信号的级联降噪方法、降噪系统、自适应滤波与流程

1.本发明属于信号处理技术领域，具体涉及一种信号的级联降噪方法、降噪系统、自适应滤波。


背景技术：

2.脑电是一种典型的生理弱信号。设备在采集脑电数据时，极易受到其它电子设备工频信号和环境噪声的影响，导致数据信噪比的下降，严重时数据可能完全失效。因此，在硬件条件和环境固定的前提下，降噪方法的优劣，成为决定脑电设备数据质量的关键因素。
3.因此，基于上述技术问题需要设计一种新的信号的级联降噪方法、降噪系统、自适应滤波。


技术实现要素：

4.本发明提供了一种信号的级联降噪方法、降噪系统、自适应滤波。
5.第一方面，本发明提供了一种信号的级联降噪方法，包括如下步骤：
6.步骤s1，预降噪；
7.步骤s2，根据预降噪结果选择相应的自适应滤波，以针对性滤除信号中的噪声；其中
8.所述自适应滤波的优化参数根据预降噪后的信号获取。
9.进一步，所述预降噪包括去除工频干扰、去除宽频噪声中的至少一种；其中
10.所述去除工频干扰包括：采用窄阻带频域滤波方式预滤除固定强噪声；以及
11.所述去除宽频噪声包括：采用低通滤波滤除高频噪声；
12.所述采用窄阻带频域滤波方式预滤除固定强噪声包括：
13.设置数字陷波器，即令系统函数h(z)在频率
±
ω0处的响应为零点；
14.离开频率
±
ω0后的响应迅速恢复到常数，即极点；
15.系统函数h(z)为
16.式中，z表示z-变换后系统函数的自变量，j表示虚数单位；所述数字陷波器为2阶iir滤波器，其系数分别为b＝[1,-2cosω0,1]，
[0017]
a＝[1,-2αcosω0,α2]，ω0为陷波频率，1-α为-3db的归一化阻带宽度。
[0018]
进一步，所述自适应滤波包括维纳滤波、rls自适应滤波、lms自适应滤波、卡尔曼滤波中的至少一种；
[0019]
所述预降噪结果为预降噪后的信号中是否含有平稳噪声和非平稳噪声；
[0020]
所述根据预降噪结果选择相应的自适应滤波包括：
[0021]
当预降噪后的信号中含有平稳噪声时，所述自适应滤波选择维纳滤波、rls自适应滤波中的至少一种；
[0022]
当预降噪后的信号中含有非平稳噪声时，所述自适应滤波选择lms自适应滤波、卡
尔曼滤波中的至少一种；
[0023]
当预降噪后的信号中同时含有平稳噪声和非平稳噪声时，所述自适应滤波选择lms自适应滤波、卡尔曼滤波中的至少一种。
[0024]
进一步，所述预降噪后的信号中是否含有平稳噪声和非平稳噪声的判定方法包括：计算噪声的统计特性；若统计特性随时间变化，则是非平稳噪声，否则是平稳噪声。
[0025]
进一步，所述维纳滤波的优化参数包括阶数；
[0026]
所述rls自适应滤波的优化参数包括步进、遗忘因子；
[0027]
所述lms自适应滤波的优化参数包括步进；
[0028]
所述卡尔曼滤波的优化参数包括协方差初值；
[0029]
当自适应滤波选择rls自适应滤波或lms自适应滤波时，所述步进根据预降噪后信号中正弦波的比重进行优化，即
[0030]
所述步进的大小与正弦波的比重值正相关；
[0031]
所述步进根据预降噪后信号中正弦波的比重进行优化包括：
[0032]
把离线信号的过零次数/秒的取值范围切分成若干子区间；
[0033]
把每个子区间进行优化得到对应的一组步进，形成步进表；
[0034]
根据实时信号获取的过零次数/秒与步进表对比，选取对应子区间的步进。
[0035]
进一步，所述lms自适应滤波包括：
[0036]
删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0037]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0038]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0039]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在随机梯度最大的方向进行逐点的迭代逼近：w(k+1)＝w(k)+2μ
·
e(k)y(k)，式中μ表示所述步进，e(k)＝x(k)-w
t
(k)y(k)，k＝0,1,
…
,k-1；
[0040]
完成lms自适应滤波针对性滤除信号中的噪声，即以逐点逼近误差[e(0),e(1),
…
,e(k-1)]作为滤波输出。
[0041]
进一步，所述rls自适应滤波包括：
[0042]
删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0043]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0044]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波wt(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0045]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步
进μ对加权矢量w朝着代价函数在整体梯度最大的方向进行逐点的迭代逼近，得到正弦波干扰信号：w(k+1)＝w(k)+2μ(r
yx-r
yy
w(k))，式中μ表示步进，r
yy
和r
yx
分别表示观测信号协方差矩阵和观测信号与目标信号的互相关矢量；
[0046]
完成rls自适应滤波针对性滤除信号中的噪声，即从已知实测信号中去除所述正弦波干扰信号，作为滤波输出。
[0047]
第二方面，本发明还提供一种运行上述的信号的级联降噪方法的信号降噪系统，包括：
[0048]
处理器模块；
[0049]
预降噪模块，对信号进行预降噪；以及
[0050]
自适应滤波模块，对预降噪后的信号针对性滤除信号中的噪声；
[0051]
所述处理器模块根据信号预降噪结果控制自适应滤波模块进行相应的自适应滤波并获取所述自适应滤波的优化参数。
[0052]
第三方面，本发明还提供一种用于信号降噪的lms自适应滤波，包括：
[0053]
删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0054]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0055]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波wt(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0056]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在随机梯度最大的方向进行逐点的迭代逼近：w(k+1)＝w(k)+2μ
·
e(k)y(k)，式中μ表示所述步进，e(k)＝x(k)-w
t
(k)y(k)，k＝0,1,
…
,k-1；
[0057]
完成lms自适应滤波针对性滤除信号中的噪声，即以逐点逼近误差[e(0),e(1),
…
,e(k-1)]作为滤波输出。
[0058]
第四方面，本发明还提供一种用于信号降噪的rls自适应滤波，包括：
[0059]
删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0060]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0061]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0062]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在整体梯度最大的方向进行逐点的迭代逼近，得到正弦波干扰信号：w(k+1)＝w(k)+2μ(r
yx-r
yy
w(k))，式中μ表示步进，r
yy
和r
yx
分别表示观测信号协方差矩阵和观测信号与目标信号的互相关矢量；
[0063]
完成rls自适应滤波针对性滤除信号中的噪声，即从已知实测信号中去除所述正
弦波干扰信号，作为滤波输出。
[0064]
本发明的有益效果是，本发明通过步骤s1，预降噪；步骤s2，根据预降噪结果选择相应的自适应滤波，以针对性滤除信号中的噪声；其中所述自适应滤波的优化参数根据预降噪后的信号获取，可提升相关产品与系统的抗工频干扰性能，也可以针对非工频干扰场景进行去噪。
[0065]
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0066]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0067]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
[0068]
图1是现有方法中陷波带宽选取示意图；
[0069]
图2是现有方法中普适性示意图；
[0070]
图3是本发明中信号的级联降噪方法的流程图；
[0071]
图4是本发明中工频干扰的逐级滤除示意图；
[0072]
图5是本发明中被工频污染的数据示意图；
[0073]
图6是本发明中对比方案1的处理结果示意图；
[0074]
图7是本发明中对比方案2的处理结果示意图；
[0075]
图8是本发明中方案的处理结果示意图；
[0076]
图9是本发明中固定滤波系数切换通道示意图。
具体实施方式
[0077]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0078]
如图1和图2所示，在现有方法中，频域滤波/陷波是目前最常用的降噪方法。但其存在频段重叠问题：当噪声和脑电的频段重叠时，降噪的同时必然损失有用信号。以下图1工频干扰为例，在设计陷波方案时，存在两个难题：1)陷波带宽选取：太宽易损失有用信号；太窄陷波性能差；2)普适性差：陷波系数提前预设且固定，不随被试、通道和环境进行自适应的调整，50hz陷波宽度6hz、100hz陷波宽度0.4hz：相同的陷波系数，通道7效果良好，通道1效果变差。为了解决上述提及的频段重叠和普适性差的问题，以维纳滤波为代表的时域自适应方法被用于脑电降噪。然而，该类方法要求较高的输入信噪比(降噪前的原始数据中，噪声能量明显小于目标信号)，这一点在实际应用中难以满足。
[0079]
实施例1
[0080]
如图3所示，本实施例1提供了一种信号的级联降噪方法，包括如下步骤：步骤s1，预降噪；步骤s2，根据预降噪结果选择相应的自适应滤波，以针对性滤除信号中的噪声；其中所述自适应滤波的优化参数根据预降噪后的信号获取；先采用固定、窄阻带的频域滤波预滤除环境中的固定强噪声(譬如50hz/60hz及其倍频的工频干扰)，随后采用时域自适应滤波对环境中的随机噪声进行更有针对性的滤除。其中，第一步的窄阻带滤波不损失有用信号，并且一定程度提升了数据的信噪比，为后续时域自适应滤波性能的发挥创造了有利前提。可提升相关产品与系统的抗工频干扰性能，也可以针对非工频干扰场景进行去噪。
[0081]
在本实施例中，在预降噪后可以直接进行根据预降噪结果选择相应的自适应滤波，以针对性滤除信号中的噪声，以及在预降噪后根据预降噪后过零次数/秒优化lms滤波的步进并以此进行时域自适应降噪，可以提高降噪的效果和精度。
[0082]
在本实施例中，所述预降噪包括去除工频干扰、去除宽频噪声中的至少一种；其中所述去除工频干扰包括：采用窄阻带频域滤波方式预滤除固定强噪声；以及所述去除宽频噪声包括：采用低通滤波滤除高频噪声；所述采用窄阻带频域滤波方式预滤除固定强噪声包括：设置数字陷波器，即令系统函数h(z)在频率
±
ω0处的响应为零点；离开频率
±
ω0后的响应迅速恢复到常数，即极点；
[0083]
系统函数h(z)为
[0084]
式中，z表示z-变换后系统函数的自变量，j表示虚数单位；根据其系统函数可知，所述数字陷波器为2阶iir滤波器，其系数分别为b＝[1,-2cosω0,1]，a＝[1,-2αcosω0,α2]，ω0为陷波频率，1-α为-3db的归一化阻带宽度。
[0085]
预降噪后的信号应该继续选择何种自适应滤波，从而降低算法实现的难度，目前还没有形成相应的理论基础。在本实施例中，以具体实践为基础，列举以下自适应滤波。所述自适应滤波包括维纳滤波、rls自适应滤波、lms自适应滤波、卡尔曼滤波中的至少一种；所述预降噪结果为预降噪后的信号中是否含有平稳噪声和非平稳噪声；所述根据预降噪结果选择相应的自适应滤波包括：当预降噪后的信号中含有平稳噪声时，所述自适应滤波选择维纳滤波、rls自适应滤波中的至少一种；当预降噪后的信号中含有非平稳噪声时，所述自适应滤波选择lms自适应滤波、卡尔曼滤波中的至少一种；当预降噪后的信号中同时含有平稳噪声和非平稳噪声时，所述自适应滤波选择lms自适应滤波、卡尔曼滤波中的至少一种。
[0086]
在本实施例中，通过利用预降噪后的信号中是否含有的非平稳噪声信号这一指标去选择相适配的自适应滤波，同时优化自适应滤波的参数，以降低计算难度，易于实现。所述预降噪后的信号中是否含有平稳噪声和非平稳噪声的判定方法包括：计算噪声的统计特性；若统计特性随时间变化，则是非平稳噪声，否则是平稳噪声。以数据的平稳和非平稳来选择自适应滤波方法的原因：不同自适应滤波方法获取当前点处理结果所基于的过去数据有所不同。例如，lms方法获取当前点处理结果只需要用到过去1点的数据，而rls方法需要用到过去若干点的数据，不平稳的时候，过去多点数据的统计特性不稳定，导致rls性能严重下降，不可用。因而前者可兼顾平稳和非平稳信号，后者只能处理平稳信号。可见，根据预降噪后数据的平稳与否去选择下一步的自适应滤波方法对于滤波效果具有重要意义。同
时，同是处理平稳噪声的rls自适应滤波相较于维纳滤波，不要求预先知道目标信号或噪声的统计量，比如目标信号与实际观测信号的互相关矢量、噪声的自相关矢量等，这些统计量难以直接获取，间接估计的难度也较大，因而可实现性是rls自适应滤波方法较维纳滤波的优势。同是处理非平稳噪声的lms自适应滤波相较于卡尔曼滤波，只需逐点计算估计值与实际观测值的误差量，结合可优化的步进参数，即可完成滤波系数(加权矢量w)的迭代更新。更低的计算成本，使得lms自适应滤波比卡尔曼滤波更易于工程实现。
[0087]
在本实施例中，lms滤波的优化参数是步进，其原因：步进是决定lms方法收敛速度和精度的关键参数。大步进的收敛速度快但精度低，小步进的精度高但收敛速度慢。因此，有必要针对不同的输出数据，选择与其匹配的步进。针对工频干扰的步进优化策略：过零次数/秒可衡量数据中强正弦波的比重。经预降噪后，该值仍然较大，可选用较大步进以更快速地抑制工频干扰；该值较小，便可选用较小步进以更精确地滤除工频干扰。优选步进的具体实施例：把过零次数/秒的取值范围切分成若干子区间，每个子区间都基于离线数据优化得到一组步进。运行降噪算法时根据实时计算得到的过零次数/秒进行查表，取用对应子区间的步进。当然，也可以通过过零次数/秒的经验值获取对应的步进。
[0088]
在本实施例中，所述维纳滤波的优化参数包括阶数；所述rls自适应滤波的优化参数包括步进、遗忘因子；所述lms自适应滤波的优化参数包括步进；所述卡尔曼滤波的优化参数包括协方差初值；当自适应滤波选择rls自适应滤波或lms自适应滤波时，所述步进根据预降噪后信号中正弦波的比重进行优化，即所述步进的大小与正弦波的比重值正相关；所述步进根据预降噪后信号中正弦波的比重进行优化包括：把离线信号的过零次数/秒的取值范围切分成若干子区间；把每个子区间进行优化得到对应的一组步进，形成步进表；根据实时信号获取的过零次数/秒与步进表对比，选取对应子区间的步进。
[0089]
在本实施例中，维纳滤波器及其lms实现，令x(k)和n(k)分别表示目标信号和加性背景噪声，进而实际观测信号为：
[0090]
y(k)＝x(k)+n(k)；维纳滤波器的基本思想：求得n维矢量w，使其对向前n个时刻观测信号y(k)的卷积逼近x(k)，逼近准则为最小均方误差(mmse)，即：
[0091][0092]
上述目标函数(代价函数)是关于w的凹函数，可通过偏导方法求得其全局极小值对应的w为：r
yy
和r
yx
分别表示观测信号协方差矩阵和观测信号与目标信号的互相关矢量。进一步地，当噪声n(k)和目标信号x(k)相互独立时，r
nn
为噪声自相关矢量；r
yx
和r
nn
均难以获取，且上述解只对平稳信号为最优。实际滤波时通常采用rls和lms方法。
[0093]
在本实施例中，维纳滤波的rls实现：以某固定步进μ朝着代价函数整体梯度最大的方向，对加权矢量w进行逐点的迭代逼近：
[0094][0095]
在理论上，当迭代次数趋于无穷且μ∈(0,1/λ
max
)时，rls方法是维纳滤波的最优逼近，此处的λ
max
为观测信号协方差矩阵r
yy
的最大特征值；
[0096]
维纳滤波的lms实现：以某固定步进μ朝着代价函数随机梯度最大的方向，对加权矢量w进行逐点的迭代逼近：
[0097][0098]
lms滤波是一种随机梯度下降法，计算简单，具有较强的可落地性。
[0099]
在本实施例中，所述lms自适应滤波包括：删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0100]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0101]
确定滤波后信号，即设x(k)为已知实测信号(该方法采用逆向思维，把已知的y(k)作为待滤波的“虚拟”观测信号。用w对y(k)进行加权滤波，去逼近真正的观测信号x(k)中的正弦波，然后把逼近得到的正弦波从观测信号x(k)中减掉。此时的逼近误差就是滤波后信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0102]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在随机梯度最大的方向进行逐点的迭代逼近：w(k+1)＝w(k)+2μ
·
e(k)y(k)，式中μ表示所述步进，e(k)＝x(k)-w
t
(k)y(k)，k＝0,1,
…
,k-1；
[0103]
完成lms自适应滤波，以针对性滤除信号中的噪声，即以逐点逼近误差[e(0),e(1),
…
,e(k-1)]作为滤波输出。
[0104]
针对50hz/100hz工频干扰的lms滤波，确定w1和w2，即可完成对观测信号中正弦成分的估计，并将其从观测信号中减去。待滤波的信号：根据先验信息，生成y(k)＝[sin2πfkts,cos2πfkts]
t
，f＝50/100hz；x(k)为已知实际观测信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近误差就是滤波后脑电信号；第一步：加权矢量初值：w(0)＝[w1,w2]
t
；步进μ优化方案：基于预降噪后的过零次数/秒；第二步：加权矢量的迭代逼近：
[0105]
w(k+1)＝w(k)+2μ
·
e(k)y(k)，
[0106]
e(k)＝x(k)-w
t
(k)y(k)，k＝0,1,
…
,k-1；
[0107]
第三步：完成降噪，以逐点逼近误差[e(0),e(1),
…
,e(k-1)]作为滤波输出。
[0108]
在本实施例中，所述rls自适应滤波包括：删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0109]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0110]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近
误差即为滤波后信号；
[0111]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在整体梯度最大的方向进行逐点的迭代逼近，得到正弦波干扰信号：w(k+1)＝w(k)+2μ(r
yx-r
yy
w(k))，式中μ表示步进，r
yy
和r
yx
分别表示观测信号协方差矩阵和观测信号与目标信号的互相关矢量；
[0112]
完成rls自适应滤波针对性滤除信号中的噪声，即从已知实测信号中去除所述正弦波干扰信号，作为滤波输出。
[0113]
在本实施例中，针对工频干扰的一种具体实施例。其中，1)使用lms方法逐点拟合数据中的工频干扰，再将其减去的降噪方案，以及2)基于过零次数/秒的lms步进优化策略，均围绕工频干扰设计得到。当面向肌电、眼电等噪声时，同样可以通过“时频域级联结构+第二级系数优化”进行降噪处理：1)肌电、眼电为宽频噪声，第一级的预降噪需设计其它滤波方法替换陷波。以肌电为例，其典型频率范围为10-500hz，高频成分多于脑电。因此，第一级预降噪可使用低通滤波先滤除高频肌电，剩下与脑电存在频段重叠的低频肌电，在第二级通过时域自适应算法进行抑制。若时域自适应算法有待设定的系数，可以采用高频-低频能量比完成对该系数的优化，作用类似于使用过零次数/秒优化lms的步进。2)根据噪声是否具有平稳性，第二级时域自适应算法可分为两类。一类更适用于平稳噪声，以维纳滤波、rls为代表；另一类则可同时应对平稳和非平稳噪声，以卡尔曼滤波、lms为代表。本实施例中信号的级联降噪方法在实际应用时，可以结合不同类型噪声的特性，进行时域自适应算法的优选。3)不同时域自适应滤波的待优化参数：维纳滤波(阶数)、递归最小二乘rls(步进、遗忘因子)、最小均方算法lms(步进)、卡尔曼滤波(协方差初值)。
[0114]
在本实施例中，如图4所示，采用信号的级联降噪方法实现对工频干扰的逐级滤除；如图5-8所示，对比方案1：唯频域陷波(50hz阻带宽＝6hz，100hz阻带宽＝0.4hz)；对比方案2：唯时域lms滤波(50hz步进＝0.08，100hz步进＝0.003)；本实施例采用的信号的级联降噪方法方案：预降噪陷波(50hz阻带宽＝1.4hz，100hz阻带宽＝0.2hz)；时域lms滤波(根据过零次数/秒优化后：50hz步进＝0.009，100hz步进＝0.0015)；本实施例采用的信号的级联降噪方法方案可同时抑制50hz和100hz工频干扰且不损失高频信息，对比方案降噪性能差且易损失高频信息；如图9所示，固定滤波系数，切换不同的通道：本实施例方案保持了较好的降噪性能，对比方案的降噪性能严重下降。
[0115]
实施例2
[0116]
在实施例1的基础上，本实施例2还提供一种运行上述的信号的级联降噪方法的信号降噪系统，包括：
[0117]
处理器模块；
[0118]
预降噪模块，对信号进行预降噪；以及
[0119]
自适应滤波模块，对预降噪后的信号针对性滤除信号中的噪声；
[0120]
所述处理器模块根据信号预降噪结果控制自适应滤波模块进行相应的自适应滤波并获取所述自适应滤波的优化参数。
[0121]
实施例3
[0122]
在实施例1的基础上，本实施例2还提供一种用于实施例1中信号降噪的lms自适应滤波，包括：
[0123]
删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0124]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0125]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0126]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在随机梯度最大的方向进行逐点的迭代逼近：w(k+1)＝w(k)+2μ
·
e(k)y(k)，式中μ表示所述步进，e(k)＝x(k)-w
t
(k)y(k)，k＝0,1,
…
,k-1；
[0127]
完成lms自适应滤波针对性滤除信号中的噪声，即以逐点逼近误差[e(0),e(1),
…
,e(k-1)]作为滤波输出。
[0128]
实施例4
[0129]
在实施例1的基础上，本实施例4还提供一种用于实施例1中信号降噪的rls自适应滤波，包括：
[0130]
删除观测信号中的正弦成分，即根据确定w1和w2，完成对观测信号中正弦成分的估计，并将其从观测信号中减去，其中w1和w2是待估计的加权系数；
[0131]
确定待滤波的信号，即根据先验信息y(k)＝[sin2πfkts,cos2πfkts]
t
，其中f为抑制干扰信号对应的滤波频率；
[0132]
确定滤波后信号，即设x(k)为已知实测信号，令正弦波w
t
(k)y(k)逼近x(k)，逼近误差为滤波后信号；
[0133]
加权矢量的迭代逼近，即先设定加权矢量初值，即w(0)＝[w1,w2]
t
，再以固定的步进μ对加权矢量w朝着代价函数在整体梯度最大的方向进行逐点的迭代逼近，得到正弦波干扰信号：w(k+1)＝w(k)+2μ(r
yx-r
yy
w(k))，式中μ表示步进，r
yy
和r
yx
分别表示观测信号协方差矩阵和观测信号与目标信号的互相关矢量；
[0134]
完成rls自适应滤波，针对性滤除信号中的噪声，即从已知实测信号中去除所述正弦波干扰信号，作为滤波输出。
[0135]
综上所述，本发明通过步骤s1，预降噪；步骤s2，根据预降噪结果选择相应的自适应滤波，以针对性滤除信号中的噪声；其中所述自适应滤波的优化参数根据预降噪后的信号获取，可提升相关产品与系统的抗工频干扰性能，也可以针对非工频干扰场景进行去噪。
[0136]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也
可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0137]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0138]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0139]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。