室内地埋供热管道泄漏的声学监测及其信号去噪方法研究

为了更精确地对室内地埋供热管道泄漏声学监测信号进行主要特征频率提取和分析,需先对测量信号去噪。本文采用变分模态分解(variational mode decomposition,VMD),对距离漏水点5 cm和40 cm测量点的原始声信号分别进行模态分解,计算出各模态分量的排列熵并将其作为噪声信号剔除的依据,最后对信号进行重构,并与经验模态分解(empirical mode decomposition,EMD)、集合经验模态分解(ensemble empirical mode decomposition,EEMD)的处理结果进行对比。发现相比于其他两种分解降噪方法,VMD能够更好地解决模态混叠问题,能更为精确地将噪声信号去除,达到更好的去噪效果。

基于光纤传感检测的局部放电信号去噪方法

针对局部放电超声信号检测过程中存在噪声干扰的问题,提出一种基于变分模态分解和改进小波去噪的噪声抑制方法。首先对局部放电信号进行变分模态分解,得到若干频带分布不同的本征模态分量,结合模态的峭度剔除窄带干扰主导的分量;然后利用改进的小波去噪法,将其余有效模态分量中残留的白噪声进一步滤除;最后将剩余分量进行信号重构实现噪声抑制。对仿真局部放电信号去噪的结果表明,所提方法可提升信噪比约12.1 dB,且能够更加完整地保留原始信号波形。此外,在实验室环境下搭建了10 kV电压等级的局部放电模拟系统,采用Sagnac光纤传感检测局部放电超声信号。实验结果表明,所提方法具有良好的去噪性能,对实测信号的噪声抑制比达到了7.504。

EMD算法的改进及在信号去噪中的应用

噪声的干扰在生活中无处不在,本文针对传统EMD算法在信号的非线性和非平稳特性条件下,分解而得的本征模态函数(MF)随时间尺度变化的振荡而造成的模态混叠和噪声干扰等问题进行改进。在此基础上,引入人为添加的高斯白噪声,并根据其均值为0的特点,深入探索基于改进后的EMD算法在信号降噪中的应用。仿真实验对比分析表明,改进后的EMD算法能清晰地判断有用信号和无用信号,有效降低噪声对信号的干扰。

基于WPD的光缆中间接头局部光纤通信信号去噪技术研究

光缆运行工作过程中,由于光缆质地较脆,抗机械摩擦强度较差,光缆中间接头部分易产生局部的通信信号噪声干扰。为此,设计基于小波包分解(WPD)的光缆中间接头局部光纤通信信号去噪方法。从白噪声和窄带噪声2个方面,结合损伤区域提取损伤后的局部噪声干扰特性,设置WPD算法的去噪阈值。以分层去噪的方式得出局部光纤通信信号去噪结果。实验结果表明,在不同的损伤干扰强度条件下,所提方法得出光纤通信信号的信噪比较高,去噪效果好。

基于FastICA算法的多源固定频干扰背景下语音信号去噪

在特定环境中,语音信号易混入多源固定频干扰信号,且干扰信号处于语音信号频带内,造成语音信号质量急剧下降。针对多源固定频干扰条件下的语音信号去噪问题,提出将FastICA算法应用于混合信号去噪过程。仿真实验结果表明,基于FastICA语音信号去噪算法可以有效提升频带内多源固定频干扰下的语音信号质量。

基于ICEEMDAN-ACF的自适应MEMS陀螺信号去噪方法

针对基于EMD的MEMS陀螺信号去噪方法中存在模态混叠、Hurst指数筛选法和相关系数筛选法无法准确筛选含噪本征模态函数(IMF)的问题,提出一种基于改进自适应噪声完备集合经验模态分解-自相关函数(ICEEMDAN-ACF)的自适应MEMS陀螺信号去噪方法。首先使用ACF自适应阈值判断信号信噪比,对于包含低能量高频成分的低信噪比信号使用小波软阈值预降噪,之后使用ICEEMDAN算法将陀螺信号分解为多个IMF和一个余项,使用ACF自适应阈值筛选噪声主导IMF,剔除噪声主导IMF后重构陀螺信号。实验表明:文中改进算法在低、中、高信噪比条件下的去噪效果均优于小波软阈值法、EMD-Hurst指数法、EMD-相关系数法和EMD-ACF法。

基于VMD-MD的油气管道泄漏信号去噪方法

针对油气管道泄漏检测时,采集的泄漏信号会受到噪声信号干扰而影响监测精度的问题,提出变分模态分解(VMD)和马氏距离(MD)相结合的去噪方法。该方法首先利用VMD分解信号,得到多个模态分量,再依次计算出各模态分量概率密度与原采集信号间概率密度的马氏距离来区分有效模态分量和含噪模态分量,最后选择有效模态分量进行重构,从而达到信号去噪目的。与其他去噪方法在仿真模拟信号试验和实际管道泄漏信号试验中进行对比,该方法的输出信噪比是最高的,为46.7740 dB,而均方误差是最低的,为5.1972×10^(-7),表明该方法在去噪效果方面具有一定的优越性,为后续油气管道的泄漏识别奠定了良好的基础。

改进WOA-VMD算法的心电信号去噪

传统方法进行心电图(ECG)信号分解是基于QRS特征波经验性识别固有模式函数变量(IMF),但ECG信号和噪声信号之间存在频带混叠,导致去噪效果较差,针对此问题提出一种改进鲸鱼算法(IWOA)优化变分模态分解(VMD)算法参数,并和改进小波阈值相结合的方法。利用VMD基于完全非递归分解的特性,在鲸鱼算法中引入感知扰动机制,并用等螺距阿基米德螺旋曲线代替经典的对数螺旋曲线,对VMD中的模态个数K和惩罚参数α进行寻优;然后对ECG信号进行VMD分解,得到一系列IMF分量,通过相关系数判定噪声分量,对其进行改进小波阈值去噪;最后将各分量重构,得到去噪后的信号。将本文方法与单独使用小波阈值算法或VMD算法进行去噪对比实验,结果表明,本文方法可以有效去除ECG信号中的各种干扰,更好地保留ECG信号波形特征,具有潜在的临床指导意义。

改进EEMD算法在高压并联电抗器声信号去噪中的应用

高压并联电抗器运行过程中产生的声信号是准确判定电抗器运行状态的重要依据,在对电抗器声信号现场采集时易受到多种外界噪声的干扰,测量仪器无法有效进行预处理,导致对电抗器运行状态的评估发生误判。提出了一种基于多传感器融合及最小下限频率截止的改进集合经验模态分解(ensemble empirical mode decomposition,EEMD)高压并联电抗器声信号去噪方法。首先,利用一致性数据融合算法对各声纹传感器进行关联和甄别,剔除失效传感器,确定有效传感器组。其次,选取有效传感器组中的最小下限频率作为固有模态函数(intrinsicmode function, IMF)的筛选截止条件并进行集合经验模态分解。然后利用相关系数法提取有效的IMF分量。最后对有效IMF分量叠加重构,得到去噪声信号。模拟实验和实测结果表明,该方法具有较好的去噪效果。通过与传统经验模态分解法(empirical mode decomposition, EMD)、标准EEMD去噪技术的比较,验证了该方法在实际应用过程中的有效性和实用性。

基于经验模态分解的汽车轮速信号去噪算法

为了提升车辆行驶的安全性,保障车辆的稳健性和判断力,提出一种基于经验模态分解的汽车轮速信号去噪算法。分析信号内部能量和频率变化,为改善时频性能将数据拆解为窄带信号。通过最小尺度筛分去除噪声低阶分量后,再对剩下分量的进行重构。受影响严重时信号与噪声会呈现混叠模态,提取正常信号本征模态函数分量,通过经验模态分解找到信号索引值,以此过滤汽车轮速含噪IMF分量,完成信号去噪。通过仿真,证明所提算法能够有效将信号去噪,去除误差最小,效果最优。

基于小波收缩的改进阈值脑电信号去噪方法研究

脑电(EEG)信号是脑神经细胞的电生理活动在大脑皮层的反应,但采集到的脑电信号一般都含有大量噪声信号。为了有效去除噪声信号并保留有用信息,在经过研究分析后提出一种基于小波收缩的改进阈值去除脑电信号噪声的方法,改进的阈值可以随着分解层数的变化而变化,在实际中可灵活应用。首先利用小波变换对脑电信号进行分解,得到多层的高频系数和低频系数;然后根据分解层次的不同,对小波系数进行自适应的阈值处理;将缩放后的小波系数重构,得到去噪声后的脑电信号。以信噪比(SNR)、均方根误差(RMSE)作为去噪效果的定量指标,通过实验对比了改进阈值法和软硬阈值法以及自适应阈值法,实验结果表明基于小波收缩改进的阈值法去噪效果优于其他三种阈值法。

基于生成对抗网络的雷达脉内信号去噪与识别

近年来,深度神经网络在计算机视觉等领域取得了突破性进展,然而在射频信号处理领域,如电子支援侦察系统中的雷达辐射源识别任务,相关技术的发展仍处于起步阶段。在实际军事应用场景中,噪声的存在是影响深度神经网络性能发挥的关键因素。例如,在高信噪比环境下训练至收敛的深度模型分类器在处理低信噪比数据时往往性能下降严重。为了解决上述问题,提出了一种生成对抗式的去噪网络,实现了端到端的雷达信号去噪和脉内调制类型识别。该模型由生成器、鉴别器和分类器三部分组成,其中,生成器为编解码器结构,通过对称的上采样和下采样操作提取输入雷达信号中高阶特征向量,从噪声中恢复出干净信号;鉴别器则用来判断生成器输出去噪结果的真伪;在此基础上,将分类器与上述两者级联,使得去噪结果符合分类所需的语义信息。实验结果表明,所提算法在密集噪声环境下具备高质量的信号去噪效果和较高的分类准确度;与已有算法相比,算法在低信噪比环境数据上的迁移能力具有一定的优越性。

基于小波分析联合VMD的超声信号去噪方法研究

超声信号在空气中传播效率低、气固界面耦合时透射率差,且易受到接收电路固有噪声和材料晶粒散射噪声的影响,导致接收的信号信噪比低。针对这一问题,结合小波分析“信号显微镜”的优点和变分模态分解(VMD)在窄带谐波信号提取方面的优势,提出一种基于小波分析联合VMD的超声信号去噪方法,并且对小波的阈值做改进,以减少信号的损失。利用改进阈值的小波分析对信号预处理,实现信号和噪声的初步分离,然后用VMD分解信号,提取所需频带的分量,对小波处理的结果进行优化,达到最终去噪的目的。实验数据表明,处理后的超声信号与原始信号相比,SNR平均提高1.84 dB,MSE减小34%,改进阈值后时域峰值损失减少7%,信号能量损失减少13%。该方法去噪彻底,有用信号保留完整,为超声信号的去噪提供新思路。

基于信号去噪的电气设备高频局放检测仿真

检测电气设备的局部放电信号时,电气设备高频信号噪声较大,无法获取精准的信号频谱图,存在设备局放检测偏差较大。提出基于信号去噪的电气设备高频局放检测方法。构建信号接收模型,在电力系统中采用信号接收模型采集电气设备的高频信号。利用EMD-ICA算法对电气设备高频信号进行降噪处理,上述算法可以有效保留信号中存在的细节信息,消除信号中存在的噪声。基于此,提取电气设备高频局放特征,将其输入到支持向量机中,完成电气设备高频局放检测。仿真结果表明,所提方法下电气设备高频信号质量更高,所提方法获得的信号频谱图与实际信号频谱图最为接近,可准确检测电气设备高频局放,具有良好的检测性能。

云平台下并行总体经验模态分解局部放电信号去噪方法

信号去噪是对输变电设备进行在线监测和诊断时首要解决的问题。鉴于总体经验模态分解(EEMD)方法对局部放电信号进行去噪的优势,设计了基于Map Reduce模型的并行化EEMD算法(MR-EEMD),利用云平台提高算法的计算效率。在对分段包络线进行重构时,针对矩形窗的固有缺陷,提出了基于局部平稳度的自适应分段包络线重构算法(LF-ASER)进行分段边界的补偿处理,使重构的包络线误差减小到给定阈值范围内。实验结果表明MR-EEMD算法相对于EEMD性能提升显著,适合处理变压器的局部放电等高采样率信号,同时保持了EEMD去噪效果,并获得较高的可扩展性和加速比。

基于HHT法的煤冲击破坏SHPB测试信号去噪

针对分离式霍普金森杆(SHPB)测试信号的高噪声、持时短、突变快等特点,利用希尔伯特-黄变换(HHT)分析技术对煤冲击破坏的测试信号进行去噪处理。用经验模式分解法(EMD)分解实测的煤冲击破坏SHPB测试信号,可以得到各固有模态函数(IMF)分量及其频谱和各IMF分量的能量百分比,从而利用低通滤波将原始信号中的高频噪声有效的分离出去。利用快速傅里叶变换(FFT)频谱和Morlet小波时频谱对比分析去噪前后信号的特征,定性的说明HHT法可以用于煤冲击破坏SHPB信号的去噪处理。通过计算去噪后信号的信噪比和能量百分比,定量的说明HHT法充分保留了煤冲击破坏SHPB信号本身的瞬态非平稳特征,去噪效果显著,方法简捷,结果可靠。

激光超声信号去噪的经验模态分解实现及改进

考虑激光超声检测过程中噪声对缺陷和材料特征分析和检测的影响,本文以激光超声信号去噪为目的,研究了基于经验模态分解(EMD)的激光超声信号时间尺度滤波过程。针对分解过程中固有模态函数(IMF)上有用信号与噪声的混叠现象对重构信噪比的影响,结合信号多模态和宽频带的特点,提出了基于峰度检验策略的时域加窗方法。该方法通过局部峰度检验判断重构起点附近IMF中有用信号的位置及信噪分界点,利用Turkey-Hanning窗保存有用信号,抑制噪声,实现信号与噪声的解混叠,改善重构信号质量。仿真和实验结果表明,该方法具有良好的自适应性,有效识别并分离了信号和噪声成分,信噪改善比达14dB以上,相对原始方法提升了3dB,相对性能增强了20%,并且改进效果随信号受污染程度的加重而愈发突出,有望在高噪声水平下发挥优势。

基于改进量子粒子群优化稀疏分解的局放信号去噪方法

噪声抑制是局放在线监测的关键环节之一。针对局放信号噪声抑制问题,提出一种基于改进量子粒子群优化稀疏分解的局放信号去噪方法。该方法基于信号的稀疏分解思想,构建了仅与局放信号时频特性相匹配的匹配局放信号过完备原子库;基于匹配追踪(MP)算法在该原子库中对染噪局放信号进行最佳匹配原子搜索,并通过改进量子粒子群算法加速搜索进程,同时以残差比阈值作为MP迭代终止条件;基于各次MP迭代搜索得到最佳匹配原子仅可对原始无噪局放信号分量进行稀疏表示,而难以对噪声分量进行表示的原理,实现局放信号稀疏分解去噪目的。运用本文介绍方法对局放仿真信号及实测信号进行了去噪处理,并与基于形态学-小波的局放去噪结果作对比。结果表明,本文介绍方法能有效对局放信号进行去噪处理,去噪结果准确性高且波形无畸变,较好保留局放信号原始特征。

分数阶小波包时频域的信号去噪新方法

为了提高信号去噪的效果,提出了一种基于分数阶小波包变换(FRWPT)的信号去噪新方法。该方法根据输出信号信噪比的大小,用迭代法寻找分数阶小波包变换的最优分数阶p值,通过分数阶小波包变换将带噪信号映射到最优分数阶小波包时频域内,对变换后的信号进行窄带通滤波,最后通过分数阶小波包逆变换对信号进行重构,实现分数阶小波包时频域内的信号去噪。以带噪Bumps信号和语音信号为例的去噪实验结果表明,采用该方法去噪后的信号信噪比明显提高,在抑制噪声的同时可以有效保持细节信息。

基于一种新的阈值函数的小波域信号去噪

在D.L.Donoho和I.M.Johnstone提出的小波阈值去噪方法的基础上,构造了一个新的阈值函数.与传统的软硬阈值函数相比,新阈值函数表达式简单易于计算,克服了硬阈值函数不连续的缺点,同软阈值函数一样具有连续性,而且是高阶可导的,便于进行各种数学处理,还克服了软阈值函数中估计小波系数与分解小波系数之间存在着恒定偏差的缺陷,同时它具有软硬阈值函数不可比拟的灵活性.仿真结果表明,采用了新的阈值函数的去噪结果有效抑制了在信号奇异点附近产生的Pseudo Gibbs现象,无论是在视觉效果上,还是在信噪比增益和最小均方误差意义上均优于传统的软硬阈值方法.