利用小波去噪进行步态加速度信号预处理

针对步态识别方法中加速度信号的去噪问题,提出了一种利用复合评价指标及小波熵进行步态加速度信号小波去噪的参数优选方法。均方根误差和平滑度的变化率随小波分解层数的增加表现出单调性和负相关性,根据该特性使用改进熵权法构建了一种复合评价指标,通过构建的复合评价指标确定不同小波基处理步态信号时的最优分解层数,根据步态信号小波分解后低频系数的小波熵大小来确定每一分解层次的最优小波基。实验结果表明,所提方法确定的小波去噪方案可以满足步态信号研究的滤波要求。     

多指标融合的小波去噪最佳分解尺度选择方法1

借助最小均方根误差、信噪比及光滑度变化随小波分解尺度增加的收敛特性,提出了一种多指标融合的小波去噪最佳分解尺度选择方法。该方法利用信息熵来融合小波去噪过程中不同方面的变化特征,能够更全面地反映小波去噪结果与分解尺度间的对应关系;通过定量识别融合指标变化的拐点,能够有效识别小波去噪的最佳分解尺度。针对不同类型的去噪信号进行实验分析并与现有方法进行比较,验证了本文提出方法的有效性与优越性。     

一种可靠的小波去噪质量评价指标

针对传统评价指标应用于小波去噪质量评价的局限性,提出了一种复合评价指标。将各备选参数的去噪信号的均方根误差与平滑度进行归一化操作,利用变异系数定权的方法将两种指标线性组合,所得到的新指标即为复合评价指标。该指标值越小,表明其去噪效果越好,所选参数越优。理论分析证明该指标具有明确的几何和物理意义,确定了信号细节信息和逼近信息的最佳比例;多组数据分析表明该方法所确定的最佳去噪信号效果较好,简单快速且准确率高。因此,该方法是一种可靠的小波去噪质量评价指标,可以解决小波分析中诸如分解层次、小波基函数等最优参数选择的问题,服务于工程实践。     

时序数据去噪中的小波策略及评价指标

引入评价时序数据去噪效果的均方根变化量、互相关系数、信噪比及平滑度4项指标,分析了不同小波策略的去噪效果与指标间的关系。结果表明,不同于小波分解重构阶段,小波策略阶段的去噪均方根误差与4项指标存在正相关趋势,且归一化后的综合指标与去噪均方根误差归一化值存在0.95的正相关性,在实测时序数据分析中,可用归一化后的综合指标代替未知的去噪均方根误差来评价去噪效果,并以去噪残差分布作为去噪可靠性定性指标。     

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。     

利用波形去噪算法的森林最大冠顶高估测研究

针对大光斑激光雷达回波信号噪声影响森林冠顶高估测精度,且回波分析法判定回波位置受限于平坦地区的问题,利用高斯低通滤波和小波去噪两种方法对GLAS波形进行去噪处理,提出了结合均方根倍差法和回波分析法来判定回波位置的有效算法。经小波去噪后信号的信噪比23.360 704,均方根误差为0.000 233 3,经均方根倍差法和回波分析法相结合来判定回波位置估测的冠顶高结果与实测结果相关性系数r值为0.864,效果均优于高斯低通滤波去噪。基于GLAS回波数据实验结果表明:小波去噪较好地实现了对回波信号的去噪处理,均方根倍差法和回波分析法相结合,实现了对坡度相对较大地区的GLAS波形的回波开始位置和地面回波位置的准确判定,对森林冠顶高的精确估算具有重要意义。     

小波阈值改进算法的遥感图像去噪

通过对于文献中已有小波阈值去噪方法的研究,结合已有的一些小波阈值去噪函数,提出了相应的小波阈值去噪的改进方法来完善和提高小波阈值去噪的处理能力和可行性。该阈值函数加入了有效的调整系数来控制函数的可变。该函数不但同时保留了相应的传统小波硬阈值、软阈值衍化的优点,也提高了相应精度指标。利用该函数阈值去噪不仅在经典的图像中起到很大的改善,在遥感图像的去噪处理方面也有明显的精度提高。该方法通过去噪评价指标均方差（MSE）,峰值信噪比（PSNR）,信噪比（SNR）,均方根误差（RMSE）进行去噪后图像的评价。该改进的阈值函数方法对于图像的处理后评价指标明显有所改善。     

陀螺仪转子电流信号去噪方法研究

磁悬浮陀螺全站仪定向系统中转子电流数据的噪声是影响仪器定向精度的重要因素之一.文章经统计分析知转子电流信号为非平稳信号,对其进行对比分析,确定选取特定的阈值和小波基函数对转子电流信号进行小波阈值去噪.借助信噪比、均方根误差和平滑度多类评价指标的变化特征随小波分解层数增加而收敛的特性,来确定最佳分解层数.实验结果表明:此种方法实现了转子电流有效信号和环境噪声信号的有效分离,剔除了不同观测环境条件下转子电流观测数据的噪声,提高仪器的定向精度.     

基于变分模态分解的变形监测数据去噪方法

为了提高变形监测数据的去噪精度及可靠性,基于变分模态分解(variational mode decomposition,VMD)构建一种新的变形监测数据去噪方法。首先,建立VMD高频噪声分量判定标准,引入T指标用于确定VMD去噪的最优K值。然后,将剔除高频噪声后的VMD分量进行叠加重构,建立VMD变形监测数据去噪方法。最后,通过仿真信号、桥梁、大坝变形监测数据去噪实例,对比分析VMD、小波及经验模态分解(empirical mode decomposition,EMD)去噪方法。实验结果表明,VMD对仿真信号去噪的相关系数、均方根误差、信噪比等指标均较大程度上优于小波及EMD去噪方法,理论上证实了VMD去噪方法的有效性及可靠性;VMD对桥梁、大坝变形监测数据去噪的结果比小波、EMD具有更好的精度及光滑性,同时较好地保留了局部变形特征信息。     

变形测量异常数据处理中小波变换最佳级数的确定

综合分析数据去噪效果的4个分项评价指标,即数据的均方根差变化量、互相关系数、信噪比及平滑度,将各分项评价指标归化到0,1后相加得到总体评价指标,将总体评价指标最大值所对应的级数定义为小波分解与重构的最佳级数。模拟和实测两个算例验证了此方法的有效性。     

变形序列小波消噪最佳分解尺度量化指标的确定

小波消噪分解尺度确定的正确与否,直接关系到消噪效果。针对变形序列的消噪,将时序分析建模定价的信息准则与高斯白噪声在小波变换下的特性相结合,提出了用Akaike信息准则作为量化指标,确定小波消噪最佳分解尺度的方法。模拟数据和工程数据的验证结果表明,在Akaike信息准则计算值达到最小时,所确定的分解尺度符合信噪分布规律,达到了较好的消噪效果,实现了作为小波消噪最佳分解尺度确定的量化指标作用,提升了小波消噪在变形数据处理中应用的便捷性。     

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。     

桥梁索塔GPS监测信号的小波分析

针对EMD分解后直接舍去高频含噪信号可能会导致有用信息的丢失,以及小波阈值去噪中采用全局阈值去噪效果不完善等问题,该文提出了一种基于SSA的改进EMD-Wavelet耦合模型运用于桥梁索塔GPS监测信号去噪。即先对原始监测信号进行奇异谱分析,提取信号的趋势项和周期项,分析不同阶段的信号特性从而对其进行合理分段。在对经过EMD分解后的高频信号进行小波去噪时,根据信号的分段结果和给定的阈值计算函数进行分段分层取阈值。结果表明,该方法能很好地对原始坐标序列进行降噪,并且各项评价指标均优于SSA重构去噪法、EMD分解去噪法和EMD-Wavelet全局阈值去噪法,去噪效果更佳,这为索塔监测数据信号提取提供了有意义的参考。     

基于经验模式分解的滤波去噪法及其在GPS多路径效应中的应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种新的信号处理技术,它是基于数据本身的,且能在空间域中将信号进行分解,从而可以区分噪声和有用信号。根据EMD分解白噪声而得到的本征模式函数(IMF)分量的能量密度与其平均周期的乘积为一常量这一特性,建立一种新的基于EMD滤波去噪方法,并将该方法应用于GPS多路径效应的研究中。通过对模拟数据与GPS实测数据的处理分析,得出以下主要结论:①EMD滤波去噪法与小波方法都能最大限度地削弱测量的随机误差,但EMD滤波去噪法比小波方法更直接,且不受测不准原理及小波函数选择的影响;②相比小波方法,EMD能够更有效地剔除瞬时强噪声,从而能够提取更精确的多路径效应重复性误差改正模型。     

经验模式分解的尺度阈值滤波在变形分析中的应用

本文将信号处理领域的经验模式分解算法应用于变形信息的提取中,通过引入阈值函数,建立了基于经验模式分解的尺度阈值滤波模型,采用优化模型确定了经验模式分解的次数。分别通过模拟试验和实测数据与小波阈值法和多项式拟合法进行了比对,分析表明:在低噪声情况下,三种方法都有一定的滤波效果;在高噪声情况下,经验模式分解的尺度阈值滤波法具有与小波阈值去噪法相等的精度,而且瞬时强噪声识别能力更好,优于多项式拟合法。     

小波去噪激光雷达数据树冠高度反演

针对光学遥感图像记录的地表物体反射太阳辐射能量的高低不能较好地反映地表林木冠层高度这一问题,该文利用小波去噪对激光雷达数据进行去噪处理,分别计算小波去噪和高斯去噪后信号的信噪比(SNR)、均方根误差(RMSE);评价去噪效果,发现利用小波去噪得到的信号SNR均大于13db、RMSE均小于0.007 0,去噪效果优于高斯去噪;根据树木垂直结构以及回波原理利用回波分析法,确定回波开始以及地面回波位置来反演树木冠顶高度;将反演得到的树高进行对比分析,并利用实测数据对反演结果进行检验,发现本文反演结果与实测数据具有较好的相关性,反演结果稳定、精度较高。     

变形监测信号消噪的不确定度

变形表现为一种弱信号,误差呈现为强噪声。小波包分解消噪是对分解中所得到的高频部分再继续细分,因此具有更精细的消噪能力。采用最优小波包基进行信号重构的过程中,信号有一定的损失。若将消噪过程近似成拟合,拟合误差符合正态分布,可以采用假设检验法估计信号重构误差的区间,进而确定信号重构误差的不确定度,评价小波包消噪的质量。     

基于经验模分解的陀螺信号消噪

陀螺随机漂移是影响惯性导航精度的重要因素。小波消噪方法对异常噪声效果不明显,且对小波基和分解尺度等因素依赖性较强。提出陀螺信号经验模分解(EMD)消噪方法,将信号进行经验模分解得到一个本征模态函数(IMF)组,先基于2sigma准则处理异常噪声IMF分量,再利用相关系数确定高频噪声IMF分量个数,将噪声分量去除以实现陀螺信号消噪。详细对比小波方法与EMD方法,利用交叠式Allan方差分析两者的消噪效果,通过惯导算例进一步验证EMD方法的实效性。结果表明,相比小波方法,EMD消噪法能剔除异常噪声,可以更有效地抑制陀螺漂移。     

基于小波系数分割的局部自适应阈值图像去噪

针对自适应小波阈值去噪中方形局部窗口不能很好地适应小波系数自身边缘特征的问题，本文提出了一种基于图像分割的局部自适应小波阈值去噪方法。该方法首先对图像进行多尺度小波分解，其次利用图像分割技术对图像的各尺度小波系数分别进行分割，分割技术选用SLIC超像素分割法得到具有相似统计特性的不规则局部块，然后对每个分割块内的小波系数进行BayesShrink阈值估计和软阈值收缩，最后通过小波逆变换得到去噪图像，并在3幅标准测试图像和一幅高光谱影像上进行试验。试验结果表明，本文提出的方法能更好地适应小波系数自身的边缘特征，不仅能够获得更好的视觉效果，而且能够达到较高水平的数值指标。