基于改进的集成经验模态分解的海杂波去噪

针对海杂波信号因混有噪声而难以提取的特点,提出基于改进的集成经验模态分解(MEEMD)的海杂波去噪方法。文中提出的MEEMD 在补充的集成经验模态分解(CEEMD)的基础上,利用排列熵和Savitzky-Golay 滤波对CEEMD 分解后的固有模态函数进行处理,最后在经验模态分解分解重构后得到削噪后的信号。以IPIX 雷达实测得到的海杂波数据进行仿真实验,结合最小二乘支持向量机建立混沌序列的单步预测模型,从预测误差中检测淹没在海杂波背景中的微弱信号,并用均方根误差判断去噪效果。仿真结果表明,文中所提出的MEEMD 算法对模式混淆有很好的抑制效果,去噪后得到的均方根误差为0. 000 847,比去噪前的均方根误差0. 012 2 降低了两个数量级。     

基于自适应噪声完备经验模态分解的Φ-OTDR信号去噪算法

针对相位敏感光时域反射仪(Φ-OTDR)信号信噪比较低的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)的小波信息熵阈值去噪算法。该算法配合CEEMDAN分解,通过小波信息熵阈值去噪,提取扰动位置的高频信息,从而提高系统的信噪比。首先,采用Savitzky-Golay滤波算法对不同光脉冲间的信号进行预处理;其次,采用CEEMDAN将滑动差分后单个脉冲内信号分解为不同的固有模态函数(IMF),并利用连续均方误差准则确定含噪较多的高频IMF分量;然后,采用小波信息熵阈值去噪算法对以上高频IMF分量进行阈值去噪处理;最后,将其与低频IMF分量以及残差分量进行重构。采用自行研制的相干Φ-OTDR系统实测数据进行了验证,结果表明,文中算法与两种传统去噪算法相比,信噪比提升了3dB,这对于系统的实际应用具有重要意义。     

一种基于CEEMDAN-改进小波阈值的OTDR信号去噪算法

为了解决光时域反射仪(optical time domain reflectometer,OTDR)中背向散射信号受 噪声干扰严重问题,本文提出了一种 基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN) 和改进小波阈值的OTDR信号去噪算法,利用CEEMDAN分解算法具有的抗模态 混叠现象和降低重构误差等优点,将信号分解为若干IMF分量,根据相关系数的分析方法, 找到噪声占主导的本征模态函数(intrinsic mode function,IMF)分量和信号占主导的IMF 分量的临界点,去除噪声占主导的IMF分量, 并将改进的小波阈值去噪方法对信号占主导的IMF分量进行去噪,最后重构信号。结果表明 , 本文提出的方法与传统的硬阈值方法、CEEMDAN-硬阈值方法和改进的小波阈值方法相比, 能 更好地抑制噪声,并达到更好的去噪效果,突显OTDR事件特征,更易于事件的检测。     

基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度，提出一种基于改进自适应噪声完备经验模态分解（CEEMDAN）去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数（IMF）；然后将改进兰氏距离与多重分形去趋势波动分析（MFDFA）结合，把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析（SSA）、小波阈值（WT）去噪；最后，将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明：与对比算法相比，含噪扰动经新算法去噪后，信噪比显著提高，去噪效果良好。     

基于主成分分析的经验模态分解消噪方法

 针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.     

一种优化的微弱信号检测方法

针对混沌海杂波背景下的微弱信号检测问题,结合互补集成经验模态分解理论,提出了一种优化的核极限学习机微弱信号检测方法。采用互补集成经验模态分解法将混沌信号分解为一系列固有模态函数,通过核极限学习机对经相空间重构后的各模态函数分别建立预测模型,利用人工蜂群算法对核极限学习机的正则化系数和核参数进行优化,重构预测信号,从预测误差中检测出混沌海杂波背景中的微弱信号(瞬态信号与周期信号)。分别以Lorenz 系统和IPIX 雷达海杂波数据为例进行了仿真,并研究了不同强度的噪声对微弱信号检测的影响。结果表明:该方法可以有效地从混沌背景中检测出微弱目标信号,当系统不存在噪声时,Lorenz 系统得到的均方根误差0. 000 000 12 (-118. 959 1 dB)比传统极限学习机方法的均方根误差0. 001 345 08(-80. 154 7 dB)降低了4 个数量级;若SNR逸0 dB,噪声对微弱目标信号检测的影响可以忽略;但当SNR<-7 dB,则无法检测出微弱信号。     

改进的EEMD算法在时域航空电磁信号降噪中的研究

常规降噪方法在应用于时域航空电磁信号降噪时需根据噪声情况人为进行参数调整,自适应性较差。总体经验模态分解（EEMD）算法对非线性、非平稳信号处理具有良好的自适应特性,传统的EEMD算法进行噪声抑制是将高频本征模态分量滤除,将低频分量重构得到降噪信号,这种方法易失掉高频分量中的有效信号。本文提出一种改进的EEMD降噪算法,应用于时域航空电磁信号的处理。该方法结合时域航空电磁信号的衰减特性,将信号EEMD分解后得到本征模态分量,其中包含信号和噪声,经Savitzky Golay平滑滤波,再将高频部分进行阈值去噪,最后得到干净的本征模态分量进行重构。实验结果表明在输入信号信噪比小于等于15 dB的情况下,输出信噪比能够提高12 dB左右,在抑制噪声的同时保留了更多有效信息。      

CEEMDAN和小波包降噪算法在光纤光栅复用传感网络中的应用

针对被采样的超弱光纤光栅反射光谱中含有干扰噪声的问题,提出一种应用于大容量超弱传感网络的混合组网去噪算法.该算法将具有自适应噪声的完整集成经验模态分解(CEEMDAN)与小波包降噪算法相结合,通过小波包阈值去噪对测量信号进行处理后,将初步处理过的信号进行CEEMDAN;再将分解得到的本征模态函数(IMF)分量和残余分量...     

基于ICEEMDAN的雷达生命信号检测方法

线性调频连续波（FMCW）雷达能够通过非接触的方式采集人体的呼吸和心跳信号,为了去除和减少生命信号中的杂波干扰,本文提出了基于改进的自适应集合经验模态分解（ICEEMDAN）和长数据序列截取的生命信号分解方法,通过延长观察时间,然后截取时间序列,得到既定观察时间的最终固有模态函数（IMF）分量,通过模糊熵对所有IMF信号进行分析来识别含噪信号,并对含有噪声的IMF信号进行去噪处理,综合分析相关性和能量阈值的结果,挑选出合适的IMF 分量重构生命信号。通过仿真和实测表明,所提出的方法能够大幅减少噪声,优于现有的去噪技术,有利于提高提取的呼吸和心跳信号的精准度和真实性。     

EEMD与改进小波阈值结合应用于心电信号去噪研究

心电信号监测过程中噪声是不可避免的,目前主要采用EEMD算法对观测信号所带有的噪声进行滤除,但该方法会直接丢弃高频噪声主导的低阶IMF分量或低频噪声主导的余项,导致部分有用信息丢失。为此,文中提出将改进的小波阈值与EEMD相结合,应用于心电信号去噪。改进的阈值方法能有效地去除各IMF分量噪声,再将处理后的各分量叠加,得到去噪的心电信号。通过真实监测信号实验进行验证,结果表明,所提方法具有较好的去噪声和重构效果,能够完整地保留QRS特征。     

Raman spectroscopy de-noising based on EEMD combined with VS-LMS algorithm

This paper proposes a novel de-noising algorithm based on ensemble empirical mode decomposition (EEMD) and the variable step size least mean square (VS-LMS) adaptive filter. The noise of the high frequency part of spectrum will be removed through EEMD, and then the VS-LMS algorithm is utilized for overall de-noising. The EEMD combined with VS-LMS algorithm can not only preserve the detail and envelope of the effective signal, but also improve the system stability. When the method is used on pure R6G, the signal-to-noise ratio (SNR) of Raman spectrum is lower than 10 dB. The de-noising superiority of the proposed method in Raman spectrum can be verified by three evaluation standards of SNR, root mean square error (RMSE) and the correlation coefficient ρ.     

Edge Effect Elimination in Single-Mixture Blind Source Separation

Blind source separation (BSS) of single-channel mixed recording is a challenging task that has applications in the fields of speech, audio and bio-signal processing. Ensemble empirical mode decomposition (EEMD)-based methods are commonly used for blind separation of single input multiple outputs. However, all of these EEMD-based methods appear in the edge effect problem when cubic spline interpolation is used to fit the upper and lower envelopes of the given signals. It is therefore imperative to have good methods to explore a more suitable design choice, which can avoid the problems mentioned above as much as possible. In this paper we present a novel single-mixture blind source separation method based on edge effect elimination of EEMD, principal component analysis (PCA) and independent component analysis (ICA). EEMD represents any time-domain signal as the sum of a finite set of oscillatory components called intrinsic mode functions (IMFs). In extreme point symmetry extension (EPSE), optimum values of endpoints are obtained by minimizing the deviation evaluation function of signal and signal envelope. Edge effect is turned away from signal by abandoning both ends’ extension parts of IMFs. PCA is applied to reduce dimensions of IMFs. ICA finds the independent components by maximizing the statistical independence of the dimensionality reduction of IMFs. The separated performance of edge EPSE-EEMD-PCA-ICA algorithm is compared with EEMD-ICA and EEMD-PCA-ICA algorithms through simulations, and experimental results show that the former algorithm outperforms the two latter algorithms with higher correlation coefficient and lower relative root mean square error (RRMSE).     

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题,具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥整体平均经验模式分解的优势,将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时,分解出的前5个分量与未分解前信号的相关系数明显减小,因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试,研究结果表明,该方法能有效地实现海杂波下目标的探测,性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。     

Weak Signal Estimation in Chaotic Clutter Using Model-Based Coupled Synchronization

In this paper, detection and estimation of weak signals in chaotic clutter with unknown dynamics are presented. We achieve this in three steps. First, by using Takens' delay embedding theorem and support vector machines (SVMs), the dynamics of the clutter is modeled by training SVMs with a known data set. Second, we augment the model with coupled chaotic synchronization scheme so that a better estimate of the clutter signal can be estimated. Finally, this estimate is subtracted from the observations, and on the residual signal, we apply standard signal detection/estimation techniques. By analyzing the statistical properties of the residual signal, we show that the strong clutter in the observation is replaced by a weakly colored and nonstationary noise. Efficiency of the new estimator is evaluated by computing the mean square error (MSE) of the estimation. Our studies reveal that, by a proper selection of coupling coefficients, we can lower the MSE significantly.     

基于空域联合时频分解的海面微弱目标检测方法

海面目标不仅影响其位置处波浪运动,还会影响其周围的水域,其雷达回波信号分布于多个相邻的距离单元,所以目标回波信号表现出明显的空域相关性。该文根据海面目标信号的空间相关性提出了一种基于空域联合时频分解的海面微弱目标检测方法。该文提出的一种两信号互S-方法将相邻两个距离单元的回波信号变换到时频域,再利用互维格纳-威尔逆变换实现两距离单元信号的联合时频分解,最后根据分解分量的联合时频聚集性实现目标检测。实测X波段雷达海面回波的处理结果表明该文方法能够较精确地从海面回波中检测出微弱目标,并且能够显示目标的瞬时运动特性。      

实测海杂波数据的统计拟合优度分析

海杂波的不同分布模型对杂波内目标检测方法与性能评估有着重要的现实意义,统计模型的参数估计及拟合优度分析则显得尤为重要。从常规的卡方检验(Chi-square)、柯尔莫诺夫-斯米尔诺夫检验(K-S)、均方误差检验(MSD)与修正均方误差检验(MMSD),提出分段最小均方误差检验(Segmented MSD),对海杂波幅度统计分布模型分成多个不同的函数区间,并在每个区间上进行最小均方误差检验拟合,从而达到参数估计和拟合的局部最优,为后期检测方法的选择提供更好的依据。     

基于VMD的激光雷达回波信号去噪方法研究

为滤除激光雷达回波信号中的噪声,提高其信噪比,本文提出了一种基于变分模态分解(VMD)的回波信号去噪方法。该方法利用去趋势波动分析对信号进行变分模态分解,通过巴氏距离区分相关模态和非相关模态,采用移动平均法提取非相关模态中的有用信号,并将其与相关模态进行重构实现噪声的有效去除。实验结果表明,经该方法处理后的回波信号输出信噪比提高到了22.58 dB,均方根误差减小为0.78×10-11。该方法能有效滤除激光雷达回波信号中的噪声,保证信号的完整性,与小波变换、经验模态分解直接阈值、变分模态分解局部重构等方法相比,具有明显优势。     

Single-Mixture Source Separation Using Dimensionality Reduction of Ensemble Empirical Mode Decomposition and Independent Component Analysis

Blind source separation of single-channel mixed recording is a challenging task that has applications in the fields of speech, audio and bio-signal processing. Numerous blind source separation methods are commonly used for blind separation of single input multiple output. However, the priori knowledge of the signal is assumed to be known or the main channels selected from multi-channel output are not self-adaptive and automatic. Presented in this paper is a new method based on dimensionality reduction of ensemble empirical mode decomposition (EEMD), and ICA does not rely on such assumptions. The EEMD represents any time-domain signal as the sum of a finite set of oscillatory components called intrinsic mode functions (IMFs). ICA finds the independent components by maximizing the statistical independence of the dimensionality reduction IMFs. Principal component analysis (PCA) is applied to reduce dimensions of IMFs. The separated performance of EEMD-PCA-ICA algorithm is compared with EEMD-ICA through simulations, and experimental results show EEMD-PCA-ICA algorithm outperforms EEMD-ICA with higher cross-correlation and lower relative root mean squared error (RRMSE).     

对数域的光学相干层析图像噪声模型分析

为了分析光学相干层析成像技术(OCT)的图像对数变换前后的斑点噪声分布模型,为图像去噪及其它图像处理过程提供参考,采用了先推导斑点噪声理论分布模型,再通过实验数据验证的方法。首先分析了对数变换前斑点噪声的统计特性,利用数学理论推导得到斑点噪声对数变换后的理论分布模型,然后用OCT心血管图像的平滑区域作为噪声的试验数据,得到变换前后斑点噪声的直方图分布数据,最后用理论分布模型对试验数据进行曲线拟合,取得了确定系数、均方根差和卡方检测的评价数据。结果表明,对数变换后斑点噪声分布符合Fisher-Tippett分布。这一结果对OCT图像去噪等处理过程是有帮助的。