基于联合去噪方法的MEMS矢量水听器信号去噪

论文摘要

信号是信息的载体,在接收信号的过程中,往往会混入一些噪声,为了提高信噪比,人们根据信号和噪声的各种特征差异,研究出了许多去噪方法,应用于生活的方方面面。传统的去噪方法如傅里叶变换法对信号去噪有一定的效果,但不能处理非平稳和非线性的信号。经验模态方法和小波分析方法可以处理非平稳、非线性的信号。本文将研究经验模态去噪方法与改进小波去噪方法的联合去噪。首先介绍了傅里叶变换去噪,小波分析去噪基本原理,然后介绍了几种经验模态分解基本原理,最后介绍了联合去噪的几种方法。为了比较几种去噪方法的去噪效果,建立了2个去噪效果评价指标,即最小均方误差和信噪比。将单一去噪方法分别应用于仿真信号,得出经验模态去噪中MEEMD(集总平均经验模态分解)去噪效果优良。小波阈值去噪有利于提取细节信号,故二次去噪选用它进行。鉴于前面的结论,选用MEEMD(集总平均经验模态分解)分解方法和改进小波去噪方法联合去噪。在该方法中MEEMD(集总平均经验模态分解)方法将用于将染噪信号分解为多个固有模态函数。然后创新性的对固有模态函数和染噪信号作线性相关性分析,选出相关性较大的几个固有模态函数,观察所选固有模态函数的频谱图,将毛刺现象严重的固有模态函数做改进小波软阈值处理,得到新的固有模态函数。最后,重建新的固有模态函数和选出的无毛刺现象的固有模态函数得到去噪信号。将这种去噪方法与基于MEEMD(集总平均经验模态分解)分解方法的小波软阈值去噪方法和基于CEEMD(互补集合经验模态分解)分解方法的小波软阈值去噪方法进行仿真去噪对比,分别得出他们的两个性能指标和去噪效果图,结果表明MEEMD(集总平均经验模态分解)分解和改进小波去噪方法效果更好。最后,将该去噪方法应用于2014年中北大学实验室在汾河进行的实测数据,在实测数据中选取频率315Hz、630Hz的三路信号进行实验,其中每种信号截取1000个点。去噪信号和原始实测信号对比发现去噪信号的时频图比实测信号的时频图更为光滑,毛刺现象更少,所以该改进的去噪方法对实测信号的去噪效果很好。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景及立题意义
•   1.2 研究现状
•     1.2.1 小波分析方法研究现状
•     1.2.2 经验模态分解发展过程
•     1.2.3 矢量水听器的发展过程
•   1.3 论文的主要结构及内容
• 第二章 几种去噪方法原理
•   2.1 傅里叶变换
•     2.1.1 傅里叶变换分析
•     2.1.2 傅里叶变换去噪
•   2.2 小波变换
•     2.2.1 小波去噪
•     2.2.2 小波包去噪
•   2.3 EMD方法原理
•     2.3.1 EMD算法
•     2.3.2 EEMD算法
•     2.3.3 CEEMD算法
•     2.3.4 MEEMD算法
•   2.4 联合去噪
•     2.4.1 CEEMD和小波软阈值联合去噪
•     2.4.2 MEEMD和小波软阈值联合去噪
•     2.4.3 MEEMD和改进小波阈值联合去噪
•   2.5 本章小结
• 第三章 各种分解方法对仿真数据进行去噪
•   3.1 傅里叶变换仿真数据去噪
•   3.2 小波软阈值仿真数据去噪
•   3.3 小波包仿真数据去噪
•   3.4 经验模态分解仿真数据去噪
•     3.4.1 CEEMD仿真数据去噪
•     3.4.2 MEEMD仿真数据去噪
•   3.5 联合去噪仿真
•     3.5.1 基于CEEMD的小波软阈值去噪仿真
•     3.5.2 基于MEEMD的小波软阈值仿真数据去噪
•     3.5.3 基于MEEMD的改进小波软阈值仿真去噪
•   3.6 本章小结
• 第四章 基于MEEMD的改进小波阈值去噪方法对实测数据进行去噪
•   4.1 实测方法
•   4.2 本章小结
• 第五章 总结与展望
•   5.1 论文研究的内容总结
•   5.2 论文展望
• 参考文献
• 攻读硕士期间发表的论文及所取得的研究成果
•   发表论文
•   研究项目
• 致谢

文章来源

类型: 硕士论文

作者: 李薇

导师: 白艳萍

关键词: 经验模态去噪,改进小波阈值去噪,联合去噪,线性相关性,去噪评价指标

来源: 中北大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 物理学,工业通用技术及设备,电信技术

单位: 中北大学

基金: 国家自然科学基金“基于MEMS矢量水听器的水下目标信息处理和数据融合方法研究”(61774137),山西省回国留学人员科研资助项目“基于MEMS矢量水听器阵列的空间谱估计理论,算法及应用研究”(2016-088),山西省自然科学基金项目“基于大数据与机器学习的复杂场景SAR目标识别及定位研究”(201801D121026)

分类号: TB565.1;TN911.4

总页数: 57

文件大小: 4106K

下载量: 81