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。     

基于相空间重构与支持向量机预测滑坡位移的一种新方法

提出了一种基于相空间重构与支持向量机预测滑坡位移的新方法.首先,以滑坡位移时间序列的混沌特性为基础,对其应用互信息法计算最优时间延迟;然后,利用小波变换对滑坡位移序列数据进行频域分解,应用Cao氏方法对分解后的每个分量序列分别计算其最佳嵌入维数,在此基础上,对各个分量序列进行相空间重构,利用支持向量机对每个分量单独进行建模预测;最后,将各分量预测结果进行小波重构,得到最终预测结果.实例证明,该方法可以在滑坡位移预测中获得有效的应用.     

变形监测数据小波去噪分解尺度确定方法

小波去噪作为一种数据处理方法,分解尺度的选择对去噪效果有影响。在论述基于均方根误差变化率的方法、基于总体评价指标的综合法、多指标融合法和复合评价指标法4种小波去噪分解尺度确定方法的基础上,通过仿真实验和变形监测实测数据的去噪处理对比分析,结果表明,基于均方根误差变化率的方法对处理低噪声信号有良好效果,多指标融合法只能确定小波分解尺度的大致范围,基于总体评价指标的综合法和复合评价指标法可以准确判定小波分解尺度,且不受噪声影响。     

基于ICEEMD-ICA与MDP准则的变形监测数据去噪方法

针对经验模态分解(empirical mode decomposition,EMD)方法存在信噪分离不准确的缺陷,以及独立分量分析(independent component analysis,ICA)存在不确定性的问题,提出了一种改进完备集成经验模态分解(improved complete ensemble empirical mode decomposition, ICEEMD)、ICA与最小失真准则(minimal distortion principle,MDP)相结合进行变形数据去噪的方法。首先,使用ICEEMD方法对变形监测数据进行有效分解,并以此构建虚拟噪声信号;其次,对虚拟噪声进行二次ICEEMD分解,提取更接近真实噪声的二次虚拟噪声信号,再以二次虚拟噪声和原变形数据组成输入观测通道,使用ICA进行处理;然后,通过计算ICA处理后的独立分量与输入信号的相关系数,解决独立分量的排序不确定性与相位不确定性问题;最后,使用MDP准则有效解决了独立分量的幅值不确定性。对加噪仿真数据和实际桥梁GNSS变形监测数据进行详细分析,结果表明,所提方法可取得良好的去噪效果,有效提升去噪的性能指标,充分验证了所提方法在变形监测数据去噪中具备的可行性和有效性。     

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。     

混沌时间序列相空间重构及特性识别

相空间重构是混沌时间序列分析及预测的前提。针对地铁建设中地表沉降变形监测的弱信号数据处理问题,该文引入了混沌理论,通过采用自相关函数法和C-C法对比求得时间延迟τ,运用G-P方法和Cao方法求取嵌入维数m,从而对时间序列进行相空间重构;并通过求取最大Lvyapunov指数对时间序列进行混沌特性的判定识别。研究结论表明,系统的混沌特性,在研究地铁变形监测、运用混沌理论建模预测以及变形监测数据处理方面是值得重视的。     

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方法研究进展

回顾经验模式分解技术的原理和滤波性质,及目前基于经验模式分解的滤波去噪算法,包括部分本征函数模态分量重构法、软阈值法、最优信号重构算法等;分析上述滤波方法在分离信号噪声方面的适用性及其可能的改进措施;最后讨论传统的周期函数拟合模型在GPS高程时间序列噪声提取中应用的局限性,提出经验模式分解应用于GPS高程时间序列噪声提取与研究的新思路。     

基于EMD-自适应滤波的干涉图去噪方法研究

提出了一种基于EMD-自适应滤波干涉图去噪方法,该方法基于信号和噪声经过经验模态分解后在不同的IMF上有不同的特征,即先对信号进行经验模态分解,然后对各个高频IMF信号分别选用不同的滤波梯度参数进行自适应滤波处理,从初始干涉图上减去与斑点噪声所对应尺度信息,从而达到噪声抑制的目的。通过实验对比研究了该算法与Goldstein滤波、圆周期中值滤波、EMD分解方法和梯度-自适应滤波去噪的降噪效果。实验表明,该方法不仅能有效地去除InSAR干涉图的噪声,并且能很好地保持相位的细节信息和条纹的边缘信息。     

海洋平台GNSS RTK监测数据的CVCEEMDAN-WT-SSA去噪算法

针对GNSS-RTK技术在海洋平台变形位移监测过程中的多路径效应误差与随机噪声,本文提出一种基于交叉证认改进的具有自适应白噪声的完整集成经验模态分解(CVCEEMDAN)、小波阈值(WT)降噪方法及奇异谱分析(SSA)相结合的联合去噪算法。首先对原始信号进行CEEMDAN分解,使用交叉证认方法识别噪声与有效信号IMF分量;然后利用WT和SSA分别对噪声和有效信号分量作去噪处理,重构处理后的信号,获得真实变形监测结果。结果表明：本文算法具有自适应性,且相比EMD、EEMD、CEEMDAN、ACCEEMDAN-WT-SSA算法具有更好的去噪效果,可有效去除海洋平台变形监测中的多路径误差及随机噪声,成功获取真实的监测信号结果。     

经验模态分解和遗传小波神经网络法用于边坡变形预测

从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。     

结合双树复小波变换的四阶偏微分影像去噪方法

针对低阶偏微分方程去噪模型通常会使图像的灰度趋于分段常量而产生阶梯效应的问题,结合小波多尺度分解在图像处理中的应用,提出一种结合双树复小波变换(DT-CWT)的四阶偏微分方程(PDE)影像去噪模型。首先采用DT-CWT对噪声影像进行多尺度分解,保留分解后的低频分量不变,其他层复高频分量采用四阶PDE去噪模型去噪,然后重构相应层的高、低频分量,得到最终去噪后影像。对不同噪声强度下的ZY-3卫星影像去噪实验的结果表明,采用本文方法去除遥感影像噪声相比现有方法得到的去噪结果信噪比平均提高了1~2 d B,提高了去噪影像的结构相似度,在有效去除影像高斯噪声的同时能够较好地保留图像细节信息。     

SAR图像多尺度积增强的目标检测算法

合成孔径雷达（SAR）成像系统的热噪声和海杂波严重影响SAR图像自动目标检测的性能,去噪和均匀背景杂波是提高SAR图像目标检测性能的重要课题。根据SAR图像噪声功率一般存在于信号小尺度,没有跨尺度特征,而目标信号的边缘具有跨尺度的特点,本文提出了一种多尺度积信号增强和去噪的SAR图像船舰目标检测算法。本算法对SAR图像进行小波变换,应用多尺度积在小波域增强SAR图像船舰信号和均匀背景杂波,再对SAR图像进行目标检测。ERS SAR图像用于验证本文算法。仿真实验结果表明,新算法同传统的双参数CFAR检测算法、基于K-分布背景杂波的检测算法以及基于小波软阈值增强的检测算法相比,在虚警数和品质因数性能指标上均优于后几种检测算法。     

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。     

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。     

大桥GPS动态监测去噪方法

针对从GPS实际监测到的信号中去除噪声,提取真实信号的问题,该文对EMD去噪法、小波阈值去噪法,EMD小波去噪3种方法进行了比较,并通过实例分析得出:3种方法均可滤除噪声,但效果各不相同;EMD对信号分解具有良好的自适应性,但在滤除噪声时可能因为模态混叠的原因造成过滤不完全,各分量中可能均含有一定量的噪声;小波滤波噪声效果和小波基、阈值函数及分解层数选择有关,具有主观性;对于EMD小波混合去噪方法,提出先用EMD自适应方法进行分解,分解出噪声主导分量和信号主导分量;对于高频噪声主导分量,可能含有少量有用信号,故须再用小波阈值法过滤出有用信号;而对于信号主导分量,再用小波滤除多余噪声,最后进行逆变换得到重构后的信号。实例表明EMD小波混合去噪方法能很好地去除噪声,是一种高效的去噪方法。     

基于小波系数相关性的图像去噪

本文提出了一种基于小波系数相关性的图像去噪方法。针对自适应去噪方法平滑掉实际信号的不足,利用小波分解系数近指数的衰减特性及同一尺度上各信号分量的相关性分析,对每个小波系数设置不同的阈值,区别对待信号的低频和高频系数,最后重构小波。实验结果表明,从视觉和峰值信噪比(PSNR)上,本文使用的方法优越于全局阈值法。     

单通道时变ICA算法及其在大坝变形分析中的应用

EEMD-ICA算法具有良好的单通道分离性能,但其使用的Fast ICA是一类离线批处理算法,没有时变处理能力。因此,本文研究了在线盲源分离的单通道独立分量分析(ICA)算法——EASI算法,该算法可用于识别混合矩阵缓慢变化,提出了一种基于EEMD的单通道时变ICA算法,即基于EEMD的单通道EASI算法(EEMD-EASI),并将其应用于五强溪大坝位移监测数据的单通道时变ICA分离中。模拟试验表明,EEMD-EASI算法在单通道时不变和时变混合情况下都具有良好分离效果;而大坝变形分析实例进一步表明EEMD-ICA算法能够分离出温度效应位移分量及时效分量,从时变混合矩阵可以看出大坝蓄水几年后趋于稳定。     

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。     

相空间重构理论支持下的滑坡预测方法

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机(LSSVM)的预测法.利用Cao氏法确定嵌入维数,计算最佳延迟时间;在相空间中,利用LSSVM建立预测模型,以实例对滑坡进行计算,对LSSVM模型和BP神经网络模型进行了比较.结果表明:基于相空间重构和LSSVM的滑坡预测模型具有较高的精度,是科...