CEEMD结合改进小波阈值的激光雷达信号去噪算法

激光雷达远距离回波信号受噪声影响, 严重失真。为了有效去除信号的噪声, 提高回波信号信噪比, 提出一种互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)结合改进小波阈值的去噪算法。CEEMD可以自适应地分解非线性和非平稳信号, 改进小波阈值函数具有高阶可导特性, 能够克服硬阈值、软阈值函数各自存在的问题。两种方法结合, 可以更有效地去除噪声。首先, 对回波信号进行CEEMD分解, 得到若干固有模态函数(intrinsic mode function, IMF)。其次, 通过相关系数法计算IMF分量与信号的相关系数, 确定相关分量和不相关分量。最后, 对不相关分量使用小波改进阈值法进行去噪, 对相关分量使用粗糙惩罚法进行平滑, 再重构信号。基于实测数据的实验结果表明, 所提算法比CEEMD去噪法和CEEMD结合原改进阈值去噪法, 信噪比分别提升了2.65 dB和0.58 dB。     

自适应阈值多小波故障暂态信号去噪方法

在介绍多小波基本理论的基础上 ,探讨了基于多小波的信号去噪方法。针对目前多小波去噪方法的不足 ,提出一种基于自适应阈值的多小波去噪方法 ,应用于电力系统输电线故障暂态信号的去噪 ,并与基于传统阈值多小波和小波的去噪效果进行了比较。仿真结果表明 ,该方法可以根据实际信号自适应改变阈值大小 ,在去噪效果上优于传统多小波去噪方法。     

基于非线性多小波变换的信号去噪方法

介绍了一种基于非线性多小波变换的信号去噪方法。通常子波域去噪中使用的Donoho软阈值法是很有效的，但是，由于忽略了边缘检测，导致在重构信号时丢失了部分的边缘信息，着眼于上述不足，在非线性多小波变换的基础上，提出了一种边缘检测与软阈值去噪相结合的去噪算法，实验证明此算法对提高重构信号的信噪比是非常有效的。     

基于子波奇异性检测的水声信号去噪方法研究

基于低信噪比、非平稳水声信号中，信号的有效频谱是固定的、噪声的频谱是随机的、信号频谱由代表水声信号特征的各基波和其对应的各次谐波构成的特点，提出了利用子波奇异性检测特性实现水声信号去噪的方法。该方法首先对水声信号进行多分辨分解，求取各尺度上信号的频谱成分；然后，根据最大尺度上最高的频谱幅度，确定该尺度上信号的有效频谱成分，再按照基波与谐波的关系，确定其它各级尺度上的有效频谱成分，去除奇异频谱；最后对去除奇异频谱后的信号进行频域．时域变换及子波重构。经对实测水声信号进行仿真，获得了较好的去噪效果。     

基于子波变换的水声信号去噪方法研究

针对水声信号的低信噪比、非平稳性等特点，在对采集到的水声信号进行分析处理的基础上，提出了一种水声信号去噪的方法。该方法首先对采集到的低信噪比水声信号进行滑动取值，分别利用子波变换求功率谱，并进行统计平均，确定代表水声信号特征的频谱分量，去除不稳定的随机频谱分量；然后利用子波反变换将处理后的功率谱变换为时域信号；再利用子波软门限去噪方法去噪。通过仿真验证，获得了较好的效果。     

基于多小波变换的GPR图象去噪方法研究

探讨了多小波函数及其预处理方法对探地雷达(ground penetrating radar-GPR)图象去噪性能的影响，在Donoho D L和Johnstone IM提出的小波阈值去噪方法的基础上提出了一个改进的阈值函数，并对实际的GPR图象进行阈值化处理和对比分析，结果表明选取合适的预处理方法，采用DGHM和STT多小波对GPR图象去噪可获得比其他方法更好的效果。     

一种基于小波变换的多普勒胎儿心率信号去噪算法

为了有效的从超声多普勒胎儿心脏回波信号中提取胎心率,分析了多普勒回波信号的特点,通过空域相关法估计了原始噪声方差,提出了一种自适应去噪阈值计算方法,该算法能根据实际信号的强度、噪声的方差以及分解的层数,自适应的得到不同尺度的去噪阈值.最后通过对实际超声多普勒回波信号的处理,能有效地降低噪声,提取出胎儿心音信号,较准确地计算出胎儿心率值.     

基于连续状态小波阈值的各向异性扩散去噪方法

小波方法和偏微分方程方法是图像去噪中的主要方法。根据二者的去噪特点,提出了一种结合两种方法的混合去噪算法。对噪声图进行小波变换,得到高频子带和低频子带。通过对各高频子带进行归一化,获得一种连续状态量,为了保护边缘对这一连续状态量进行前向-后向扩散。由扩散后的新状态量得到由其决定的权系数,把权系数作用在小波系数上得到去噪后的各高频子带,通过与低频子带的重构得到去噪图像。数值试验结果表明:通过采用本方法对图像去噪,得到了较好的去噪效果,达到了既保护边缘又去除噪声的目的,能获得较高的信噪比。     

基于LMD-WSVD的半球谐振陀螺混合去噪方法

为了减少半球谐振陀螺(hemispherical resonant gyroscope, HRG)输出噪声对导航精度的影响,提出了一种基于局部均值分解-排列熵-小波变换-奇异值分解的混合去噪方法。首先,使用局部均值分解方法对HRG信号进行分解,然后排列熵将其划分为两类：低频分量和混合分量;之后将小波变换和奇异值分解级联以构成两级滤波器,对混合分量进行降噪处理,最后重构得到最终的信号。通过实验验证了该方法的有效性,实验结果表明,相比原始信号,所提出的方法有效地减少了HRG的输出噪声,提高了其测量精度,其中角度随机游走降低了99.9%,零偏稳定性降低了60.3%。     

水声矢量信号的希尔伯特黄变换仿真研究

将希尔伯特黄变换应用于水声矢量信号处理之中,提出了矢量希尔伯特黄变换法(矢量HHT).新方法先对水声矢量信号进行经验模态分解(EMD),再对各阶本征模态函数(IMF)信号作希尔伯特变换和矢量信号处理.经理论推导和仿真研究,矢量HHT不仅继承了矢量信号处理和希尔伯特黄变换二者原有的优点,而且比常规方法有着更高的处理增益.     

小波脊线法在暂态信号检测中的应用

针对传统小波脊线法在暂态信号检测中存在的问题,提出了改进算法。新方法引入小波包变换,扩展了小波脊线法的应用范围,并对算法本身进行了若干改进,基本消除了边界效应,提高了算法进行时频分析的实时性和精度。通过对仿真信号的分析,验证了改进方法的优越性,表明改进算法能有效地消除噪声干扰,提取暂态信号的瞬时频率和瞬时幅值,获得信号完整的、精确的时频分布。     

一种基于小波模极大值的信号去噪算法

研究了小波变换中噪声和信号的次要的模量极大值曲线对定位信号特征点造成干扰的问题,提出一种基于小波模阈值和模极大值曲线长度阈值的去噪算法,并把该算法与传统小波阈值去噪算法进行了对比。仿真结果表明,该算法可以明显地去掉噪声和信号中次要的模极大值曲线,保留信号主要的模极大值曲线,在定位信号特征点上优于小波阈值去噪算法。     

一种生成高精度信噪比加噪信号的仿真方法研究

提出了一种应用于算法仿真的加噪信号的生成方法。在目前广泛使用的加噪信号方法中,产生的信噪比精度受无噪信号的影响很大,与之相比,新方法通过选择新的因子对信号进行归一化,剔除了无噪信号对产生的加噪信号的信噪比影响。理论分析和大量的仿真实验结果都证明了该方法较之传统方法的优越性。     

基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

基于迭代方法的软阈值估计小波去噪

基于小波变换的阈值去噪方法依赖于信号的长度和噪声的方差。在大多数情况下,噪声的方差是未知的,需要对其进行估计。提出一种基于软阈值函数估计阈值大小的算法。该算法是一种迭代算法,证明了该算法的收敛性,并分析了该算法运算量。数值实验表明该算法估计阈值的准确性和MAD方法相当,同时计算量远远小于MAD方法。     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题,提出一种基于熵评价模态分解和双谱特征提取的识别方法.利用双谱可以抑制高斯噪声的特点,分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项.由于噪声项的干扰,双谱在0 dB以下时,噪声抑制效果变差,提出了基于信息熵评价的经验模态化分解对信号进行预处理,提高信噪...     

基于EMD-WA模型的BDI指数波动周期特征研究

运用结合EMD分解和小波分析构建的EMD-WA模型,分析了国际干散货市场BDI指数的波动周期特征.通过EMD方法对BDI指数序列进行分解,针对分解出的本征模函数的均值、方差比和周期三个方面的特点,将不同频率的IMF进行分类重构,最后通过小波分析方法得到重构序列的主周期情况,并对结果做进一步分析.研究结果表明:一是BDI序列可以分解为随机波动项、周期波动项和趋势项三部分:二是季节性波动周期长度约为1年(0.88年),短周期长度约为4年(3.70年),中周期长度约为10年(9.96年);三是BDI序列周期特别是短周期呈明显4年到2年的缩短趋势;四是突出分析了重大事件与中、长周期紧密联系.     

改进非线性局部平均算法的混沌去噪研究

基于混沌序列重构相空间理论,提出一种改进的局部平均非线性去噪方法。该方法在邻域选择、数据更新等方面进行了改进,更好地校正相空间中点的位置,使其逼近真实的混沌吸引子轨迹,重构吸引子结构,而且计算更为简单可靠。分别对Henon映射产生的混沌序列和实际观测的月太阳黑子混沌序列进行仿真研究。结果证明此方法能够高效地去除噪声,同时保留原非线性系统的混沌特性,并且很好地区分相空间中的邻近轨迹。     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

导引头的EMD-KF组合滤波方法

在拦截大机动来袭目标时,拦截弹视线角速度呈无规律的非线性变化,导引头对自身测量信息滤波存在一定困难。针对这一背景本文提出一种基于经验模态分解(empirical mode decomposition, EMD)和卡尔曼滤波(Kalman filtering, KF)相结合的导引头滤波降噪方法,发挥经验模态分解处理非平稳信号的自适应特性,并通过卡尔曼估计削弱经验模态分解方法中“边界效应”的影响。仿真表明,该方法对于具有强非线性特性的视线角速度信号有较好的自适应滤波效果。