[发明专利]基于复合评价指标和小波熵的小波阈值去噪参数选取方法

说明书

本发明的目的在于提供基于复合评价指标和小波熵的小波阈值去噪参数选取方法，包括以下步骤：获取备用小波基，小波去噪处理，复合评价指标计算，将每个小波基不同分解层数的两种传统评价指标组成的数据集分别进行归一化处理，每个小波基各得到一组复合评价指标，确定最佳分解层数，使用同类小波基对含噪信号进行逐层小波分解至最佳分解层数，通过计算低频系数的小波熵确定每一层分解的最优小波基，比较复合评价指标确定多类小波基中的最优去噪方案。本发明通过构建复合评价指标确定最佳分解层数，计算低频系数小波熵确定每一层分解的最优小波基的方式，在尽可能减小计算量的前提下解决了小波去噪中小波基和分解层数两种去噪参数的优选问题。

技术领域

本发明涉及的是一种去噪方法，具体地说是小波阈值去噪方法。

背景技术

观测数据受多方面因素影响总是掺杂着大量的噪声信息，这对于信号特征的提取和识别带来了困难，因此作为信号处理领域的经典问题之一的信号去噪就显得尤为重要。传统的去噪方法主要包括线性滤波和非线性滤波，其不足之处在于使信号变换后的熵增高、无法刻画信号的非平稳性且无法得到信号的相关性。目前在工程实际应用中，对于真值未知的非稳态信号，去噪方法主要有小波去噪、卡尔曼滤波去噪、粒子滤波去噪和曲线阈值去噪等等。而基于小波理论的小波去噪算法模型简单，几乎不需要含噪信号的任何先验信息，且小波变换具备良好的时频特性，在去噪领域中也受到了许多学者的重视，并应用小波去噪获得了非常好的效果。

小波阈值去噪是一种实现简单、效果较好的小波去噪方法。阈值去噪方法的思想是预先设置一个临界值λ，该值即为阈值。对小波变换后得到的小波分解系数与该阈值进行比较，若小波系数小于该临界值，则认为该系数主要由噪声引起的，需要去除这部分系数；若小波系数大于该临界值，则可以认为该处系数是由信号引起的，需要保留，最后对处理后的小波系数进行小波重构计算，得到去噪后的信号。

在小波阈值去噪中，小波基和分解层数的选取直接影响信号的去噪效果，实际工程应用中需要面对的一大难题就是如何根据不同信号特征从种类繁多的小波基中优选出最优小波基，并确定出最佳的分解尺度。而目前小波参数的选择没有一套统一的体系。已有的研究一般都只是考虑其中一个参数对去噪效果的影响，现有的多种参数的优选方法只是单纯的将所有传统评价指标进行线性加权，并未考虑这些指标本身的物理意义且未考虑信号长度和滤波器长度对最大分解层数的影响，存在计算量大、计算结果可靠性不高等问题。因此为了达到最佳的小波去噪效果，需对现有算法进行一定改进以满足工程应用中对信号去噪处理的要求。

申请公布号CN110598171A，申请公布日2019年12月20日，名称为《基于Shannon熵-能量比的小波神经网络卫星钟差预报方法》的专利，该发明的目的是提出一种基于Shannon熵-能量比的小波神经网络钟差预报模型。该发明可以提高小波神经网络预报卫星钟差的精度，不但可以提高小波神经网络模型预报的精度，而且使小波神经网络模型本身还具有更好的抗差性，为小波神经网络模型在钟差预报中如何选择合适的小波函数提供了一种可靠的评价指标。但是该方法并未涉及最佳分解层数的选取，而且在小波基的优选中计算的是所有小波系数的小波熵，计算量偏大。