[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

技術領域

本發明屬于信號處理技術領域，特別是涉及一種基于集合經驗模態分解的盲源信號去噪方法，應用于檢測并去除機械振動噪聲、語音信號噪聲、水下瞬時噪聲等信號處理領域。

背景技術

目前對非平穩、非線性信號的去噪方法主要是基于短時傅葉變換和小波分解。EMD分解方法是美國航空航天署(NASA)戈達德空間飛行中心的Norden E.Huang(黃鍔)博士及其同事，在上世紀九十年代末提出的一個嶄新的對非線性、非平穩信號的處理方法。與小波分解不同，EMD分解無需先驗知識，可以通過將復雜信號中的不同尺度的波動自適應的逐級分解為有限個固有模態函數(Intrinsic Mode Function,IMF)，得到信號能量和頻率在各尺度上的分布規律，以及能量在時頻平面上的分布。然而，EMD分解方法在信號去噪領域的應用尚未成熟，主要存在著模態混疊、虛假分量和在低信噪比情況下語音分量的二次去噪等問題。

逐步回歸分析是多元統計分析中最常用的一種方法，它的主要思路是在供選擇的p個自變量中，依各自變量對因變量作用的大小，即偏回歸平方和的大小，由大到小把自變量依次逐個引入。每引入一個變量，就對它進行假設檢驗。當符合檢驗條件時，將該自變量引入回歸方程。新變量引入回歸方程后，對方程中原有的自變量也要進行假設檢驗，并把貢獻最小且退化為不顯著的自變量逐個剔出方程。因此逐步回歸每一步(引入一個自變量或剔除一個自變量)前后都要進行假設檢驗，直至既沒有自變量能夠進入方程，也沒有自變量從方程中剔除為止。回歸結束，最后所得方程即為所求得的“最優”回歸方程。

獨立分量分析(Independent Component Analysis,ICA)是由盲源分離技術發展而來的一種多維信號處理方法，是基于時序的、統計的獨立分量分離方法，在源信號獨立或者近似獨立的情況下都能保持源信號分量的完整性，ICA算法在冗余消除和降噪方面的優越性，目前已經成功應用于通信信號處理、醫學信號處理和語音信號去噪等領域。獨立分量分析可以看作是主分量分析的一種擴展，它將數據變換到相互獨立的方向上，使經過變換所得到的各個分量之間不僅正交，而且相互獨立。Hyvarinen提出了一種基于負熵的快速不動點算法，簡稱Fast ICA算法，Fast ICA定點學習算法利用了牛頓迭代法的原理。牛頓迭代法是一種具有二階局部收斂特性的最優化方法，特別當目標函數是二次凸函數時，運用牛頓迭代法經一次迭代就能達到極小點。然而，該算法對初始值的選取比較敏感，當初始點遠離極小點時，牛頓法可能不收斂，原因在于牛頓迭代的方向不一定是下降方向，經過迭代，目標函數值可能不收斂。

發明內容

針對上述存在的技術問題，本發明提供一種基于集合經驗模態分解的盲源信號去噪方法。

本發明采用的技術方案如下：

本發明一種基于集合經驗模態分解的盲源信號去噪方法，首先修正原EEMD算法；其次將經過修正的EEMD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，以最大限度的增強信號，消除噪聲；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方法簡寫為IEEMD；

其次，含噪信號經過IEEMD分解后，首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，在a,b未知的前提下，取前2階IMF進行獨立分量分析，選取最優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。

進一步地，所述原EEMD算法中對白噪聲幅值和迭代次數的修正，包括如下步驟：