一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。     

基于小波熵的矿用齿轮箱振动信号相关去噪法

 利用真实信号小波系数相邻层间相关性强的特性,将基于小波熵的相关去噪法应用于矿用齿轮箱振动信号的处理,进行有用系数和噪声系数的划分,并对有用的小波系数进行重构,恢复原有真实信号,去噪过程中采用小波熵自适应设定阈值。为比较小波自适应相关去噪和硬阈值与传统相关性去噪的性能,分别对仿真信号和齿轮箱实测振动信号进行去噪处理,通过3种去噪方法的重构波形对比和信噪比与标准差的定量评价,以及实测信号的功率谱分析,表明小波熵相关去噪法有效提高了矿用齿轮箱振动信号的可信度。     

基于改进小波去噪预处理和EEMD的采煤机齿轮箱故障诊断

针对采煤现场强噪声背景下采煤机齿轮箱振动信号集合经验模态分解(EEMD)故障特征不明显和分解效率较低的问题,提出基于改进小波去噪预处理和EEMD的故障诊断方法。采用小波改进阈值函数法对振动信号进行去噪预处理,与传统小波阈值函数法相比能够有效地提高信号的信噪比。对去噪后的信号进行EEMD分解得到若干个本征模态分量(IMF),计算各IMF分量的相关度并剔除虚假分量。将该方法应用于采煤机齿轮箱行星轮的故障诊断,通过对真实的IMF分量进行频谱分析并提取信号的故障特征频率,与未去噪的信号进行对比。研究结果表明:该方法能够突出故障特征频率,使分解效率提高17.35%,并能进一步减小模态混叠现象。     

基于小波EMD的柴油机油耗量测量信号去噪处理

提出基于小波经验模态分解的柴油机油耗量信号去噪处理算法.将柴油机油耗量测量信号进行经验模态分解(EMD)后,经阈值处理和尺度滤波,去掉主要干扰因素所对应的本征模函数(IMF)分量,然后对剩余IMF分量进行重构,得到去噪后柴油机油耗量测量信号的时间序列.测试结果表明:重构后的信号能反映柴油机油耗量信号的真实趋势,其相对误差约为0.72％.     

小波熵阈值的心电信号去噪及R波检测算法

针对心电信号去噪问题,首先利用小波变换分解心电信号,计算小波分解后信号子带区间的小波熵,将小波熵和小波阈值相结合确定各层高频小波系数阈值门限。用阈值门限以及折中指数自适应阈值函数处理带噪的心电信号,并用bior3.7小波对去噪后的心电信号进行R波峰值定位,最后与原信号R波峰值位置对比。用本方法先对MIT/BIH心率失常心电数据库中117号心电信号去噪,之后与无偏风险阈值、固定阈值、启发式阈值和极大极小阈值去噪算法的性能比较。比较结果表明:当输入信噪比为9.724 7 dB时,小波熵阈值去噪法得到信号的输出信噪比为17.294 1 dB,其输入输出信噪比曲线明显高于其他4种传统阈值去噪法的输入输出信噪比曲线,且其R波检测结果更加精确。     

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.     

基于MEEMD和二代小波阈值的表面肌电信号去噪处理

表面肌电(surface electromyogram, sEMG)信号能够反映神经肌肉的相关活动信息,被广泛应用于假肢控制、临床医学等领域,而获取干净的sEMG信号是精确地解释和应用信号的先决条件。为了消除混杂在sEMG信号中的噪声,文章提出了一种基于改进的经验模态分解(modified ensemble empirical mode decomposition, MEEMD)与二代小波改进阈值函数相结合的sEMG信号去噪方法。对含噪的sEMG信号进行MEEMD分解,再对高频的本证模态分量(intrinsic mode function, IMF)进行二代小波改进阈值函数去噪,将处理后的高频IMF分量和低频IMF分量以及残余信号进行重构,重构后的信号即为去噪sEMG信号。仿真结果表明,基于MEEMD与二代小波改进阈值函数方法的去噪性能指标高于其他方法;实验结果表明,该方法结合了MEEMD和二代小波的优点,能够很好地消除噪声,且能最大限度地保留信号中的有用信息。     

VMD-SCT-GMF滤波算法

针对天然气管道发生泄漏时信号受到强烈的噪声干扰难以准确提取有用信号的问题,提出一种变分模态分解(VMD:Variational Mode Decomposition)结合变点理论(SCT:Statistical Change-point Theory)和广义形态滤波(GMF:Generalized Morphological Filtering)的有效信号去噪方法(VMD-SCT-GMF).该方法首先利用 VMD 对信号进行分解得到若干个模态分量,然后计算各模态分量的自相关函数绝对值均值并结合变点理论区分出噪声模态和有效模态,重构有效模态分量作为去噪后信号,最后通过广义形态滤波器进一步滤波得到去噪后的信号.实验结果表明,所提出的方法与基于VMD结合豪斯多夫距离去噪方法、VMD结合互相关系数和小波的去噪方法、基于互信息的VMD去噪方法相比,去噪效果更佳.     

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。     

基于变分模态分解的故障弱信息提取方法

针对从非线性非平稳动态信号中提取故障敏感特征困难的问题,提出一种变分模态分解(VMD)与小波分析方法相结合的振动信号预处理方法.首先对信号进行VMD,然后采用改进小波方法处理各分量,最后对处理后的各分量进行重构.利用VMD-改进小波信号处理模型对第三级行星轮磨损振动信号处理分析,结果表明:VMD-改进小波方法能有效降低噪声干扰,凸显各特征频率.将提出的方法、VMD,EEMD,EMD分别与改进阈值小波、模平方阈值小波、硬阈值小波及软阈值小波的方法相结合,计算其峭度、信噪比和均方根误差,结果表明本方法的准确性更高.     

基于平移不变小波变换的脑电信号去噪

鉴于传统小波阈值法去噪时,硬阈值函数存在不连续性,软阈值函数存在恒定偏差,去噪效果不佳,提出一种基于新阈值函数的小波平移不变量去噪法。首先构造一种任意阶可导的新阈值函数,再采用平移不变小波方法处理脑电信号。在matlab2009平台上分别采用软、硬阈值及改进方法对脑电信号进行去噪,结果表明:改进方法能够更好的保持脑电信号的特征,且具有更高的信噪比和更低的均方根误差。该方法去除脑电信号噪声性能优于传统小波阈值法,有利于准确提取脑电特征参数。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于小波阈值的地震信号去噪处理

地震信号去噪处理是地震勘探所要解决的一项主要任务,提高地震信号信噪比也相应显得尤为重要。本文提出由heursure选取阈值和软阈值函数对测试信号、合成地震信号及实际地震数据进行二次小波分解分层量化处理,与常规小波阈值去噪相比,对含有高频分量的信号,该方法具有很好的去噪效果。     

基于EMD与小波阈值的爆破震动信号去噪方法

针对小波阈值法去噪效果有限和EMD低通法去噪存在信号失真问题,综合EMD方法分解、重构方便和小波阈值法灵活、可调的优点,提出一种EMD-小波阈值爆破震动信号去噪方法.基于某矿地表实测数据,借助EMD的自适应分解特性,在原始信号分解的基础上,识别属于高频噪声的IMF1和IMF2分量,并对其进行小波阈值去噪处理,提取淹没在噪声中的有用特征信息MF1和MF2,最后,将MF1、MF2与剩余IMF分量及余量R进行重构,得到干净信号.通过频谱和小波包能量分析知:EMD-小波阈值法既能有效去除噪声,又能很好保留真实信号,还可避免EMD分解的端点震荡效应,是一种高效的爆破震动信号去噪方法.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

云相似度测量的变分模态分解去噪方法

为区分VMD( Variational Mode Decomposition) 分解后高低频段模态分量,提高VMD 算法的去噪效果, 提出一种基于云相似度测量的VMD 去噪方法。首先,对信号进行VMD 分解,通过计算各个模态分量与信号之 间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量 进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD 去噪法和基于互信息的VMD 去噪 法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28． 214 1 dB,均方误差相对较低,为 6． 12 × 104 ,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。     

非均匀噪声分布心电信号的奇异值小波消噪法

针对一般消噪法对噪声非均匀分布心电信号消噪存在的不足,提出基于奇异值分解和小波阈值消噪相结合的消噪方法.该方法利用矩阵的奇异值分解将噪声非均匀分布的心电信号正交分解为噪声分布相对均匀的分量,在正交子空间中对每个分量进行小波阈值消噪,重构消噪后分量,得到消噪后的心电信号.研究结果表明:本方法有效地克服了因噪声分布不均匀而造成的小波阈值选择矛盾的缺点,有效地消除了大噪声区域的噪声,又完好保存小噪声区域的心电特征信息,且消噪后的信号与无噪信号之间的欧氏距离最小.     

结合EEMD与K-SVD字典训练的语音增强算法

该文提出一种总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法与K奇异值分解(K-singular value decomposition,K-SVD)字典算法相结合的语音增强算法。将带噪语音通过EEMD分解得到各本征模式分量(intrinsic mode function,IMF),对各IMF分量进行互相关和自相关分析,去除噪声IMF分量,并将过渡IMF分量再次进行EEMD分解,去除其中的噪声IMF分量。将过渡IMF分量和剩余的IMF分量叠加,得到预降噪的带噪语音。利用纯净语音,通过K-SVD字典训练算法得到过完备字典。对预降噪的带噪语音通过过完备字典进行稀疏表示,稀疏系数重构出纯净语音。实验结果表明:在低信噪比和高信噪比情况下,该算法的去噪效果明显优于传统的谱减法、小波阈值去噪法和K-SVD字典训练。