[发明专利]一种基于小波理论和EEMD的微弱信号的去噪方法

说明书

技术领域

本发明涉及一种基于小波理论和EEMD的微弱信号的去噪方法，属于信号去噪领域。

技术背景

在现代信息化战争中，非合作目标的电磁特性越来越具有低可探测性，目标辐射的电磁信号被淹没在噪声中，信号功率远远低于噪声功率，形成了微弱信号，难以被感知获取。本设计针对信噪比较低的分段信号研究去噪方法，这将对截获信号后的检测识别具有重要意义。

在信号去噪领域，许多学者在应用小波方法去噪方面做了大量工作。其原因在于，首先小波理论具备良好的时频特性，另外小波去噪方法还具有去相关性，选基灵活性等特性。具体操作中，经过分解，小波系数处理和重构三部分，即可得到比较好的去噪效果。但是在信噪比极低的情况下，普通的小波去噪几乎没有效果，体现在：信噪改善比几乎为零，均方根误差很大。这对于信号去噪没有意义。因此考虑探索新的去噪途径。经验模式分解(Empirical Mode Decomposition,EMD)方法是近年来引起学者广泛注意的一种信号处理方法，它能将复杂信号分解成一些典型的经验模式信号，而且对噪声十分敏感，便于后续的研究。但是，EMD算法存在几点不足其本身不能克服，如模态混叠问题，这将使分解后的信号出现严重失真，针对这个问题，我们采用基于将小波理论应用到集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)的方法对信噪比较低的分段信号进行去噪处理。

发明内容

本发明是为了解决现有的常规去噪方法在处理微弱信号时，对于信噪比改善效果不良的问题，而提出一种基于小波理论和EEMD的微弱信号去噪方法。

一种基于小波理论和EEMD的微弱信号去噪方法，所述方法包括：

步骤一、获取原始信号并对其进行EEMD分解，得到本征模态函数集合，通过所述本征模态函数集合中每个本征模态函数的能量关系确定用于重构的本征模态函数，其中EEMD为集合经验模式分解；

步骤二、对每个用于重构的本征模态函数中每两个过零点之间的极值绝对值与阈值比较并做剔除噪声处理；

步骤三、通过随机改变第一个本征模态函数的采样位置，得到原始信号不同带噪形式，分别对每种所述带噪形式做步骤二的处理，得到重构后的信号；

步骤四、对所述重构后得到的信号取平均，得到去噪后的信号。

本发明的有益效果为：

本发明充分利用了小波理论和EEMD方法结合的灵活性，通过对待处理的带噪信号经过EEMD分解之后得到的各个本征模态函数的能量关系研究，选出用于重构的本征模态函数。将小波理论的阈值去噪思想应用到这些本征模态函数中。确定每个本征模态中所有零交叉点位置，将两个相邻零交叉点定义为间隙，在每个间隙中进行相应阈值处理。对原始信号中第一个本征模态函数采样位置随机变化产生新的信号，对新信号重复上述阈值去噪操作，最后将所有经过阈值处理后的本征模态函数重构，从而得到去噪后的信号。这种去噪方法可以自适应地结合不同信号的特点，有针对性地去噪处理，经过实验对目标微弱信号的信噪改善比大于15dB，均方根误差较小。

附图说明：

图1为本发明的流程图；

图2(a)-图2(c)为直接应用EEMD分解重构去噪和间歇去噪、迭代去噪后得到的效果对比的实施例的示意图；

图3为迭代去噪处理后去噪后信噪比随原始信噪比的关系的示意图；

图4为带噪声的信号分解后的IMF与纯噪声信号分解后的IMF对比的示意图。

具体实施方式

具体实施方式一：

本实施方式的一种基于小波理论和EEMD的微弱信号的去噪方法，所述方法包括目标信号建模分解预处理和去噪处理两个部分，具体通过以下步骤实现：

步骤一、获取原始信号并对其进行EEMD分解，得到本征模态函数集合，通过所述本征模态函数集合中每个本征模态函数的能量关系确定用于重构的本征模态函数，其中EEMD为集合经验模式分解；

需要说明的是，因为本发明属于小波去噪领域，因此本发明所述的原始信号也是属于小波去噪领域能够处理的信号。

另外，本发明中提到的“微弱信号”含义是确定的，本领域内“微弱信号检测”属于常用技术术语，其含义是“对淹没在背景噪声中微弱信号的测量”，即微弱信号可以是信噪比较低，以至于易被淹没在背景噪声中的信号。因此在具体的实际应用中，判断原始是否是微弱信号可以将原始信号与背景噪声进行对比，依据具体实际情况进行判断。