器和更新器设计中,并改进了重构过程中奇偶序列合并中存在的不匹配问题。通过分别对含有噪声的仿真和实测局部放电信号进行去噪处理,并与传统小波去噪进行对比分析,结果表明基于混沌粒子群优化算法的第2代小波具有快速、高效、实现灵活方便的特点,对局部放电信号具有更好的去噪效果。该方法在局部放电信号处理中有广泛的应用前景。     

粒子群算法用于局部放电小波阈值去噪

小波阈值去噪在局放信号监测分析方面应用效果较好,而小波系数阈值的选取是决定局放信号去噪后的失真和误差的关键因素。针对局放脉冲频谱特征,提出了一种基于粒子群算法的小波最优阈值选择方法,用于局放脉冲信号去噪。采用小波对局放信号进行分解,在估计最优阈值时以广义交叉验证为标准,利用粒子群算法进行全局搜索,使阈值寻优效果大大提升。对人工模拟加噪信号和典型局放脉冲仿真信号进行去噪处理和定量分析,结果表明与标准软阈值法以及Donoho阈值计算法相比,对局放信号的去噪效果更好,有着非常好的应用前景和价值。     

粒子群优化小波自适应阈值法用于局部放电去噪

为了提高局部放电在线监测中小波去噪的自适应能力,并降低去噪信号的畸变率,提出了一种用于电力设备局部放电信号去噪的粒子群优化小波自适应阈值方法。该方法采用小波对局部放电信号进行分解,在阈值选择时采用基于SURE无偏估计的最优阈值自适应选择方法,结合粒子群优化算法进行全局自适应搜索最优阈值,使最优阈值自适应寻优速度大大提高。为了验证其去噪效果,还引入遗传算法对小波自适应阈值法进行优化计算。对局部放电仿真信号与实测局部放电信号的去噪结果表明,本文与标准软阈值法和遗传算法优化小波自适应阈值法相比,能更好地去除局部放电信号中的白噪声,计算速度更快,具有良好的去噪效果和应用价值。     

心电信号降噪及R波提取技术研究

心电信号中R波的准确定位是其他波形定位的基础,在心电信号特征波形的研究中处于首要位置。本文根据R波在整个心电波形中幅值最为明显的特点,提出了一种基于小波理论提取R波的方法。首先选择合适的方法去除心电信号中的噪声,其次对去噪后的心电信号做5层小波分解得到各阶近似信号与细节信号,再次将得到的第3、4阶细节信号叠加,将叠加信号的均值作为搜索的阈值,并确定搜索起点,最后将搜索起点的横坐标映射至纯净的心电信号中,并使用逐点比对幅值的方式向后搜索,直至找到R波。使用MIT-BIH数据库中的数据进行多次实验验证,实验结果表明此算法能够准确的定位R波,检验的准确率为99.65%,召回率为99.86%。     

基于ICEEMDAN与小波包分解的脉搏信号联合去噪

针对脉搏信号非线性、非平稳,且难以去噪的问题,提出了一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)相结合的联合去噪方法,对采集的脉搏信号进行去噪处理。首先对噪声信号进行ICEEMDAN模态分解,产生一系列的固有模态函数(IMF),再将这些IMF分量分别与原信号进行相关系数的计算,比较相关系数的值,然后进行信号的重组,最后对重组后的信号进行小波包分解,提取得到降噪后的脉搏信号。利用仿真数据、实际采集的脉搏信号进行实验分析,将该方法与集合经验模态分解(EEMD)进行了对比,并比较了这两种方法的信噪比(SNR)和均方根误差(RMSE)。实验结果表明：基于ICEEMDAN-WPD的联合去噪方法能更有效地去除噪声,并更好地保留脉搏信号的特征。     

小波变换模极大值消噪算法的研究

根据信号和噪声在小波变换下的不同特性,采用模极大值去噪的算法.其中包括Mallat交替投影算法和模极大值小波域去噪算法,Mallat交替投影算法是通过剔除那些幅度随尺度而减小的模极大值点,保留幅度尺度而增大的模极大值点,然后将剩余的模极大值利用模极大值重构算法来重建原始信号,达到滤波去噪的目的.而模极大值小波域算法是先用Adhoc算法求出信号的模极大值,再根据模极大值小波域的定义求出信号的模极大值小波域,从而得到信号的小波系数,然后逆变换得到信号.实验结果表明两种算法都具有很好的消噪效果.     

基于小波和形态学的窦房结电图消噪算法研究

窦房结电图(SNE)是反映窦房结电活动的一种高分辨率的心电图,在临床医学上主要用于研究心律失常。为了提高临床诊断效率,提出了一种基于小波分析和数学形态法的消噪算法。该算法采用线性结构元素的形态滤波器消除SNE信号中的基线漂移,使用小波软阈值消噪法去除高频噪声,从而得到信噪比高的SNE信号。实验表明该算法可有效地对SNE信号进行消噪处理。     

压缩感知在电能质量扰动信号去噪中的应用

针对电能质量信号去噪中阈值去噪存在信号失真,去噪效果不理想,阈值选取影响重构质量的问题,提出了一种基于压缩感知理论(compressed sensing,CS)的电能质量信号去噪新方法。CS去噪将扰动信号映射到低维空间,利用电能质量信号具有稀疏性可以重构,噪声信号不具备稀疏性不可重构的特点,应用正交匹配追踪(orthogonal matching pursuit algorithm,OMP)重构算法重构电能质量信号达到去噪目的。实验表明,CS电能质量信号去噪法优于传统的基于小波去噪的阈值去噪法,且信号不失真,具有扰动信号采集与压缩的同时完成去噪和易于实现的特点,为电能质量信号去噪提供了一种新的方法。     

基于改进去噪性能的Prony算法电网低频振荡模态辨识研究

针对电网低频振荡Prony辨识算法对噪声较为敏感、对输入信号要求较高的问题,提出了一种基于小波去噪与扩展Prony算法相结合的高精度低频振荡模态辨识方法。在小波去噪的基础上通过对阈值进行改进,使得小波去噪的阈值随着小波的分解而发生变化,从而对低频振荡信号达到较好的滤波效果,并在此基础上研究扩展Prony算法,对构建的仿真信号运用IEEE4机2区域系统产生低频振荡信号以及实际PMU监测的低频振荡信号进行算法验证。仿真和实验表明提出的方法能够比较准确和快速的辨识电力系统低频振荡信号,且具有较高的精度和较好的鲁棒性,为电力系统低频振荡模态辨识提供了一种行之有效的方法。     

基于改进小波系数奇异值分解和小波去噪的低频振荡时变模式辨识

提出了一种基于连续小波变换(continuous walelet t r a n s f o r m , C W T )和奇异值分解( s i n g u l a r v a l u e decomposition,SVD)相结合的提升小波系数 SVD 辨识信号振荡频率和模式信息提取及信号去噪的新方法.克服了噪声较大或者密集模态时,小波脊线不清晰甚至会出现混叠和交叉难以提取频率的情况,根据提升的小波系数奇异值分解频率向量识别各阶振荡模式的频率.同时选用小波能量系数来识别主导振荡模式,用小波软阈值去噪和 SVD 分解后矩阵重构来进行信号去噪.CWT 可以处理含时变振荡模式的低频振荡信号,且对模式参数具有较高的辨识精度.仿真算例验证了算法的有效性和适用性     

小波去噪与压缩在电厂设备中的应用

为解决600 MW发电机组辅机设备噪音振动数据占用大量存储空间及缓解其数据传送压力问题,针对噪音振动数据的特点提出了一种基于小波阈值去噪和最优小波包压缩的压缩算法。新算法针对小波软硬阈值函数的不足,提出了新的阈值函数对噪音振动数据进行去噪;新算法使用相关系数法获取最优的小波基。仿真表明,改进阈值函数相对原阈值函数在保留高频原始信号的能力和去噪能力方面都有增强;使用改进阈值函数去噪后,小波包压缩能完整的重构信号。最优小波包压缩与改进阈值去噪算法已初步应用于岳阳电厂辅机设备的数据压缩,算法对节省硬盘容量、保护硬盘及高效的数据传送有着重要的作用。     

基于改进 CEEMDAN 的应答器上行链路信号降噪研究

针对在高速铁路复杂电磁环境中应答器上行链路(balise uplink, BU)信号传输受扰的问题,提出了一种基于自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)与小波包自适应阈值的联合降噪方法。首先,采用CEEMDAN算法将模拟BU信号分解为12个模态分量,根据相关系数判断分量为相关分量或无关分量;然后,相关分量经小波包降噪处理后重构为降噪后的BU信号;最后,选用信噪比(signal-noise ratio, SNR)和均方根误差(root mean square error, RMSE)作为评价指标,将该方法与目前广泛采用的6种降噪方法进行对比,信噪比提高了0.486 1～6.144 dB,均方根误差降低了0.054 9～11.091。为检验该方法的实际应用效果,采用联合降噪方法对实测BU信号进行降噪处理。仿真验证和实验验证的结果表明,采用联合降噪方法降噪后的BU信号不仅噪声分量得到了有效去除,而且信号特征保存完好,证明该方法能够应用于解决实际BU信...