信号去噪

摘要： 受外界环境中的电磁等因素的影响,机械设备的有效静电信号往往被噪声淹没,使其故障特征难以提取。针对这一问题,提出一种基于变分模态分解的静电监测信号的去噪方法。首先,通过迭代计算出变分模态分解的最优解;然后,通过得出的最优解对静电监测信号进行重构;最后,对选取的分量进行故障特征提取并进行去噪得到变分模态方法去噪后的信号。通过仿真分析和实验验证将此方法与小波去噪、集合经验模态分解进行对比。分析结果表明,该方法能够有效地提取滚动轴承的故障特征并进行去噪处理。

摘要： 针对工程应用中电容的测量过度依赖仪器设备,难以实现高精度实时测量的问题,提出了一种基于BP神经网络的高精度电容测量方法。利用由DSP,DDS,AGC,ADC和阻容分压等电路构成的数据获取模块采集50个标准电容两端的分压幅值,经过数据清洗与中值滤波去噪预处理后形成71个特征值,以此构建C-U数据集;建立3层隐藏层结构为16×32×16的BP神经网络模型,并进行训练和测试,获取电容预测模型,分析模型性能。测试结果表明,模型预测值与真实值的平均相对误差仅为2.6291%;预测模型在训练集与测试集上的决定系数R^(2)均达到了0.99,具有很好的泛化能力。

摘要： 航空发动机作为飞机的动力来源,其性能直接影响飞机飞行的安全性和可靠性。针对航空发动机在故障出现早期具有背景噪声剧烈、故障信号微弱、多故障特征频率叠加等问题,提出一种互相关去噪与混沌振子阵列扫描融合的早期故障检测方法。利用互相关对信号进行去噪,将去噪信号输入混沌振子检测阵列,使其构成混沌检测系统周期策动力,通过相轨迹变化检测出表征同一早期故障的多个特征频率信号,从而达到提高故障检测准确率和有效性的目的。并利用转子试车台,验证了方法的有效性。

摘要： 文章主要通过对小波变换的深入分析和研究,分析硬阈值函数和软阈值函数的优缺点,在相关文献的基础上对阈值函数进行改进,最后通过MATLAB仿真实现改进阈值函数的去噪,在信噪比和均方根误差上都有一定的改善,获得更好的去噪效果。

摘要： 受设备及环境等因素的主要影响,采集的探地雷达(GPR)信号中存在不同程度的噪声干扰.传统变分模态分解(VMD)通过搜寻变分模型最优解分离出不同中心频率的分量实现噪声压制,但最优模态数的选择具有一定主观性,致使重构数据存在不同程度的信号振荡.为优化模态数的选择,并改善信号振荡问题,本文提出基于自适应VMD和奇异谱分析(SSA)的GPR信号去噪方法.首先,引入能量损失比,实施最优模态数的自适应选择,并利用皮尔逊相关系数法提取有效信号;其次,针对变分模态分解后的中低频振荡现象,引入SSA进行二次滤波,进一步提高信噪比.合成Ricker子波实验、合成雷达剖面模拟实验和实测资料验证了变分模态分解奇异谱分析(VMD SSA)方法的有效性.合成Ricker子波实验中,与集成经验模态分解(EEMD)和传统VMD方法相比,经VMD SSA方法处理后的信噪比最大提升13.5878dB;合成雷达剖面模拟实验中,基于VMD SSA方法处理后剖面的信噪比较EEMD和传统VMD方法分别提高3.7659dB和2.6557dB;实测资料处理中也较好地压制了背景噪声及随机噪声,使异常体的信号特征更加突出.

摘要： 目的为了实现资源管理大数据的精准挖掘,保证挖掘结果的真实性与有效性,提出一种基于混沌时间序列的资源管理大数据挖掘方法。方法首先,通过相空间重构一个等价的多维状态空间,利用相空间的混沌吸引子寻找预测点的相关函数关联,实现对被测目标区域位置的准确判断;其次,运用经验模态分解将资源管理大数据回波信号分解,按照回波信号间的关联性融合软阈值和粗糙惩罚手段,对资源管理大数据回波信号去噪,预防信号失真现象发生;最后,按照原始定位波形特征,去除回波信号波形伪峰值点,挑选适当的指数函数进行sinc函数波形拟合修正,保证资源管理大数据挖掘结果的准确性。结果仿真实验表明,此方法可以大幅提升资源管理大数据挖掘精度,且耗时较短。结论实现资源管理大数据挖掘,具备较高的应用价值。

摘要： 针对当前方法存在的电气设备状态检测正确率低,误检率、漏检率高居不下的难题,为了改善电气设备状态检测结果,设计基于光纤传感器的电气设备状态检测方法。分析电气设备状态检测的研究现状,找到各种电气设备状态检测方法的局限性;通过光纤传感器采集电气设备状态信号,对电气设备状态信号进行预处理,并从电气设备状态信号中提取特征;采用RBF神经网络根据特征拟合电气设备状态变化特点,建立电气设备状态检测模型,并与其他电气设备状态检测方法进行仿真对比测试实验。实验结果表明,提出的方法的电气设备状态检测正确率超过90%,电气设备状态的误检率、漏检率均低于5%,检测效果明显优于对比方法,可以应用于实际的电气设备安全维护中。

摘要： 针对油气管道特征工况信号噪声大,难以从中提取有效信息的问题,提出使用变分模态分解(Variational Mode Decomposition,VMD)结合Hilbert联合谱分析处理油气管道信号的方法。首先,根据各带限本征模态分量(Band-Limited Intrinsic Mode Function,BIMF)的瞬时频率均值确定最优分解尺度;其次,求得最优分解尺度下各BIMF的Hilbert联合谱,分析其时频特征与能量分布,确定主频分量;最后,根据主频分量对信号重构去噪。经过验证,该方法能有效提取信号特征信息且重构去噪效果明显,具有一定的实际应用意义。

摘要： 针对电子通信信号与恶意干扰信号严重重叠的现象,设计了基于小波域滤波的电子通信信道恶意干扰信号分离方法。在分析信道特征并划分噪声种类后明确噪声信号形式,然后利用小波域滤波算法合理设置分解层数,对信号做分解重构与降噪,再利用极限学习机建立神经网络学习模型。根据干扰信号模型与信道衰减程度提取干扰信号特征,并将特征样本输入到神经网络中,直到输出分离结果。仿真结果表明:该方法能够有效去除信道噪声、降低通信误码率、均衡信道负载。

摘要： 针对复杂环境下气田井中双层管柱检测时的电涡流信号噪声去除难问题,提出一种基于混合噪声模型的双层管柱电涡流信号去噪算法(ECSD)。在ECSD中,首先对电涡流信号进行预处理,去除信号中增益。然后分析电涡流信号中包含的偏心噪声、温度噪声、电磁噪声、提离噪声等混合噪声及各自噪声的来源,并根据混合噪声特性建立去噪模型。提出改进的海洋捕食者算法求解去噪模型参数,获得可较好拟合混合噪声的去噪模型,从而实现去除不同深度和温度下电涡流信号中的噪声。实验结果表明:ECSD算法能够拟合电涡流信号中的混合噪声,提高了信噪比,并且降低了去噪信号与纯净信号之间的均方根误差,优于WD、EMD、MF和WF等去噪算法。

摘要： 本文阐述了平移不变量小波去噪法在大地电磁信号去噪中的应用.利用该方法对大地电磁信号去噪可以达到既有效去除噪声又较大程度地维持原始信号形态的目的.在对实测数据进行处理后的结果显示,该去噪方法使时间序列、视电阻率曲线和相位曲线的质量都有了明显的改善,因而使得大地电磁信号的噪声影响得到有效抑制.

摘要： 光谱去噪是光谱检测的重要环节.针对光谱信号易受光谱仪热噪声、现场机械振动以及随机噪声等因素影响,而在线监测系统要求减少人为参数选择对去噪效果的影响,提出利用奇异值分解(SVD)理论对光谱信号去噪.提出一种改进的降噪阶次选取方法:指定奇异值差分谱最大峰值点为所选阶次下界θ1;利用奇异值、奇异值差分谱综合信息选取阶次上界θ2;将区间θ1～θ2定义为模糊区域,通过模糊C均值聚类求取隶属度,赋予模糊区域内奇异值相应的权重系数.用所提方法对不同信噪比下SO2紫外光谱信号去噪,将信噪比、均方根误差、波形相似系数、平滑度指标用于去噪效果的评价.去噪结果表明:所提方法完全基于数据驱动,具有较好的去噪效果,能够真实的恢复原始信号.

摘要： 在地质勘探随钻测井中,信号会受到周围环境的各种噪声与干扰,其中大部分是机电工频干扰等有色噪声,故需要解决信号干扰和信号衰减的问题.采用传统的滤波器难以检测到有用信号,故本文利用最小均方(LMS)自适应谱线增强(ALE)算法构造滤波器.通过理论分析和仿真进行研究表明:该算法能够提高高动态,低信噪比的载波频率估计精度,有效提高增强谱线和抑制噪声的能力.

摘要： 电力系统中绝缘子泄漏电流信号的采集易受到各种噪声的干扰,严重影响了绝缘子运行状态的在线监测.针对泄漏电流信号信噪比较低以及传统去噪方法存在着去噪效果不佳的问题,提出了一种融合小波阈值去噪和形态学去噪的新型自适应去噪方法,该方法利用了小波阈值法和形态学法在不同幅值噪声去噪上的独特优势,并采用自适应优化的方法确定小波法的阈值和形态学法的权系数.通过绝缘子泄漏电流仿真信号和高压试验中实测信号的去噪对比分析试验,验证了本文方法在绝缘子泄漏电流信号去噪中的有效性和稳定性.

摘要： 有效的信号处理是微地震事件精确定位的基础.微地震信号微弱、信噪比低,传统的滤波方法很难满足去噪要求.本文通过理论研究,在分析了小波变换和互相关的基础上将两者相结合,对经过小波变换后的微地震数据进行互相关,可进一步提高信噪比.通过试验数据验证,联合去噪方法能够满足去噪要求.

摘要： 噪声抑制是局部放电在线监测关键环节之一.针对局放信号窄带干扰抑制问题,提出一种基于二元经验模态分解的局部放电窄带干扰抑制方法.针对经验模态分解时易于产生模态混叠使得局放脉冲与窄带噪声难以区分,集成经验模态分解需多次集成平均而使得处理时间过长这两个问题,提出以染噪局放信号为实部分量,理想高斯白噪声信号为虚部分量,构建局放复数域信号,并对此复数域信号进行二元经验模态分解.通过对局放复数域信号二元经验模态处理,虚部白噪声分量影响了实部染噪局放信号分量的极值点选取,解决了含窄带噪声局放信号分解时模态混叠问题,使得局放脉冲与窄带噪声易于区分;实部染噪局放信号分量分解结果并未引入所加虚部高斯白噪声成分,避免了传统集成经验模态分解抑制模态混叠时需多次集成平均以消除所加白噪声缺点,较大程度提高了运算速度.在此基础上,基于窄带阈值选取原则,对局放复数域信号二元经验模态分解结果实部分量进行阈值处理,进而实现局放信号窄带干扰的抑制.运用本文介绍方法对局放仿真信号进行了去噪处理,并与基于集成经验模态分解理论及小波理论的局放信号去噪结果作对比,证明了本文方法的有效性.

摘要： 为了提高嵌入式英语语音识别系统发音误差自动检测能力,提出基于时频分析和关联信息熵特征提取的嵌入式英语语音识别系统发音误差自动检测方法.采用时频特征分解方法进行嵌入式英语语音识别系统英语发音信号的降噪处理,对降噪输出的英语发音信号进行特征分解和关联维特征配准,结合小波多层重构方法进行语音信号的重组,提取英语发音信号的关联信息熵特征,根据提取的语音信号的关联信息熵特征进行自动匹配,实现对嵌入式英语语音识别系统误差的自动识别.仿真结果表明,采用该方法进行嵌入式英语语音识别系统发音误差自动检测的准确性较好,对语音信号的分辨能力较好,提高了嵌入式英语语音识别系统的发音误差的检测性能.

摘要： 为了提高嵌入式英语语音识别系统发音误差自动检测能力,提出基于时频分析和关联信息熵特征提取的嵌入式英语语音识别系统发音误差自动检测方法.采用时频特征分解方法进行嵌入式英语语音识别系统英语发音信号的降噪处理,对降噪输出的英语发音信号进行特征分解和关联维特征配准,结合小波多层重构方法进行语音信号的重组,提取英语发音信号的关联信息熵特征,根据提取的语音信号的关联信息熵特征进行自动匹配,实现对嵌入式英语语音识别系统误差的自动识别.仿真结果表明,采用该方法进行嵌入式英语语音识别系统发音误差自动检测的准确性较好,对语音信号的分辨能力较好,提高了嵌入式英语语音识别系统的发音误差的检测性能.

摘要： 为了提高嵌入式英语语音识别系统发音误差自动检测能力,提出基于时频分析和关联信息熵特征提取的嵌入式英语语音识别系统发音误差自动检测方法.采用时频特征分解方法进行嵌入式英语语音识别系统英语发音信号的降噪处理,对降噪输出的英语发音信号进行特征分解和关联维特征配准,结合小波多层重构方法进行语音信号的重组,提取英语发音信号的关联信息熵特征,根据提取的语音信号的关联信息熵特征进行自动匹配,实现对嵌入式英语语音识别系统误差的自动识别.仿真结果表明,采用该方法进行嵌入式英语语音识别系统发音误差自动检测的准确性较好,对语音信号的分辨能力较好,提高了嵌入式英语语音识别系统的发音误差的检测性能.

摘要： 为了提高嵌入式英语语音识别系统发音误差自动检测能力,提出基于时频分析和关联信息熵特征提取的嵌入式英语语音识别系统发音误差自动检测方法.采用时频特征分解方法进行嵌入式英语语音识别系统英语发音信号的降噪处理,对降噪输出的英语发音信号进行特征分解和关联维特征配准,结合小波多层重构方法进行语音信号的重组,提取英语发音信号的关联信息熵特征,根据提取的语音信号的关联信息熵特征进行自动匹配,实现对嵌入式英语语音识别系统误差的自动识别.仿真结果表明,采用该方法进行嵌入式英语语音识别系统发音误差自动检测的准确性较好,对语音信号的分辨能力较好,提高了嵌入式英语语音识别系统的发音误差的检测性能.

摘要： 本发明属于电子通信信号处理技术领域，具体涉及一种去噪可靠性更高，数据处理量更少、速度更快的电子通信系统中多频信号的去噪方法。本发明包括：接收电子通信系统的扩频信号，并存储该扩频信号；将接收的扩频信号与扩频信号的基础样本库中的标准信号信息进行比对，标准信号信息的参数包括波长、波率和步长，再次确认接收的扩频信号中的原始信号和噪声信号，在接收的扩频信号中无法识别的信号为待识别信号。本发明通过建立基础样本库将标准信号的信息做记录，将系统内的常规信号进行统计有助于快速识别信号中有用的信息，避免了信号的重新识别问题，同时通过信号的分离和重构减少了去噪的数据处理量，能够有效减少信息的处理时间。

摘要： 本发明公开了一种心电信号的去噪方法、去噪系统、设备以及存储介质，本方法首先构建一个去噪网络模型，然后利用去噪网络模型对待去噪的心电信号进行去噪，本去噪网络模型基于RDN网络模型进行改进，将RDN网络中的每个RDB模块都替换成去噪模块，其中去噪模块在RDB模块的1×1卷积层之后，还包括自适应学习阈值模块和软阈值函数，通过自适应学习阈值模块确定心电信号的阈值，通过软阈值函数根据心电信号的阈值对1×1卷积层的输出结果中的噪声特征进行去除。本方法在去噪网络模型中嵌入了一个自适应学习阈值模块和一个软阈值函数，用来对噪声进行抑制，能够提取到更加精细有用的心电信号特征。

摘要： 本发明属于电子通信信号处理技术领域，具体涉及一种去噪可靠性更高，数据处理量更少、速度更快的电子通信系统中多频信号的去噪方法。本发明包括：接收电子通信系统的扩频信号，并存储该扩频信号；将接收的扩频信号与扩频信号的基础样本库中的标准信号信息进行比对，标准信号信息的参数包括波长、波率和步长，再次确认接收的扩频信号中的原始信号和噪声信号，在接收的扩频信号中无法识别的信号为待识别信号。本发明通过建立基础样本库将标准信号的信息做记录，将系统内的常规信号进行统计有助于快速识别信号中有用的信息，避免了信号的重新识别问题，同时通过信号的分离和重构减少了去噪的数据处理量，能够有效减少信息的处理时间。

摘要： 本发明公开了一种多普勒雷达生理信号检测用信号分离去噪方法及系统，利用ICEEMDAN将含噪雷达信号分解成一系列固有模态函数；其次，通过SampEn对每个IMF进行分析，找出包含噪声的前几个IMF，并通过小波阈值对这些IMF进行去噪；最后，为了提取准确的呼吸信号和心跳信号，对所有的IMF进行频谱分析和KL散度计算，选择合适的IMF重构呼吸信号和心跳信号。此外，通过实验验证了该算法的有效性。结果表明，该算法具有比其他现有技术更好的降噪性能且误差值最低。有效的解决了在噪声条件下的生理信号分离困难的问题，较好的体现了生理信号的细节特征和非平稳特性，最大程度地保留信号的细节。可以用于多普勒雷达生理信号检测的信号分离和去噪。

摘要： 本发明涉及一种信号增强器，包括：延时模块；自适应滤波器，用于输出目标信号；以及参数调节模块，用于通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节。基于该信号增强器的信号去噪和提取方法包括：将输入信号经过延时环节后，输入到自适应滤波器；通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节；和通过参数优化后的自适应滤波器输出去噪后的目标信号。本发明还涉及一种包含所述信号增强器的信号检测系统。本发明具有如下优点：1)适合噪声与目标信号频谱有重叠的强噪微弱信号提取和去噪；2)适合目标信号未知的盲信号提取；3)能够提取目标信号的时域波形和全部频率成分。

摘要： 本发明公开了一种信号去噪方法及其信号去噪放大器。本发明的信号去噪方法包括以下步骤：(1)将包含噪声的信号以步长为单位进行多次平移，步长小于信号的周期的四分之一；(2)将多次平移后的所述信号相叠加得到新的信号。本发明的信号去噪放大器包括延时器单元以及信号求和单元，延时器单元将包含噪声的信号以步长为单位进行多次平移，步长小于信号的周期的四分之一，并且信号求和单元将多次平移后的信号相叠加得到新的信号。本发明无需进行参数优化，省时省力，在数学计算上更为简单快速，并且能够实现有效的去噪效果，大幅提高信号的信噪比。

摘要： 本发明提供了一种油浸式变压器局部放电信号去噪方法，输入待去噪信号，利用VMD算法将待去噪信号分解为K个分量；根据能量损耗系数确定最终分解分量个数K；根据各分量翘度与排列熵筛选含噪较多分量；利用小波包去噪算法对含噪较多分量去噪；将处理后的分量重构为局部放电信号。本发明可以实现对局部放电信号中含有的两类噪声的有效去除，更大程度地保留了局部放电信号的有用信息。

摘要： 本发明公开了一种兼顾脉冲提取和信号去噪的局部放电信号处理方法及电力电缆局部放电定位方法，该局部放电信号处理方法采用“先提取，后去噪”的数据处理次序，先利用奇异值分解，将最优奇异阈值与最大奇异值进行比较，实现对局放脉冲的快速、精确定位，并对局放脉冲进行提取，再利用奇异值重构对提取的局部脉冲信号进一步去噪。本发明基于奇异值分解‑重构法，可实现在较低信噪比条件下仍能有效抑制白再生局放信号白噪声的有效抑制，同时联合1层离散小波去噪，进一步抑制高频干扰。基于上述局部放电信号处理方法对局放脉冲进行提取，可实现对电力电缆局放源(即局部放电点)的精确定位。

摘要： 本申请公开了一种电力电缆局部放电信号去噪及有效信号提取方法和系统,提出了新的阈值函数对小波分解后的小波系数进行阈值处理，能够克服现有的硬阈值法和软阈值法处理信号时存在的问题，可以实现对敷设在电缆沟或直接埋于地下的电缆运行数据进行去噪处理，提取有效信号，实现对电缆故障的准确定位，及时有效的发现故障点，保障电力设施的安全有效运行。

摘要： 本发明涉及一种信号增强器，包括：延时模块；自适应滤波器，用于输出目标信号；以及参数调节模块，用于通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节。基于该信号增强器的信号去噪和提取方法包括：将输入信号经过延时环节后，输入到自适应滤波器；通过收敛指标和不规则性指标对所述的自适应滤波器的参数进行实时调节；和通过参数优化后的自适应滤波器输出去噪后的目标信号。本发明还涉及一种包含所述信号增强器的信号检测系统。本发明具有如下优点：1)适合噪声与目标信号频谱有重叠的强噪微弱信号提取和去噪；2)适合目标信号未知的盲信号提取；3)能够提取目标信号的时域波形和全部频率成分。