一种滤波去噪方法
【专利摘要】本发明实施例公开了一种滤波去噪方法，涉及用于空气动力学的实验和测试技术领域，能够在低信噪比场合下保持有效的去噪效果。本发明包括：采集背景噪声，获取所述背景噪声的噪声数据的概率分布规律，所述噪声数据的概率分布规律包括：所述噪声数据的偏离中心值的幅度和对应的概率，其中，按照分析精度的变化趋势将偏离度等分n个区间，所述对应的概率用于表示为噪声数据点落在各个区间内的概率值；根据所述噪声数据的概率分布规律，判定所述待处理信号中各数据点是否为噪声；对判定为噪声的数据点进行衰减，得到滤波去噪后的信号。本发明适用于高频测量的应用环境中信号采集分析。
【专利说明】
一种滤波去噪方法
技术领域
[0001] 本发明涉及用于空气动力学的实验和测试技术领域，尤其涉及一种滤波去噪方 法。
【背景技术】
[0002] 在许多进行高频测量的应用环境中，需要采用灵敏度较高的动态测量传感器，这 就不可避免的会引入噪声信号，而噪声信号与物理信号叠加后会极大的增加后期的数据处 理难度。
[0003] 例如:在高信噪比场合，有用信号能量明显高于噪声信号能量，采用传统的傅里叶 变换（例如图1，左边是样本全貌，右边是高频部分放大)及逆变换、小波变换的分解与重构 (例如图2、图3,左边是样本全貌，右边是高频部分放大），或基于自相关系数去噪等滤波方 法即可以有效去除噪声成分。但在一些需要进行高频测量的应用环境中，比如:在实验流体 力学中，通过动态压力传感器测得的壁面压力，往往噪声信号的能量大于有用物理信号的 能量或两者相当，且大部分压力等随机信号的数据呈现非平稳分布状态，此时传统的滤波 方案难以有效降低噪声影响，并且还容易去除有用的物理信号成分，极大地降低了后期的 分析处理的准确性。
【发明内容】
[0004] 本发明的实施例提供一种滤波去噪方法，能够在低信噪比场合下保持有效的去噪 效果，尽可能的保留了有用物理信息。为达到上述目的，本发明的实施例采用如下技术方 案：
[0005] 第一方面，本发明的实施例提供的方法，包括：
[0006] 采集的背景噪声，并获取所述背景噪声的噪声数据的概率分布规律，所述噪声数 据的概率分布规律包括:所述噪声数据的偏离中心值的幅度和对应的概率，其中，按照分析 精度的变化趋势将偏离度等分η个区间，所述对应的概率用于表示为噪声数据点落在各个 区间内的概率值；
[0007] 根据所述噪声数据的概率分布规律，判定所述待处理信号中各数据点是否为噪 声；
[0008] 对判定为噪声的数据点进行衰减，并得到滤波去噪后的信号。
[0009] 结合第一方面，在第一方面的第一种可能的实现方式中，所述获取所述背景噪声 的噪声数据的概率分布规律，包括：
[0010] 获取所述背景噪声的数据偏离中心值的幅度及对应的概率，并按照分析精度的变 化趋势将偏离度等分η个区间；
[0011]计算得到所述背景噪声的各数据点落在各个区间内的概率值，所述各数据点落在 各个区间内的概率值表示为噪声数据概率分布函数F(x)，其中，F表示概率值，X表示噪点偏 离中心值的程度；
[0012] 对噪声数据概率分布函数进行积分面积等分并确定分界点概率，并计算振幅能量 高点所占样本容量大小的比率。
[0013] 结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，还包括:对 所述振幅能量的高点的尖锐点峰值按进行光顺处理。
[0014] 结合第一方面或第一方面的第一种可能的实现方式，在第三种可能的实现方式 中，所述根据所述噪声数据的概率分布规律，判定所述待处理信号中各数据点是否为噪声， 包括：
[0015] 根据滤波器截止频率确定最小短周期序列，并得到最小短周期序列下的自协方差
Δ表示序列的尺度，Κχ( △)为该尺度下的方差函数，RX( △)为自相关函数，〇x为短序列标准 差，mx为短序列期望，Ν为短序列样本量，χ(η)为短序列原始数据按照预设的放大速率放大 短周期序列的区间宽度，并根据自相关阈值的限制确定最小稳定尺度；
[0016] 针对所述待处理信号的数据点，在所述最小稳定尺度内，根据偏离中心值的程度d 和概率F(d)进行衰减，其中，进行的衰减依据:z = [l_F⑷]>=1-(2+1尸，7为衰减率，5为 概率识别因子，J为幅值识别因子。
[0017]结合第一方面或第一方面的第一种可能的实现方式，在第三种可能的实现方式 中，在根据偏离中心值的程度d和概率F(d)进行衰减之前，还包括:按预设的精度对所述最 小稳定尺度内的数据点进行光顺处理。
[0018] 本发明实施例提供的去噪滤波的方法，能适用于高信噪比场合，又能在低信噪比 环境中有效去噪，同时不影响有用的物理信息，并尽可能保留有用物理信息的成分。相比较 基于傅里叶变换和小波变换的各种滤波器而言，去除的噪声更彻底，原有的物理信息几乎 没有改变，而且计算量相较于傅里叶变换和逆变换要小。
【附图说明】
[0019] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的 附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领 域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附 图。
[0020] 图1为现有技术采用傅里叶变换的巴特沃斯低通滤波器得到的去噪滤波数据；
[0021] 图2为现有技术采用D4小波经3次分解与重构得到的去噪滤波数据；
[0022]图3为现有技术采用D8小波经3次分解与重构得到的去噪滤波数据；
[0023] 图4为用于实施测试而构造的无噪理想函数；
[0024] 图5为基于工程背景实测的一段白噪声数据；
[0025] 图6为构造的无噪理想函数与工程实测白噪声叠加的样本数据；
[0026]图7为本发明实施例的流程图；
[0027] 图8为基于工程背景实测白噪声的概率分布函数图；
[0028] 图9为采用本发明实施例方法后得到的去噪滤波数据。
[0029] 图10为工程实例1实测数据使用本发明的去噪法去噪前后的对比图；
[0030] 图11为工程实例2实测数据使用本发明的去噪法去噪前后的对比图；
[0031] 其中，图1 -6、9-11中的横坐标time (s)为时间参数值，纵坐标P(Pa)为压力参数值
【具体实施方式】
[0032] 为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方 式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示 例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类 似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能 解释为对本发明的限制。
[0033]本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术 语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该 理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意 义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0034] 为达到上述目的，具体阐述实施方式，构造了一具体实施例，如图4至图6所示。其 中图4是构造的无噪理想函数f(x)，包含平直、低频、中频、高频、方波、锯齿波、阶跃、周期短 脉冲等多种物理特征，图4左边为函数全貌，右边是高频部分；图5是基于一工程背景中实测 的一组纯噪声数据r(n)，即空采噪声数据，采样频率10000Hz，图5左边为样本全貌数据，右 边为高频放大图；将构造的理想函数与实测的白噪声叠加并用10000Hz采样6.5s得到如图6 所示样本数据，图6采样频率10000Hz，左边为样本全貌数据，右边为高频放大图；可见该样 本数据信噪比较低，有利于凸显本发明方法优势。具体而言，本发明的实施例采用如下技术 方案：
[0035] 第一方面，本发明的实施例提供的方法，如图7所示，包括：
[0036] S1、采集的背景噪声，并获取所述背景噪声的噪声数据的概率分布规律，所述噪声 数据的概率分布规律包括:所述噪声数据的偏离中心值的幅度和对应的概率，其中，按照分 析精度的变化趋势将偏离度等分η个区间，所述对应的概率用于表示为噪声数据点落在各 个区间内的概率值；
[0037] S2、根据所述噪声数据的概率分布规律，判定所述待处理信号中各数据点是否为 噪声；
[0038] S3、对判定为噪声的数据点进行衰减，并得到滤波去噪后的信号。
[0039] 在本实施例中，所述获取所述背景噪声的噪声数据的概率分布规律，包括：
[0040] 获取所述背景噪声的数据偏离中心值的幅度及对应的概率，并按照分析精度的变 化趋势将偏离度等分η个区间；
[0041]计算得到所述背景噪声的各数据点落在各个区间内的概率值，所述各数据点落在 各个区间内的概率值表示为噪声数据概率分布函数F(x)，参见图8,其中，F表示概率值，X表 示噪点偏离中心值的程度；
[0042] 对噪声数据概率分布函数进行积分面积等分并确定分界点概率，并计算振幅能量 高点所占样本容量大小的比率。
[0043] 结合图8,其中： 式中G(y)是F(x)的反 f 函数，令a = b解出xO与F(xO)，以此作为分界点，计算出振幅能量较高点所占总样本容量的 比率。
[0044] 在本实施例中，还包括:对所述振幅能量的高点的尖锐点峰值按进行光顺处理。
[0045] 在本实施例中，所述根据所述噪声数据的概率分布规律，判定所述待处理信号中 各数据点是否为噪声，包括：
[0046] 根据滤波器截止频率确定最小短周期序列，并得到最小短周期序列下的自协方差
Δ表示序列的尺度，Κχ( △)为该尺度下的方差函数，RX( △)为自相关函数，〇x为短序列标准 差，mx为短序列期望，Ν为短序列样本量，χ(η)为短序列原始数据；
[0047] 按照预设的放大速率放大短周期序列的区间宽度，并根据自相关阈值的限制确定 最小稳定尺度；
[0048] 针对所述待处理信号的数据点，在所述最小稳定尺度内，根据偏离中心值的程度d 和概率F(d)进行衰减，其中，进行的衰减依据:z = [l_F⑷]>=1-(2+1尸，7为衰减率，5为 概率识别因子，J为幅值识别因子。
[0049] 结合第一方面或第一方面的第一种可能的实现方式，在第三种可能的实现方式 中，在根据偏离中心值的程度d和概率F(d)进行衰减之前，还包括:按预设的精度对所述最 小稳定尺度内的数据点进行光顺处理。
[0050] 图9是采用本发明实施例方法后得到的去噪滤波数据，左边是样本全貌，右边是高 频部分放大图；将本发明实施例应用于工程实例，得到的效果如图10和图11所示可以看出， 采用本发明实施例提供的去噪滤波的方法，能适用于高信噪比场合，又能在低信噪比环境 中有效去噪，同时不影响有用的物理信息，并尽可能保留有用物理信息的成分。相比较基于 傅里叶变换和小波变换的各种滤波器而言，去除的噪声更彻底，原有的物理信息几乎没有 改变，而且计算量相较于傅里叶变换和逆变换要小。
[0051] 以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应 涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
【主权项】
1. 一种滤波去噪方法，其特征在于，包括： 采集背景噪声，获取所述背景噪声的噪声数据的概率分布规律，所述噪声数据的概率 分布规律包括:所述噪声数据的偏离中屯、值的幅度和对应的概率，其中，按照分析精度的变 化趋势将偏离度等分η个区间，所述对应的概率用于表示为噪声数据点落在各个区间内的 概率值； 根据所述噪声数据的概率分布规律，判定所述待处理信号中各数据点是否为噪声； 对判定为噪声的数据点进行衰减，得到滤波去噪后的信号。2. 根据权利要求1所述的方法，其特征在于，所述获取所述背景噪声的噪声数据的概率 分布规律，包括： 获取所述背景噪声的数据偏离中屯、值的幅度及对应的概率，并按照分析精度的变化趋 势将偏离度等分η个区间； 计算得到所述背景噪声的各数据点落在各个区间内的概率值，所述各数据点落在各个 区间内的概率值表示为噪声数据概率分布函数F(x)，其中，F表示概率值，X表示噪点偏离中 屯、值的程度； 对噪声数据概率分布函数进行积分面积等分并确定分界点概率，并计算振幅能量高点 所占样本容量大小的比率。3. 根据权利要求2所述的方法，其特征在于，还包括:对所述振幅能量的高点的尖锐点 峰值按进行光顺处理。4. 根据权利要求1-3中任意一项所述的方法，其特征在于，所述根据所述噪声数据的概 率分布规律，判定所述待处理信号中各数据点是否为噪声，包括： 根据滤波器截止频率确定最小短周期序列，并得到最小短周期序列下的自协方差函数Δ表示序列的尺度，Κχ(Δ)为该尺度下的方差函数，Rx(A)为自相关函数，σχ为短序列标准 差，mx为短序列期望，Ν为短序列样本量，χ(η)为短序列原始数据。按照预设的放大速率放大 短周期序列的区间宽度，并根据自相关阔值的限制确定最小稳定尺度； 针对所述待处理信号的数据点，在所述最小稳定尺度内，根据偏离中屯、值的程度d和概 率F(d)进行衰减，其中，进行的衰减依据:z = [l-F(d)]s，y = l-(z+lパ，y为衰减率，S为概率 识别因子，J为幅值识别因子。5. 根据权利要求4所述的方法，其特征在于，在根据偏离中屯、值的程度d和概率F(d)进 行衰减之前，还包括:按预设的精度对所述最小稳定尺度内的数据点进行光顺处理。
【文档编号】G01M9/00GK106092492SQ201610381798
【公开日】2016年11月9日
【申请日】2016年6月1日 公开号201610381798.8, CN 106092492 A, CN 106092492A, CN 201610381798, CN-A-106092492, CN106092492 A, CN106092492A, CN201610381798, CN201610381798.8
【发明人】王成鹏, 薛龙生, 程克明, 程川, 赵俊淇, 焦运, 马天佶, 徐培
【申请人】南京航空航天大学