时间-频率域联合局部SVD压制随机噪声

全局奇异值分解(SVD)算法存在难以处理非水平同相轴问题的先天局限,局部SVD算法在一定程度上能克服这一局限,但时间域局部SVD技术的去噪效果受制于时窗参数的准确性,频率域局部SVD技术则会损坏部分频带内的有效信号。对于宽频带随机噪声,单独使用上述任何一种方法都难以取得满意的压制效果。综合两种方法特点,研究时间、频率域联合局部SVD去噪方法:依据资料特点对输入数据进行合理的时窗划分;在时间域对时窗内数据进行同相轴拉平处理并进行时间域局部SVD去噪;将经上述处理的各时窗数据变换到频率域并构建Hankle矩阵,采用SVD技术对该矩阵进行去噪处理并变换回时间域。算法克服了单域处理的局限性,在有效压制随机噪声的同时,保护高低频有效信号。模型与实测资料的应用效果证明了联合去噪方法的有效性。     

基于SVD的倾角扫描叠加算法在去噪中的应用

针对SVD对非水平同相轴去噪效果不佳的问题,引入了基于SVD的倾角扫描叠加算法.采用Ricker子波合成倾斜同相轴的地震波,经线性时移后成为水平同相轴,然后用SVD算法提取信号,再作反线性时移恢复其时间轴坐标数据,将反线性时移后的结果叠加作为最终输出,模型验证此方法去噪效果明显.将倾角扫描叠加算法和传统SVD算法进行对比,可知前者所需的本征图像个数更少,但重构信号和去噪效果更好.     

SG-VMD-SVD的信号去噪方法研究

油气管道信号泄漏检测易受噪声影响,因此去噪成了关键问题.为了提高对油气管道信号的去噪效果,提出了一种基于Savitzky-Golay平滑滤波、变分模态分解(VMD: Variational Mode Decomposition)和频域奇异值分解(SVD:Singular Value Decomposition)去噪相结合的油气管道信号的联合去噪方法.首先,针对泄漏信号在时域利用SG平滑滤波降噪,去除尖脉冲、高频成分等噪声,提高输入信号的信噪比;将滤波后的信号利用VMD分解,通过计算各个本征模态分量(IMF: Intrinsic Mode Function)与信号之间的曼哈顿距离,从而区分信号分量与噪声分量,对噪声分量进行频域奇异值(SVD)去噪,最后将滤波后的分量与信号分量进行重构,得到最终降噪后的信号.通过仿真和实际实验表明,该方法与单一VMD法、VMD-小波变换、SG-VMD-时域SVD去噪方法相比,去噪后所得信号信噪比相对较高,并验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性.     

频率域奇异值分解压制随机噪声方法

 奇异值分解(SVD)是提高信噪比的一种较新的有效手段之一。本文从数学角度阐述了奇异值分解SVD滤波技术增强地震资料信噪比的原理,对比了时间域和频率域SVD技术压制随机噪声的处理效果。结果表明,时间域SVD技术只能对水平或接近水平的同相轴进行信号增强,对倾斜同相轴的处理效果较差;而频率域SVD技术既可以处理水平同相轴,也可以处理倾斜同相轴,对提高地震剖面信噪比具有很好的效果。本文用3个简单的合成地震记录和1个实际地震资料检验了SVD两种方法的应用效果。结果表明,本文方法可以达到随机噪声压制的效果。     

复杂构造地区的SVD去噪技术

SVD去噪技术对构造简单地区,特别是地层近水平的情况下的地震剖面的去噪效果是十分明显的;对于构造复杂地区,该法往往失效。针对这个问题,作者提出了一种新的技术:它将同相轴的自动追踪与SVD去噪技术有机地结合起来;它将一般的SVD方法是针对整个剖面数据体来计算的,改变为针对每一样点的邻区,选择小时窗和小道窗的数据体来计算;它利用数据体的旋转方法,来实现同相轴始终保持水平方向;并采取了其他一系列的技术措施,使SVD方法在构造复杂地区取得了很好的去噪效果     

基于S变换与奇异值分解的局部放电信号去噪方法

根据白噪声在S变换域服从2分布且平均功率谱与频率成正比的特点,提出了基于S变换与奇异值分解(SVD)的局部放电(PD)信号去噪方法。首先对带噪PD信号进行S变换,得到时频矩阵;接着利用SVD与奇异值差分谱理论,确定PD信号发生的时间与个数,得到白噪声区域;然后通过构造与频率成正比的线性方程,采用硬阈值法对时频矩阵进行处理,完成PD信号的第一次去噪;最后利用SVD对PD信号进行第二次去噪。仿真和实测信号的分析结果表明,文中方法的去噪效果优于小波阈值法,且该方法更简便快捷。     

块Hankel矩阵快速低秩估计及在地震信号中的应用

通过利用BHHB矩阵(复数块Hankel矩阵)的结构特点,提出了快速稳定的对BHHB矩阵进行SVD(奇异值分解)分解的方法.该方法首先进行Lanczos二对角化,若是对称BHHB矩阵,则进行三对角化来保持对称性;然后利用Twisted分解方法对实二对角方阵(或对称三对角矩阵)进行SVD分解.此快速SVD算法的优势在于,Lanczos分解过程中使用了新的BHHB矩阵与向量的快速乘法,该乘法通过1维FFT(快速傅里叶变换)代替多维FFT,在加快计算速度的同时减少了存储量;而后Twisted分解采用部分SVD而不是整体SVD,从而节约了计算时间.数值试验结果表明,快速SVD算法大大提高了计算效率,减少了存储空间;地震信号的实验结果说明,Cadzow滤波方法比目前常用的预测滤波技术效果更好,结合快速SVD算法后,能够快速有效去除信号中的噪声.因此,块Hankel矩阵的快速SVD分解算法在地震信号处理和其他涉及块Hankel矩阵的实际应用中,尤其是解决大规模问题方面,有很好的发展前景.     

基于小波标架算法的非平稳信号去噪方法

针对传统小波去噪算法存在的时频分辨率低、去噪效果不佳等问题,提出基于小波标架算法的非平稳信号去噪方法.首先,对含噪非平稳信号采样并计算Hilbert矩阵对应的对偶标架,然后以对偶标架作为小波基,对含噪非平稳信号进行小波分解与重构. ricker子波合成非平稳信号的去噪实验表明:该算法能有效去除非平稳信号中混入的随机噪声.与传统小波变化算法对比,该算法的误差更小,去噪效果更好.     

VMD-Wavelet 联合去噪算法研究与应用

为解决天然气管道运行过程中采集到的泄漏声波信号含有大量噪声的问题, 通过研究小波、 经验模态分解、 变模态分解等常见去噪算法, 分析了泄漏声波信号的特点, 将改进小波阈值去噪和变模态分解去噪相结合, 提出了变模态分解-小波变换(VMD-Wavelet: Variable Mode Decomposition-Wavelet) 联合去噪算法。 利用该算法对典型信号进行去噪运算仿真, 结果表明, 该联合去噪算法性能优于常见算法。 最后, 将 VMD-Wavelet 联合去噪算法应用于实际采集的油气管道泄漏声波信号去噪处理, 研究发现, 该去噪算法对强背景噪声下的泄漏声波信号能取得很高的信噪比改善和很小的均方误差。     

一种改进型综合去噪算法在心音信号预处理上的研究

比较分析了小波变换去噪法和经验模态分解去噪法在心音信号去噪中的优点和缺点,并且结合它们的优缺点提出了基于EMD分解的小波去噪算法,最后将文中提出的算法分别与小波去噪法和EMD去噪法进行比较分析.实验仿真表明:该算法能有效地实现心音信号中噪声的消除,并且能很好地保留心音信号的高频特征参数,对非平稳噪声的去除表现出独到的优势.     

基于离散小波变换与小波包分解的语音增强算法

提出了一种基于离散小波变换（DWT）和小波包分解（WPD）的语音增强算法.该算法首先将带噪语音进行离散小波变换,并分别对离散逼近信号和离散细节信号采用不同的基小波进行小波包分解,再按照不同的规则选取阈值进行去噪,最后对去噪后的语音信号完成重构.计算机仿真表明,在计算量相当的情况下,该算法优于离散小波变换法去噪和小波包分解法去噪.     

基于混合阈值的清除重复间隔阈值经验模态分解去噪方法

经验模态分解(Empirical mode decomposition,EMD)被认为是一种有潜力的非线性非静态信号去噪方法。传统的经验模态分解阈值去噪在零点附近存在不连续性的缺点,Kopsinis提出了EMD-IIT和EMD-CIIT方法,但这两种方法对阈值过于敏感,即区间极值轻微的偏差就有可能导致去掉整个区间曲线,因此本文提出一种混合阈值算法,结合了EMD-DT和EMD-IT各自的优势。仿真结果表明此去噪算法具有较好的效果。     

基于NMF的老电影音频背景噪声修复算法

老电影音频资料经过长时间的存储会出现音频纯度低、存在噪声等问题.利用非负矩阵分解(non-negative matrix factorization,NMF)算法对单声道音频中的背景噪声进行自动、快速检测和分离以去噪.对非噪声和噪声信号分别建立相应的模型,即前者使用正弦模型;后者的模型通过对老电影中先验噪声信号进行训练得到,然后使用一种条件受限的NMF算法对音频中的背景噪声进行分离.实验结果表明,该算法在去噪效果上要优于直接滤波等去噪算法.     

基于EMD的桩基缺陷信号去噪改进研究

针对桩基检测环境复杂,存在复杂噪声的问题.提出一种基于峭度准则和信号相关性分析的经验模态分解(EMD)去噪改进算法,通过峭度准则判断分量包含特征信息的多少,通过信号相关性分析判断分量是否为噪声分量,利用改进EMD时空去噪方法对信号进行第一次去噪,在此基础上,利用EMD小波阈值法对信号进行二次去噪,两次去噪构成本文完整的基于EMD的信号去噪改进算法.实验仿真显示该去噪方法对于桩基微弱信号在保留信号特征信息的前提下取得了显著的去噪效果.信号的去噪效果将直接影响到桩基缺陷信号的识别检测,具有重要的应用价值和研究意义.     

Haar小波滤波算法的研究

本文介绍了Haar小波的去噪原理及其算法的特点,可应用该算法解决傅立叶变换难以对非平稳信号进行分析的难题,最终通过仿真测试说明正确的应用小波算法,可较理想的实现信号的去噪、分解和重构．     

一种基于局部均值分解的小波阈值信号去噪方法

在时频分析中,针对非平稳信号的滤波去噪的问题,鉴于部分传统的去噪方法对于非线性非平稳信号滤波的效果不是很理想。基于Smith提出的局部均值分解法,结合小波阈值,找出了一种自适应时频分析法。通过实例分析,比较小波阈值去噪、基于EMD小波阈值去噪和基于LMD的小波阈值去噪3种算法在进行信号滤波去噪过程中的效果,采用信噪比和均方根误差2种评价因子对该3种算法进行评价,结果表明基于LMD的小波阈值去噪方法能够更好的去除信号噪声,对信号去噪提供了一种新思路。     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

基于改进EMD的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

基于小波阈值的图像信号去噪方法研究

主要对基于小波阈值的图像信号去噪方法展开研究。首先阐述小波分析进行信号分解及重构的算法原理,在此基础上总述了小波阈值进行图像信号去噪的算法原理及流程。最后对去噪效果进行了仿真分析,并将信号去噪结果与均值滤波、中值滤波等经典去噪方法进行比较。仿真结果表明,基于小波阈值的图像信号去噪方法能有效去除一维及图像信号中的噪声,输出信号的信噪比性能较传统滤波去噪方法性能更佳。     

一种改进的语音去噪方法(英文)

为了提高语音信号去噪效果,首先改进了小波包算法,提出了一种基于改进小波包的语音去噪方法.该方法将语音信号进行改进小波包分解,为每个终端结点提供一个阈值进行去噪处理.仿真实验表明,该方法比传统硬、软阈值方法更有效也更优越,能够比较准确地去除语音噪声.