基于时延矢量封闭准则的多传声器降噪方法

目前国内外提出的经验模式分解降噪方法大都在已知噪声类型的基础上针对单传声器信号进行研究,没有利用多传声器之间的融合信息。因此,提出基于时延矢量封闭准则的多传声器信号降噪方法。该方法首先将采集得到的信号进行EMD分解,将所得的对应IMF分量进行互相关,求取时延值,然后依据TDVCR进行时延矢量误差运算,得到IMF分量权重矩阵,最后根据IMFs及其对应的权重矩阵进行信号重构,得到去噪后的信号。试验表明:该方法有效利用了多传声器时延矢量匹配准则,在不增加任何先验信息的前提下降低了噪声,取得了满意的试验效果。

一种基于声阵列信息融合及改进EEMD的信号降噪方法

针对声阵列多通道信号的去噪问题,提出一种基于多传声器信息融合辅助的改进总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的被动声信号去噪方法。对标准EEMD进行改进,通过多通道信号频谱分析,选取多传声器信号最小有效频率作为各通道信号EEMD分解的筛选截止频率,采用改进的EEMD算法将原始信号快速分解为完备的IMF分量,有效抑制了模态混叠现象并提高信号分解效率;引入声阵列时延矢量封闭准则(Time Delay Vector Close Rule,TDVCR)概念,结合多传声器数据一致性融合及信号相关性理论,对各IMF分量进行相应的权重计算,再由已确定权值对各IMF分量进行加权重构得到去噪信号;最终通过半实物仿真试验以及同传统EMD去噪的比较验证了该算法在多通道信号去噪中的有效性和实用性。

基于EEMD的多传感器信息融合降噪方法

由于传感器被动采集所得信号没有太多先验信息,在后续应用过程中因噪声的存在受到限制,所以,提出一种基于总体经验模式分解(EEMD)和时延估计的多传感器信息融合降噪方法。首先将多传感器采集所得信号进行EEMD,将所得对应IMF分量进行互相关,求取时延估计值,依据时延矢量封闭准则(TDVCR)获得相应IMF分量的时延矢量误差。最后,根据多传感器综合支持度确定相应权重,对IMF分量进行重构,得到降噪后的信号。实验结果表明:该方法在EEMD的基础上有效利用了多传感器的时延估计特性,在没有任何先验信息的条件下降低了信号噪声,取得满意的效果。