惯性导航EEMD区间阈值降噪方法

陀螺随机误差是影响惯性导航系统精度的主要因素。在经验模态分解（EMD）和阈值降噪的基础上,提出一种基于集合经验模态分解（EEMD）的区间阈值的陀螺信号降噪方法。该方法利用EEMD方法将陀螺信号分解多个本征模态函数（IMF）分量和1个残余分量,基于信号和IMF分量的概率密度函数的2范数距离方法剔除纯噪声IMF分量,利用改进的区间阈值降噪方法实现信号的降噪。仿真和实测试验表明,该方法不仅能有效抑制EMD中的模态混叠问题,而且能有效削弱陀螺的随机误差,从而提高惯性导航系统的精度和可靠性。     

PSO-DVMD-WT的变形信号去噪方法研究

为了滤除变形数据中含有的白噪声,该文提出一种基于粒子群优化算法的双重变分模态分解-小波阈值去噪模型。首先利用VMD对变形数据进行初次分解,初次分解层数K_1由频谱图波峰个数确定,根据相关性分析将分量分为噪声分量和信号分量;然后针对信号分量出现模态混叠的现象,首次分解的信号分量再次进行粒子群优化的VMD分解,得到二次信号分量和二次噪声分量;对二次VMD分解得到的噪声分量进行小波阈值降噪;最后重构实现噪声的有效剔除。模拟实验结果显示,利用本文方法去噪得到的均方根误差降低至0.418 0 mm、信噪比提升至10.174 0 dB,对比小波阈值、总体经验模态分解(EEMD)、VMD等方法,降噪效果有明显的提升。在实际变形数据去噪中,相比于其他去噪方法,本文方法能够很好地抑制模态混叠的现象,且均方根误差降低至0.151 0 mm、信噪比提升至23.821 0 dB,验证了本文方法在实际应用中的有效性。     

EEMD滤波技术在GPS动态监测数据去噪中的应用

为了削弱结构动态监测中GPS随机噪声的影响,本文研究了一种基于集成经验模态分解(EEMD)技术的滤波方法。根据信号自身尺度分解信号,基于分解产生的本征模态函数(IMF)的Fourier变换频谱特征,构造了EEMD时空滤波器。对不同信噪比的仿真非平稳数据进行去噪处理并与小波去噪法相比较,各项指标表明基于EEMD滤波器的去噪方法与小波去噪方法效果相当,但避免了小波基的选择,具有更大的自适应性。应用于GPS动态监测数据的去噪结果表明该方法能有效分解信号消除GPS高频噪声及低频噪声的影响,提取有用振动信号,为进一步结构分析提供有效数据。     

变分模态分解及能量熵在地心运动降噪中的应用

针对地心运动时间序列噪声种类复杂，随机性强，信号与噪声难以有效分离等问题，本文采用网平移法对IGS站周解进行解算，得到2012-2018年的地心运动时间序列，并提出了一种基于变分模态分解（VMD）及能量熵的地心运动时间序列降噪方法。首先，对各方向时间序列进行VMD分解，获得各方向高频依次到低频的时间序列分量；然后，计算每个变分模态分量的能量熵，辨识出噪声与信号的分界，并将信号分量进行重构，得到降噪后的地心运动时间序列；最后，通过与基于EMD和EEMD的降噪方法对比，从相关系数、信噪比、剩余能量百分比、方差贡献率等参数评价指标上定量说明该方法对地心运动时间序列降噪表现出更好的降噪效果。     

大跨径桥梁变形监测数据的组合降噪方法研究

为了准确提取桥梁GNSS监测数据中的有效变形特征,本文充分发挥自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)与小波变换(Wavelet Transform, WT)在信号降噪中的优势,将二者结合进行桥梁GNSS监测数据降噪。首先通过CEEMDAN方法将原始监测数据分解为若干个本征模态函数(Intrinsic Mode Function, IMF),并通过相关系数识别出有效IMF分量,包含噪声的IMF分量以及无效IMF分量;其次使用WT软阈值降噪方法对包含噪声的IMF分量进一步降噪;最后重构降噪后IMF分量与有效IMF分量。通过仿真实验数据与苏通大桥实测GNSS数据对本文方法的有效性与优越性进行检验,结果表明,本文方法具有良好的降噪效果,能够有效提取桥梁的真实变形信息。     

利用白噪声分解特征的EEMD阈值降噪方法

经验模态分解算法基于待分解数据本身,避免了小波分解时选取合适小波基函数的困难,具有自适应性。然而传统的经验模态分解降噪是一种强制降噪算法,容易将高频部分的有用信号与噪声一起滤除,从而造成信号失真。针对该问题,在分析白噪声EMD分解特性的基础上,提出了一种EEMD阈值降噪法。利用4组具有不同频谱特征的仿真数据,证明了该算法优于传统的EMD强制降噪法;在消除随机噪声的同时,能够有效保留信号中的高频细节分量,从而缓解了信号的失真。     

局部均值分解的新小波阈值去噪法及其应用

为了克服小波硬、软阈值函数本身存在的缺点,该文在硬、软阈值函数的基础上,提出一种新的小波阈值函数,并且基于局部均值分解的原理,构造了基于局部均值分解的新小波阈值去噪法。仿真数据对比分析表明,与单纯采用小波阈值去噪法、经验模态分解(EMD)滤波去噪法及局部均值分解滤波去噪法相比,该文方法的去噪效果更好,可有效提高信号的信噪比。利用本文方法对液体静力水准仪获取的高速铁路某桥梁实际监测数据进行去噪处理,结果表明去除监测数据中噪声的同时亦可保留变形细部特征。该文方法可为工程中的非线性、非平稳监测数据去噪提供参考和借鉴。     

EMD在北斗桥梁变形监测数据中的应用研究

针对我国北斗系统变形监测数据中存在的噪声问题,本文利用自适应信号分析方法经验模态分解(EMD)对某北斗实测变形监测数据进行降噪处理。首先对E、N、U 3个方向的分量进行分解获取本征模态函数及趋势项,其次根据相关系数分离出噪声的本征模态函数,最后根据重构方法得到干净的位移序列。结果表明:EMD方法在北斗变形监测数据中的去噪是可行的,能有效分离信号与噪声,进一步提高了北斗观测的精度。     

EMD-IVMD方法在验潮站水位序列降噪中的应用

针对验潮站水位变化序列非线性、非平稳特点，采用一种基于优化参数的变分模态分解和经验模态分解相结合的降噪方法。该方法先经过EMD分解原始信号后，得到低频和高频信号两个部分，再采用IVMD方法处理高频噪声部分，最后将两部分有效低频信号重构作为最终降噪信号。采用1组模拟数据和4个验潮站实测水位序列数据进行实验，并采用信噪比和均方根误差评价降噪效果，结果表明，EMD-IVMD方法明显优于EEMD和传统的EMD方法，该方法在信噪比精度指标上分别提升1.67%和1.52%,在均方根误差精度指标上分别提升9.59%和13.51%,验证该方法的有效性和可靠性。     

联合VMD和Bi-LSTM的GNSS坐标时序降噪

针对GNSS坐标时间序列中的噪声难以有效去除等问题,构建了一种联合变分模态分解和双向长短期记忆模型的方法用以去除GNSS坐标时间序列中的噪声。将GNSS坐标时间序列分解为k个本征模态函数分量,并根据样本熵选择出有效的模态分量,分别通过双向长短期记忆网络处理,最后将信号进行合成。以BJFS等12个具有较长时间序列且数据完整性较好的GNSS站点坐标数据为例,对坐标时间序列进行降噪。将该方法与传统的分解方法进行对比分析,发现在E、N、U方向上,相比于单一变分模态分解,速度不确定度改正率分别提高了11.03%、4.60%、7.39%,相比于经验模态分解分别提高了31.70%、27.70%、24.42%。结果表明该方法能够更好地去除信号中的噪声,且优于传统分解方法,可提高信号可靠性。