基于POA-VMD-WT的MEMS去噪方法

针对MEMS传感器所测得的加速度和角速度输出信号噪声较大问题,提出一种基于鹈鹕优化算法(pelican optimization algorithm, POA)的变分模态分解(variational mode decomposition, VMD)结合小波阈值(wavelet threshold, WT)的去噪方法。首先利用POA对VMD的参数组合进行优化选择,然后应用POA-VMD将含噪信号自适应、非递归地分解为一系列本征模态函数(intrinsic mode function, IMF)。再通过计算每个IMF的余弦相似度对IMFs进行分类,根据计算结果将IMFs分为噪声主导分量与信号主导分量,对分类后的噪声主导分量进行改进小波阈值去噪处理,最后对处理后的噪声分量与信号主导分量进行重构,获得降噪后的MEMS传感器信号。静态和动态实验结果表明,该方法去噪处理后信号的信噪比分别提高12和10 dB,均方误差分别降低75.5%和46.6%,去噪效果显著,能够提高MEMS传感器的精度。     

基于FFT-EEMD的XLPE电力电缆局放信号去噪方法

针对集合经验模态分解(EEMD)去噪算法在去除周期性窄带噪声时存在严重的模态混叠问题,提出一种快速傅里叶变换(FFT)结合EEMD的信号综合去噪方法。通过分析噪声成分,利用窄带噪声在频域上能量集中的特点,采用FFT对窄带干扰噪声先行去除,同时也解决了EEMD去噪时模态混叠的问题;然后进行EEMD去噪,通过“3σ法则”对第一层IMF分量去噪,其余IMF分量使用自适应阈值处理。最后经过对仿真信号和实测信号去噪,并与小波变换去噪算法和单一EEMD去噪算法对比,证实了该算法的有效性和优越性。     

基于二次 CEEMD 与时域特征分析的去噪方法

为克服经验模态分解(EMD)去噪方法存在的模态混叠以及噪声分量与信号分量区分困难问题,本文提出了一种基于二次互补集合经验模态分解(CEEMD)与时域特征分析的去噪方法。该方法利用CEEMD来克服模态混叠问题,同时基于对CEEMD本征模态函数(IMF)的时域特征分析来确定噪声主导IMF分量与信号主导IMF分量的分界点,据此区分噪声分量与信号分量,并对分界点相邻两侧的噪声主导IMF分量与信号主导IMF分量进行二次CEEMD分解,在保留更多有用信号的同时进一步滤除剩余噪声。对含冲击噪声干扰的实际机载平台数据的去噪实验结果表明,新方法通过对噪声分量与信号分量的有效分离,可以更好地抑制噪声干扰,明显提升信噪比。     

基于CEEMDAN-SG的爆炸冲击波去噪算法研究

在采集爆炸冲击波超压信号时,由于监测的高温环境、压力传感器的误差以及磁场干扰,爆炸冲击波超压信号中混入了大量的噪声。为了准确地获取超压信号的特征,设计了一种基于融合完全集成经验模态分解与自适应噪声(CEEMDAN)与SG(Savitzky-Golay)去噪算法。首先使用CEEMDAN对爆炸冲击波超压信号进行分解,其次计算每个本征模态函数(IMF)的能量贡献率,利用SG滤波算法将能量贡献率低于0.1%且大于0.05%的IMF进行去噪处理。实验结果表明,CEEMDAN-SG与经验模态分解(EMD)、改进的集合经验模态分解(EEMD)、CEEMDAN以及CEEMDAN-小波阈值去噪所比较,信噪比分别提高了0.85、0.71、3.09、0.25 dB,且均方误差最小。CEEMDAN-SG与CEEMDAN-小波阈值去噪在去除噪声效果较理想,且CEEMDAN-SG在0.16 s时与原信号相似度最高。该算法不仅能有效去除噪声,而且还可以保留原始信号的特征,适用于爆炸冲击波超压信号的去噪处理。     

EEMD在激光测云仪后向散射信号处理中的应用

激光测云仪后向散射信号是典型的非线性、非稳态信号,容易受噪声污染。针对该问题采用集成经验模态分解(EEMD)去噪算法进行处理,首先对含噪信号进行经验模态分解(EMD),将分解后的IMF分量进行自相关性分析,找出含噪占有量较大的IMF分量,对其进行SG(savitzky-golay)滤波,最后将滤波后的IMF分量和剩余分量进行信号的重构。经仿真实验结果表明,与传统的EMD方法相比,EEMD方法处理含噪信号后的输出信噪比提高了1.695 dB,均方误差平均降低了30%以上,说明该方法可以适用于非线性、非稳态的后向散射回波信号去噪处理,能为激光测云仪下一级的云底高度反演提供高信噪比的初始数据。     

基于CEEMD-WPT和Prony算法的谐波间谐波参数辨识

由于传统Prony算法对噪声极为敏感,因此采用互补集合经验模态分解(CEEMD)和小波包变换(WPT)相结合的去噪方法改善信号,提高Prony参数辨识的精度。首先对信号进行CEEMD分解得到固有模态函数(IMF),并对得到的IMF分量计算其排列熵(PE)值,根据排列熵值提取出含噪声较大的分量进行小波包去噪。然后将去噪重构后的IMF分量与剩余IMF分量重构信号。最后用Prony算法辨识重构后信号的参数。对所提算法进行仿真,并与已发表文献中的结果进行比较。仿真与比较结果表明,该算法是有效的,而且具有较好的辨识结果。     

改进的EEMD去噪方法及其在谐波检测中的应用研究

针对低信噪比条件下集合经验模态分解(EEMD)在分解过程中产生的模态混叠问题,本文提出改进的EEMD阈值去噪方法。首先利用白噪声经EEMD分解后其固有模态函数(IMF)分量中能量密度与平均周期乘积为常量的特性确定有用信号与含噪信号的分界点,对含噪信号进行"粗筛";进而对粗筛出的含噪模态进行"细筛",在此过程中采用"3σ法则"对第一层噪声信号进行细节处理,从而更好地保留有用信号的细节特征,继而通过能量估算方式对其他各个含噪模态进行阈值处理;最后进行信号重构。选取信噪比与均方误差作为去噪效果评价标准,经与实验对比分析,结果表明本文方法达到了最佳的去噪效果,尤其在低信噪比时优势更加明显。基于以上去噪方法,本文又进一步提出了基于二次EEMD分解的谐波检测方法,结果表明该方法可实现在低信噪比下的谐波检测,进一步证明了所提去噪方法的有效性。     

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。     

基于改进CEEMDAN和小波阈值的雨声信号去噪算法研究

为了从混杂着各种噪声的雨声信号中提取到较为纯净的雨声信号，本文提出基于改进完全自适应噪声集合经验模态分解（CEEMDAN）和小波阈值相结合的雨声信号去噪方法。方法引入互相关函数寻找CEEMDAN的最优分解层数F值，并通过CEEMDAN算法按最优分解层数F层分解，将信号分解成多个频率由高到低的本征模态分量（IMF）;利用小波阈值，滤除高频IMF分量中的噪声分量，最后将去噪后的高频IMF分量和未经去噪的低频IMF分量进行信号重构，提取出较为纯净的雨声信号；实验表明，本文选用方法的去噪效果相对于经验模态分解（EMD）去噪算法、小波阈值去噪算法等传统方法具有一定的优势，去噪后的雨声信号能够准确反映出环境雨情的特征，提高雨情分析的精确度。     

一种基于S_VMD与Sdr_SampEn的局部放电信号去噪方法

交联聚乙烯(XLPE)电缆作为“双碳”目标中电力传输的重要工具,在使用一定年限后绝缘性能会下降,局部放电(Partial Discharge, PD)检测作为评估XLPE电缆绝缘状态的重要手段已广泛应用。针对PD信号中存在的各类噪声问题,提出了一种基于Spearman变分模态分解(Spearman Variational Mode Decomposition, S_VMD)与空间相关递归样本熵(Spatial Dependence Recurrence Sample Entropy, Sdr_SampEn)的局部放电信号去噪方法。首先通过S_VMD将信号分解为K个最优本征模态分量(Intrinsic Mode Function,IMF),然后通过计算各IMF的Sdr_SampEn值来判定其是噪声主导分量还是PD主导分量;再对分类后的IMF分别采取改进小波阈值去噪和Savitzky-Golay (SG)滤波去噪,最后进行重构得到去噪后的PD信号。利用该方法对仿真与实测PD信号进行去噪处理,并与自适应变分模态分解(Adaptive VMD, AVMD)等去噪算法进行对比分析,结果表明该方法能有效抑制PD信号中的噪声,具有一定的工程价值。     

基于改进的 Sage-Husa 滤波 MEMS陀螺阵列降噪技术研究

为充分挖掘 MEMS 陀螺的性能,提高 MEMS 陀螺在实际应用中的精度,通过搭建四陀螺阵列结合改进的 Sage-Husa 滤 波算法对陀螺阵列的输出信号进行降噪,在不改变陀螺加工工艺和显著提高生产成本的条件下有效提高了 MEMS 陀螺仪的实 际性能。 通过分析 MEMS 陀螺仪的系统误差和随机误差,搭建误差模型,利用传统卡尔曼滤波、移动平均滤波、小波阈值去噪 和改进的 Sage-Husa 滤波算法对单个陀螺和陀螺仪阵列进行降噪处理,实验对比发现改进的 Sage-Husa 滤波算法和陀螺仪阵列 结合后能有效降低陀螺的输出噪声。 利用 Allan 方差分析陀螺仪阵列经过改进的 Sage-Husa 算法滤波后的随机误差,四陀螺阵 列角度随机游走从 0. 40°/ h降低到 0. 03°/ h ,零偏不稳定性从 71. 11°/ h 降低到 5. 83°/ h,有效提高了 MEMS 陀螺在实际应用 中的性能。     

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...     

MEMS陀螺仪随机误差的辨识与降噪方法研究

针对微机电系统(MEMS)陀螺仪随机误差成为制约其精度和应用范围的主要因素,提出基于回归滑动平均(ARMA)模型的卡尔曼滤波估计方法。首先基于Allan方差分析结果,确定出量化噪声、角度随机游走、零偏不稳定性是MEMS陀螺随机噪声主要组成部分;然后采用时间序列分析法对MEMS陀螺仪随机噪声的平稳性进行检验;最后基于随机漂移ARMA模型建立离散卡尔曼滤波方程对其开展误差估计与补偿。开展车载静、动态环境下的数字降噪与卡尔曼滤波估计补偿对比实验,结果表明基于ARMA模型的卡尔曼滤波估计法在MEMS陀螺随机误差补偿效果上具有更明显优势。