本发明涉及一种去噪方法,特别是一种局部超声阵列信号的高精度去噪方法。
背景技术:
电气设备局放超声阵列检测时往往存在噪声的影响,因此有必要对信号的去噪算法进行研究。现有的去噪算法主要分为两类,第一类为单个信号的去噪,如小波去噪、emd去噪等等,该类算法仅对单通道信号的去噪效果较好,当运用该方法对阵列信号进行去噪时会影响各个阵列信号之间的相位差,对后续阵列信号的处理上造成了重大影响;第二类为多通道阵列信号的去噪,该类方法虽然不会影响阵列信号的相位差,但是该类算法主要是基于盲源分离原理,限制条件比较多,且去噪效果不明显。
技术实现要素:
本发明所要解决的技术问题是提供一种局部超声阵列信号的高精度去噪方法,其对阵列信号去燥效果好。
为解决上述技术问题,本发明所采用的技术方案是:
一种局部超声阵列信号的高精度去噪方法,其特征在于包含以下步骤:
步骤一:运用快速独立分量fastica将多通道的阵列信号分离为统计的独立分量,对这些独立分量进行自相关分析,初步消除噪声的影响;
步骤二:运用集合经验模态分解算法eemd对每个通道的信号进行进一步去噪;
步骤三:对精去噪后的信号进行重组,得到高精度的去噪后的信号。
进一步地,所述快速独立分量fastica为
设局放源信号为s(t)=[s1(t),s2(t),…sn(t)]t,其由n个相互独立的局放信号组成,阵列传感器采集到的阵列信号表示如下式所示:
x(t)=as(t)+n(t)(1)
其中,t为时间变量,x(t)为m维传感器接收的n个阵列信号,即x(t)=[x1(t),x2(t),…xn(t)]t,a为m×n阶未知混合矩阵,n(t)为m维观测噪声向量;
运用观测到的阵列信号x(t),寻求分离矩阵w,从而得到源信号的估计信号y(t)。
进一步地,所述步骤一具体为
1.1首先对阵列信号x(t)进行预处理,预处理主要包含去均值和白化两个步骤,去均值使观测信号满足零均值,白化消除各个数据之间的相关性,使得各个分量尽可能独立;
采用下式去除样本的均值:
去均值后的阵列信号为x0(t),对去均值后的数据进行白化处理,即:
x′(t)=tx0(t)(3)
白化处理后的阵列信号为x′(t),t为线性变化矩阵;
1.2设置分离矩阵w的初始值;
1.3构建二次函数g1,g2,使得
式中a1=1.5,a2=2,对g1,g2进行求导,得到导函数为g1,g2;
1.4运用牛顿迭代法进行循环迭代,迭代式子为w←e(xg1(wtx′))-e(g2(wtx′))w,直到收敛为止;
1.5求分离后的阵列信号,即:y(t)=wtx(t)。
进一步地,所述集合经验模态分解算法eemd为
运用fastica去噪后得到的阵列信号,各个通道不具有相关性,对其运用单通道去噪算法去噪后不会影响阵列信号之间的相位差;
在yi(t)中加入不同的白噪声序列fi(t)后得到y’i(t),对y’i(t)进行经验模态分解,得到各阶固有模态函数分量(imf),此时
进一步地,所述步骤二具体为
2.1计算出y’i(t)的所有局部极值点;
2.2将所有的极大值点和极小值点构成的上下包络线分别记为u0i(t)和v0i(t);
2.3上下包络线的均值为
2.4判断h0i(t)是否满足极值点数目或过零点数目相等或最多相差一个,且由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零,若满足以上条件,则h0i(t)为固有模态分量,反之重复2.1~2.3步骤,直至找到第一个固有模态分量,记为c1(t);
2.5记r1(t)=yi′(t)-c1(t)为新的待分析的量,重复以上步骤得到第二个imf量,……以此类推得到n个imf量,最终剩下一个单调信号rn(t),因此单通道原始信号可以表示为:
本发明与现有技术相比,具有以下优点和效果:本发明将eemd分解与fastica相结合应用于局放超声阵列信号的去噪,解决了传统的emd分解只能对单个传感器、单通道信号去噪、fastica只能对阵列信号进行粗略去噪的弊端,避免了因现场噪声信号的干扰而造成的测向定位误差太大,从而提高了超声阵列信号去燥效果和测向定位精度。
附图说明
图1是本发明的一种局部超声阵列信号的高精度去燥方法的流程图。
图2是本发明的fastica分解机重构原理图。
图3是本发明的eemd分解流程图。
具体实施方式
下面通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
如图1所示,本发明的一种局部超声阵列信号的高精度去噪方法,包含以下步骤:
步骤一:运用快速独立分量fastica将多通道的阵列信号分离为统计的独立分量,对这些独立分量进行自相关分析,初步消除噪声的影响;
快速独立分量fastica为
设局放源信号为s(t)=[s1(t),s2(t),…sn(t)]t,其由n个相互独立的局放信号组成,阵列传感器采集到的阵列信号表示如下式所示:
x(t)=as(t)+n(t)(1)
其中,t为时间变量,x(t)为m维传感器接收的n个阵列信号,即x(t)=[x1(t),x2(t),…xn(t)]t,a为m×n阶未知混合矩阵,n(t)为m维观测噪声向量;
运用观测到的阵列信号x(t),寻求分离矩阵w,从而得到源信号的估计信号y(t)。
主要分为以下步骤:
1.1首先对阵列信号x(t)进行预处理,预处理主要包含去均值和白化两个步骤,去均值使观测信号满足零均值,白化消除各个数据之间的相关性,使得各个分量尽可能独立;
采用下式去除样本的均值:
去均值后的阵列信号为x0(t),对去均值后的数据进行白化处理,即:
x′(t)=tx0(t)(3)
白化处理后的阵列信号为x′(t),t为线性变化矩阵;
1.2设置分离矩阵w的初始值;
1.3构建二次函数g1,g2,使得
式中a1=1.5,a2=2,对g1,g2进行求导,得到导函数为g1,g2;
1.4运用牛顿迭代法进行循环迭代,迭代式子为w←e(xg1(wtx′))-e(g2(wtx′))w,直到收敛为止;
1.5求分离后的阵列信号,即:y(t)=wtx(t)。
步骤二:运用集合经验模态分解算法eemd对每个通道的信号进行进一步去噪;
集合经验模态分解算法eemd为
运用fastica去噪后得到的阵列信号,各个通道不具有相关性,对其运用单通道去噪算法去噪后不会影响阵列信号之间的相位差;
在yi(t)中加入不同的白噪声序列fi(t)后得到y’i(t),对y’i(t)进行经验模态分解,得到各阶固有模态函数分量(imf),此时
具体步骤如下:
2.1计算出y’i(t)的所有局部极值点;
2.2将所有的极大值点和极小值点构成的上下包络线分别记为u0i(t)和v0i(t);
2.3上下包络线的均值为
2.4判断h0i(t)是否满足极值点数目或过零点数目相等或最多相差一个,且由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零,若满足以上条件,则h0i(t)为固有模态分量,反之重复2.1~2.3步骤,直至找到第一个固有模态分量,记为c1(t);
2.5记r1(t)=yi′(t)-c1(t)为新的待分析的量,重复以上步骤得到第二个imf量,……以此类推得到n个imf量,最终剩下一个单调信号rn(t),因此单通道原始信号可以表示为:
步骤三:对精去噪后的信号进行重组,得到高精度的去噪后的信号。
本发明将eemd分解与fastica相结合应用于局放超声阵列信号的去噪,解决了传统的emd分解只能对单个传感器、单通道信号去噪、fastica只能对阵列信号进行粗略去噪的弊端,避免了因现场噪声信号的干扰而造成的测向定位误差太大,从而提高了超声阵列信号去燥效果和测向定位精度。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。