[发明专利]基于改进EEMD与PCNN的气体泄漏信号降噪方法

说明书

本发明公开了一种基于改进EEMD与PCNN的气体泄漏声波信号降噪方法，属于信号处理与计算机仿真应用领域。借助EEMD方法对非平稳非线性信号独具的分解优势，将采样信号分解成若干阶IMF分量。随后利用改进PCNN模型的神经网络信号传递方式，进一步对各噪声分量进行降噪。最后将降噪分量重组信号。相对于传统降噪算法，本发明方法克服了模态混叠缺点，解决了阈值难选的缺陷，处理信号信噪比更高而均方根误差更小，具有降噪能力强、有效信号保留能力强、传统方法弊端小的优点。

技术领域

本发明属于一维信号处理领域，应用于气体泄漏声波信号的预处理，尤其涉及一种 基于改进EEMD与PCNN的气体泄漏信号降噪方法。

背景技术

有毒有害、易燃易爆等气体是化工企业生产运输中最大的安全隐患，对危化气体实 施有效监测是减少重大灾难事件发生的主要手段之一。对气体泄漏及时进行修补的前提 是根据采集信号特征判断出事故的发生，因此研究具有鲁棒性和可靠性的信号降噪算法 对监测与补救危化气体泄漏事故极具有意义。

气体泄漏信号产生的主频信号约为20Hz，气体泄漏信号噪声的主要来源包括机械噪声和环境噪声。超声波信号不同于周围噪声，但在环境中为了有效地监测到准确的气 体泄漏信号，需对采集的声波信号进行降噪处理。

信号预处理对后续的信号特征提取与分析至关重要，为了研究气体泄漏信号降噪的 问题，近几年降噪算法不断推陈出新，如王云龙提出了小波半软阈值降噪的方法，其根据分解信号得到的信号相关系数制定各尺度的细节系数以及近似系数，减小了小波软阈值函数与硬阈值函数在信号重构过程中出现的偏差；张杏莉提出了变分模态分解和小波能量熵结合的改进阈值函数降噪算法，对原始信号进行VMD分解后，以小波能量熵计 算各尺度层阈值来进行降噪，改善了阈值选定方法，提高了信号的信噪比；周建提出了 基于Shannon熵的自适应小波包阈值函数去噪算法，制定稀疏惩罚机制，避免了阈值选 择带来的难题，同时具有更好的去噪效果；靳柯提出了基于双线性回归的测序数据去噪 算法，在单细胞数据处理中卓有成效。于是，考虑提出一种模型新颖的降噪方法，对危 化气体泄漏信号降噪提供新思路。

发明内容

发明目的：针对目前传统信号降噪算法在阈值选取方面的限制问题，本发明提出一 种基于改进的集成经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)与脉冲耦合神经网络(PCNN,Pulse Coupled Neural Network)的气体泄漏信号降噪方法， 将信号进行集成经验模态分解后经过PCNN模型降噪，利用神经元自动传递的机制来克 服传统降噪算法阈值选取时的障碍，有效地剔除气体泄漏信号中包含的各种噪声，提高 信号的信噪比，并降低其均方根误差，为信号去噪提供了新思路。该方法适用于非平稳 非线性信号噪声的去除。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于改进EEMD与PCNN的气体泄漏信号降噪方法，包括以下步骤：

步骤1，采集原始气体泄漏信号，构建样本信号，对样本信号进行集成经验模态分解EEMD，得到若干个IMF分量，求取各IMF分量与原信号的相关系数；所述相关系 数是指描述分解后各阶分量与原信号的关联程度的系数；

步骤2，判断各IMF分量是否为噪声分量，对判定为噪声分量的IMF分量执行步骤 3进一步降噪，保留未被判定为噪声分量的IMF分量等待信号重构；

步骤3，根据各IMF分量与原信号的相关系数，调整PCNN模型的内部活动项与神 经元衰减系数，并分别对各IMF分量进行PCNN降噪；

步骤4，将经过PCNN降噪后的IMF分量与步骤2中未被判定为噪声分量的IMF 分量共同进行信号重构，完成对原始信号的降噪。

进一步的，所述步骤1，构建样本信号及EEMD分解，方法如下：