一种基于白噪声分解特征的emd降噪方法.doc

文档介绍：一种基于白噪声分解特征的 EMD 降噪方法薛志宏 1 李广云 1周蓉2 ( 1. 信息工程大学测绘学院,河南郑州市陇海中路 66号 450052 ; 部队,江苏南京马群五棵松 46 号 210049 ) 摘要经验模态分解算法基于待分解数据本身, 避免了小波分解时选取合适小波基函数的困难, 具有自适应性。然而传统的经验模态分解降噪是一种强制降噪算法,容易将高频部分的有用信号与噪声一起滤除,从而造成信号失真。针对该问题,在分析白噪声 EMD 分解特性的基础上, 提出了一种 EEMD 阈值降噪法,利用四组具有不同频谱特征的仿真数据, 证明了该算法优于传统的 EMD 强制降噪法,在消除随机噪声的同时,能够有效保留信号中的高频细节分量,从而缓解了信号的失真。关键词经验模态分解;白噪声;降噪;阈值法 A Threshold De-noising Method Based On the Characteristics of White Noise posed by EMD Xue Zhihong1, Li Guangyun1, Zhou Rong2 ( 1. Instit ute of Surveying and Mapping, Information Engineering University, 66 Longhai Road, Zhengzhou, 450052, China 2. 73603 Group , Nanjing, 210049, China ) Abstract: The EMD method is adaptive, with the basis of the position based on and derived from the data, and free from the choice of wavelet base and the determination of the number of position order. An EEMD threshold de-noising method is put forward in this paper to alleviative the drawback of the original EEMD forced de-nosing method which causes distortion in high-ponent. With four type of simulated data with different spectrum, Original EEMD forced de-noising, EEMD threshold de-noising and several kinds of wavelet de-noising methods pared, and the results show that EEMD threshold de-noising method perform better than the forced method due to some significant details within high frequency band are reserved. Keywords: Empirical Mode position; White Noise; De-noising; Threshold Method. 1 引言由于受到观测条件中诸多因素的制约, 测量数据中不可避免地存在随机噪声的影响。噪声的存在必然影响数据处理和分析结果, 因此, 降噪是数据预处理阶段的一项重要任务。通常认为随机噪声是独立同分布的高斯白噪声,其频谱密度为常数, 而有用信号的频谱相对集中, 且一般情况下表现为低频部分。根据随机噪声与有用信号的不同频谱特征, 就可以采用各种时频分析方法进行信噪分离。小波分析具有多尺度和多分辨特性, 适用于非平稳信号, 是目前最为著名的一种降噪方法, 但是, 其降噪效果受到小波基函数、分解层数,阈值及收缩函数的选取的制约[1-4] 。 N orden E. Huang 于 1998 年提出了经验模态分解( Empirical Mode position : EMD ) 方法[5] , 该方法被证明具有类似小波分解的多尺度特性, 降噪效果与小波方法相当,但 EMD 方法是基于待分解数据本身的, 从数据的局部极值特征出发对数据进行分解, 克服了小波分析中要选取合适小波基的困难, 使该方法具有良好的自适应性。随后, Wu and Huang 针对 EMD 方法存在的模态混叠问题,进一步发展出了集合平均经验模态分解( Ensemble Empirical Mode position : EEMD )方法[6