[發明專利]一種基于集合經驗模態分解的盲源信號去噪方法

有效

• 申請號: 201410683192.0
• 申請日: 2014-11-24
• 公開（公告）號: CN104375973B
• 公開（公告）日: 2017-10-03
• 發明（設計）人: 安冬;須穎;邵萌;戴敬;梁文峰;楊謝柳
• 申請（專利權）人: 沈陽建筑大學
• 主分類號: G06F17/00
• 分類號: G06F17/00
• 代理公司: 沈陽優普達知識產權代理事務所(特殊普通合伙)21234
• 代理人: 呂敏

1.一種基于集合經驗模態分解的盲源信號去噪方法，其特征在于:首先修正原EEMD算法；其次將經過修正的EEMD算法分解得到的IMF通過逐步回歸分析，剔除掉虛假分量；然后全體IMF通過ICA進行信號分離后重構；具體包括以下步驟：

首先，通過枚舉實驗，即在多組不同的白噪聲幅值的情況下進行信號分解，分別對實驗結果進行對比分析，通過實際的實驗結果修正原EEMD算法中對白噪聲幅值和迭代次數的定義，即所加白噪聲與待分解信號保持在15dB～20dB信噪比的幅值，其次將迭代次數修正為10次，修正后的EEMD算法簡寫為IEEMD；

其次，含噪信號經過IEEMD分解后，先進行逐步回歸分析，計算出各階IMF分量的回歸系數，根據逐步回歸方法，選取系數趨近于1的IMF分量，剔除系數趨近于0的虛假分量；

然后，采用三階收斂的牛頓迭代法代替原ICA算法中采用的二階局部收斂的牛頓迭代法，三階收斂的牛頓迭代法簡寫為TFast ICA，假設第a階IMF包含了主要的噪聲信號，而第b階IMF則包含了源信號，其中a、b為正整數，在a、b未知的前提下，取前2階IMF進行獨立分量分析，計算分析后的信號的信噪比，選取信噪比最低的分析結果作為重構源信號的第一個分量RIMF1；再取2、3階IMF進行獨立分量分析，得到第二個分量RIMF2；以此類推，最后利用RIMF重構信號；

所述三階收斂的牛頓迭代法中的類牛頓迭代公式如下：

xn+1*=xn-f(xn)αf′(xn)xn+1=xn-f(xn)[1+α4]f′(xn)-α4f′(xn+1*)---(1)]]>

其中α為不為零的常數，f(x)為連續函數，設c為f(x)＝0的根，參考牛頓迭代法得到c的第n+1次近似值其中：x_n為c的第n次近似值，n為正整數，f(x_n)為連續函數f(x)在x＝x_n處的值，f′(x_n)為連續函數f(x)在x＝x_n處的一階導數值，為連續函數f(x)在處的一階導數值。