[发明专利]基于PCA和EMD的传感器网络感知信息去噪处理方法

说明书

技术领域

本发明涉及去除噪声的处理方法，具体地指一种基于PCA和EMD的传感器网络感知信息去噪处理方法。

背景技术

无线传感器网络能够协作地实时监测、感知和处理监测区域的信息，并把这些信息传送给用户。由于受到监测环境的影响，感知信息中会含有大量的噪声，这些噪声如不剔除，会导致无法对监测信息进行准确地分析，严重影响到后续处理的正确性。因此，如何对被噪声污染的感知信息进行有效的去噪以获得更准确的传感器测量值，是一个亟待解决的问题。

小波分析具有良好的时频分析特性，在信号去噪中得到了广泛的应用，但在应用小波变换对信号去噪时，需要预先选定小波基和分解的层数。已有的研究表明，相同条件下选用不同的小波基和分解层数，对去噪结果影响很大，特别是小波基函数的选择，对去噪结果有决定性的影响，这给利用小波进行信号去噪带来了很大的不便。

EMD(Empirical mode decomposition)，即经验模态分解，在一定程度上克服了小波变换的不足，它是Huang等人提出的一种完全数据驱动的自适应分解算法，可以把数据分解成具有物理意义的一组内蕴模态函数(Intrinsic mode function,IMF)分量。与小波变换相比，EMD中的基函数和分解层次不需要事先给定，而是根据信号特性通过迭代的方式自适应地获取，基底和分解层次会随信号的不同而改变。目前已有的基于EMD的信号去噪算法主要分为三大类：第一类是部分重构去噪法，该类方法中通过一定的规则选出部分高频IMF，把选出的高频IMF当作纯噪声直接去除，然后累加剩余的IMF以实现去噪；第二类是直接阈值去噪法，该类方法中将基于小波变换的软/硬值滤波思想直接用于EMD中，对IMF系数采用阈值去噪的方法进行处理，对处理后的各层IMF进行累加以实现去噪；第三类是基于模态单元的阈值去噪法，该类方法中考虑到EMD分解的特性，将IMF中两个过零点间的模态单元作为基本分析对象，用模态单元振幅作为阈值处理特征，以模态单元为单位对IMF进行阈值处理以实现去噪。

上述算法均为EMD去噪提供了很好的思路，取得了较好的去噪效果，但仍存在一些问题。如：在部分重构去噪法中，将选出的高频IMF作为噪声直接去除而对剩余的IMF直接累加，导致去噪后信号细节信息丢失较多且噪声不能完全去除；在直接阈值去噪法中，没有考虑EMD分解的固有特性，去噪时破坏了模态单元的完整性，影响了去噪的效果；在基于模态单元的阈值去噪法中，兼顾了EMD的分解特性，去噪时没有破坏IMF中固有振荡的完整性，提高了噪声去除能力和信号细节保持能力，与另外两种方法相比，取得了更好的去噪效果。但在基于模态单元的阈值去噪法中，仍然有两个问题难以解决：一是模态单元的阈值确定是个难题，现有算法中常采用小波阈值或根据经验选择阈值，没有完善的阈值选择标准；二是算法中将极值小于阈值的模态单元直接去除，而极值大于阈值的模态单元直接保留。但噪声是分布在整个IMF中的，因此对小阈值模态单元直接去除，会导致部分信号信息被丢失；而对大阈值模态单元中所有点都不加以处理直接保留，会导致噪声不能被完整去除。

发明内容

本发明目的在于克服上述现有技术的不足而提供一种基于PCA（Principal component analysis，基于主成分分析）和EMD的传感器网络感知信息去噪处理方法，该方法能够进一步提高EMD的去噪能力，有效地消除感知信息中的噪声。

实现本发明目的采用的技术方案是：一种基于PCA和EMD的传感器网络感知信息去噪处理方法，包括以下步骤：

对感知信号x(t)进行EMD分解，将x(t)分解为K个表征时间尺度的IMF分量imf_k(t)和余项r_K，其中(k＝1,2,...,K)；

利用“3σ法则”，提取imf₁中的信号细节信息imf₁^d；

计算所含噪声的能量W[1]，再根据W[1]计算imf_k(t)(k≥2)中所含噪声的能量W[k]；

对imf_k(t)进行PCA分解，并根据imf_k(t)中所含噪声能量的比例，选择合适个数的前H个主分量进行重构去噪，得到去噪后的信号细节信息

累加全部去噪后的信号细节信息和余项r_K，得到去噪后的信号

在上述技术方案中，所述感知信号x(t)通过下式进行EMD分解：