[发明专利]一种基于集合经验模态分解的盲源信号去噪方法

摘要

一种基于集合经验模态分解的盲源信号去噪方法，属于信号处理技术领域。本发明修正了原算法中对白噪声幅值和迭代次数的定义。采用经典的逐步回归分析方法对IEEMD分解之后得到的IMF分量进行虚假分量的判别，本发明不仅有效的保留原始信号的特点，而且去除了IEEMD算法产生的虚假分量，消除了虚假分量对后续去噪算法的干扰。最后为解决ICA算法在处理高频信号时偶尔出现的不收敛现象，提出高阶的TFast ICA方法，并结合IEEMD和TFast ICA各自的特点，采用TFast ICA方法对IEEMD进行后端处理。本发明在去除机械振动噪声、语音信号噪声、水下瞬时噪声等信号处理领域具有广泛的应用前景。

主权项

一种基于集合经验模态分解的盲源信号去噪方法，其特征在于:首先修正原EEMD算法；其次将经过修正的EEMD算法分解得到的IMF通过逐步回归分析，剔除掉虚假分量；然后全体IMF通过ICA进行信号分离后重构；具体包括以下步骤：首先，通过枚举实验，即在多组不同的白噪声幅值的情况下进行信号分解，分别对实验结果进行对比分析，通过实际的实验结果修正原EEMD算法中对白噪声幅值和迭代次数的定义，即所加白噪声与待分解信号保持在15dB～20dB信噪比的幅值，其次将迭代次数修正为10次，修正后的EEMD算法简写为IEEMD；其次，含噪信号经过IEEMD分解后，先进行逐步回归分析，计算出各阶IMF分量的回归系数，根据逐步回归方法，选取系数趋近于1的IMF分量，剔除系数趋近于0的虚假分量；然后，采用三阶收敛的牛顿迭代法代替原ICA算法中采用的二阶局部收敛的牛顿迭代法，三阶收敛的牛顿迭代法简写为TFast ICA，假设第a阶IMF包含了主要的噪声信号，而第b阶IMF则包含了源信号，其中a、b为正整数，在a、b未知的前提下，取前2阶IMF进行独立分量分析，计算分析后的信号的信噪比，选取信噪比最低的分析结果作为重构源信号的第一个分量RIMF1；再取2、3阶IMF进行独立分量分析，得到第二个分量RIMF2；以此类推，最后利用RIMF重构信号；所述三阶收敛的牛顿迭代法中的类牛顿迭代公式如下：xn+1*=xn-f(xn)αf′(xn)xn+1=xn-f(xn)[1+α4]f′(xn)-α4f′(xn+1*)---(1)]]>其中α为不为零的常数，f(x)为连续函数，设c为f(x)＝0的根，参考牛顿迭代法得到c的第n+1次近似值其中：xn为c的第n次近似值，n为正整数，f(xn)为连续函数f(x)在x＝xn处的值，f′(xn)为连续函数f(x)在x＝xn处的一阶导数值，为连续函数f(x)在处的一阶导数值。