专利名称：基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法
技术领域：
本发明涉及MEMS (Micro Electro Mechanical System，微机电系统)惯性传感器 输出信号的实时去噪领域，特别涉及一种基于小波阈值去噪、中值滤波和均值滤波的MEMS 传感器的实时混合去噪方法。
背景技术：
近年来，随着MEMS技术的发展，MEMS惯性传感器开始在导航定位领域获得越来越 广泛的应用。其所具有的体积小、重量轻、成本低的特点符合了大多数商业应用领域对导 航系统的基本要求，因此在低成本惯性导航系统中获得了越来越广泛的应用。但受制造工 艺及技术水平的限制，目前MEMS传感器的精度较低，其输出信号通常是含有大量的噪声且 非平稳的，并包含试验环境等的影响，如不进行有效去除，将使惯性导航系统的精度大大降 低，因此研究有效的去噪方法对提高低成本惯性导航系统的精度是至关重要的。目前常用的信号去噪方法有均值滤波、中值滤波、小波阈值去噪等。均值滤波算法简单实用，滤波时间短，但只适用于静态及低动态信号的去噪，且用 于低动态信号时，均值滤波的窗口长度不应过大。中值滤波算法也比较简单，在去除信号中的脉冲干扰方面，中值滤波要优于均值 滤波且能够很好的保留信号的边界特性，但其随机噪声的抑制能力不如均值滤波。除此之 外，由于要进行排序，中值滤波的窗口长度也不宜过大，否则很难满足实时系统的要求。小波阈值去噪效果优于均值滤波及中值滤波，且静态、动态信号均适用，但由于要 进行多层次的信号分解与重构，所需时间较长，很难满足系统的实时性要求。基于此，国内 外很多学者致力于对实时小波阈值去噪算法的研究，并取得了一些成果，最具有代表性的 是2004年西北工业大学的蒋东方等人提出的实时小波阈值去噪算法，其基本思想是通过 施加滑动数据窗的方式，总剪取实时数据的最新一段，再利用区间小波去噪算法，构造出实 时小波去噪算法。此算法通过选用具有正交和紧支撑性质的Daubechies小波和Mallat的 多尺度变换算法来提高信号处理速度；通过限制滑动数据窗的长度进一步减少了计算量， 但是去噪效果也会明显变差。除此之外，有关其他实时去噪算法的研究也受到了国内外不少学者的青睐，并取 得了一定的成果，如2007年印度Jadavpur大学的D. Dey等针对介电谱信号提出一种混合 滤波方案来对信号进行实时去噪，此算法通过判断信号中是否含有阶跃信号或脉冲信号来 决定是用加权中值滤波还是用HR滤波器对信号进行降噪。此算法的使用需要对信号中是 否含有脉冲或阶跃信号来做准确判断，这在实际应用中是有难度的。综上所述，可用于对MEMS传感器进行实时去噪的算法中，小波阈值去噪的去噪效 果相对最优，但是如果应用于实时系统，就要减少小波分解的层数和数据的长度，如此以 来，去噪效果会大大降低；均值滤波和中值滤波的去噪时间较短，更适合用于实时系统，但 是去噪效果不如小波阈值去噪。上述三种方法均有明显的缺点，若单独使用，均不能满足高精度实时系统的需求。
发明内容
本发明的目的在于克服现有实时去噪算法的不足，提供一种基于小波阈值去噪、 中值滤波和均值滤波的实时混合去噪方法，将三种方法的优点融合为一体，可以在保证系 统实时性要求的条件下，改善MEMS传感器输出数据的去噪效果，从而提高MEMS传感器的输 出精度。本发明的目的是通过以下技术方案来实现的基于小波阈值去噪、中值滤波和均 值滤波的实时混合去噪方法，实现步骤如下(1)首先，根据系统的实时性要求确定进行小波变换的数据处理长度为n(n= 2"。， J0 e N，N为整数集，J0彡1)，剪取长度为η的MEMS传感器输出信号的最新一段，并采用小 波阈值去噪方法对此长度为η的序列进行处理，滤除噪声，提高信噪比，所述小波阈值去噪 方法的步骤如下(1. 1)分解过程选定合适的小波作为小波基，并采用基于奇异谱分析的自适应 算法和系统的实时性要求确定分解的层次N，对最新一段MEMS传感器的原始输出信号进行 N层小波分解；(1. 2)作用阈值过程针对分解得到的各层小波系数，根据一定的准则选择阈值， 模大于阈值的小波系数保留，模小于阈值的小波系数设为零；(1. 3)重建过程根据去噪处理后的各层系数通过小波重构恢复原始信号，得到 去噪后的MEMS传感器输出；(2)根据系统的实时性要求，截取小波阈值去噪后序列的最新的一段，并对其进行 均值滤波，所述均值滤波去噪方法的步骤如下(2. 1)将截取的序列等分为若干小段，分别求每一小段序列中所有数的均值；(2.2)分别把每一小段序列的均值作为此小段序列最后一个点的去噪结果，输 出；(3)对均值滤波后输出的序列进行中值滤波，所述中值滤波的过程如下(3. 1)排序对要进行中值滤波的序列按数值大小进行升序排列；(3. 2)确定中值如果序列的长度为奇数，则输出位于序列中间位置的数值；如果 序列长度为偶数，则输出位于序列中间位置的两个数的均值。本发明与现有技术相比的有益效果主要体现在(1)与现有的MEMS传感器输出的实时降噪算法相比，本发明将小波阈值去噪、中 值滤波和均值滤波有机的结合在一起，通过进一步减少小波分解的数据长度来减少计算 量；通过采用基于奇异谱分析的自适应算法自适应确定分解层数，从而能够在保证有用信 号不丢失的前提下，最大限度的滤除随机噪声；用均值滤波和中值滤波结合的方法对小波 阈值降噪后序列进一步降噪，可以在保证系统实时性要求的条件下，达到更好的去噪效果， 从而提高MEMS传感器的输出精度。(2)本发明中没有对小波阈值去噪后序列直接进行中值滤波或均值滤波，而是将 截取的一段较长的序列分为若干个小段，分别进行均值滤波后，再对输出序列进行中值滤 波。如此以来，中值滤波和均值滤波的窗口长度均为很小的值，即避免了均值滤波对动态数据可能产生的影响，又克服了中值滤波在窗口长度较大时滤波时间长的缺点，同时也增加 了参与滤波的数据长度，得到了理想的去噪效果。
图1是本发明的实时混合降噪算法流程图；图2是本发明的小波阈值去噪方法流程图；图3是本发明的基于奇异谱分析的分解层数自适应选取算法流程图。
具体实施例方式本发明中的实时混合去噪方法是根据MEMS传感器输出信号噪声大，现有的实时 去噪方法去噪效果不佳的问题提出的，其中小波阈值去噪采用滑动数据窗的方式，总剪取 实时数据的最新一段进行降噪处理，因此可用于对MEMS传感器静态和动态输出信号进行 实时降噪处理；采用基于奇异普分析的算法自适应确定小波分解的层数，从而能够在保证 有用信号不丢失的前提下，最大限度的滤除随机噪声。中值滤波和均值滤波结合的滤波方 法用于对小波阈值去噪后信号做进一步处理，中值滤波和均值滤波的窗口长度均设为极小 的值，如此以来同样适合于静态及动态输出信号的实时去噪。如图1所示，本发明具体实施步骤如下为讨论方便，假设已选定的进行小波变换的数据长度为η (n= 2"。，jQ e N，jQ彡1)， 再记到k时刻已接收到的实时测量数据序列为X1, X2,…，&。A.当k < η时，由于已得到的采样数据量太小，无法进行小波变换及去噪，因此，直 接输出k时刻的采样值B.当k等于或大于η时，对序列进行去噪处理的具体步骤如下1、剪取采样数据序列的长度为η的最新一段xk_n+1，xk_n+2，…，xk为待处理序列；2、对待处理序列进行小波阈值去噪，得到的去噪后序列记为、_ +|，元_ +2,...,、，图2 为小波阈值去噪的流程图，具体实施过程如下2. 1根据系统实时去噪的实际情况，选择具有正交和紧支撑性质的小波函数，本发 明中选取Daubechies小波；2. 2利用基于奇异谱分析的分解层数自适应算法和系统的实时性要求确定分解的 层次N，其中基于奇异谱分析的分解层数自适应算法的流程图如图3所示，具体步骤如下(a)令初始分解层数j = 1 ；(b)对由步骤(1)获得的长度为η的序列进行j层小波分解，获得各层尺度系数 和小波系数《U,，kQ = 1，…[n/2j)]，其中，[n/(2j)]表示对ηΛ2j)取整数；(c)将小波系数序列按一定的延迟τ嵌入到维数为mQ的相空间，由Takens嵌
入定理可重构吸引子轨道矩阵
权利要求
1.基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法，其特征在于实现步 骤如下(1)首先，根据系统的实时性要求确定进行小波变换的数据长度为η(η= 2Λ, i e N, N 为整数集，J0 ^ 1)，剪取长度为η的MEMS传感器输出信号的最新一段，并采用小波阈值去 噪方法对此长度为η的序列进行处理，滤除噪声，提高信噪比，所述小波阈值去噪方法的步 骤如下(1. 1)分解过程选定合适的小波作为小波基，并利用基于奇异谱分析的自适应算法 和系统的实时性要求确定分解的层次N，对最新一段MEMS传感器的原始输出信号进行N层 小波分解；(1. 2)作用阈值过程针对分解得到的各层小波系数，根据一定的准则选择阈值，模大 于阈值的小波系数保留，模小于阈值的小波系数设为零；(1. 3)重建过程根据去噪处理后的各层系数通过小波重构恢复原始信号，得到小波 阈值去噪后的MEMS传感器输出；(2)根据系统的实时性要求，截取小波阈值去噪后序列的最新的一段，并对此段序列进 行均值滤波，所述均值滤波去噪方法的步骤如下(2. 1)将截取的序列等分为若干小段，分别求每一小段序列中所有数的均值； (2.2)分别把每一小段序列的均值作为此小段序列最后一个点的去噪结果输出；(3)对均值滤波后输出的序列进行中值滤波，所述中值滤波的过程如下 (3. 1)排序对要进行中值滤波的序列按数值大小进行升序排列；(3. 2)确定中值如果序列的长度为奇数，则输出位于序列中间位置的数值；如果序列 长度为偶数，则输出位于序列中间位置的两个数的均值。
2.根据权利要求1所述的基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方 法，其特征在于所述步骤(1. 1)采用基于奇异谱分析的分解层数自适应算法确定最优分 解层数的步骤如下Α.令初始分解层数j = 1 ；B.对由步骤(1)获得的长度为η的序列进行j层小波分解，获得各层尺度系数。為和 小波系数，kQ = 1，…[n/2j)]，其中，[n/(2j)]表示对ηΛ2j)取整数；C.将小波系数<Α。序列按延迟τ排列成Hitl的矩阵，进行奇异谱分析，计算奇异值&和ι叫奇异谱
3.根据权利要求1所述的基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方 法，其特征在于所述步骤(1. 2)中选择阈值的准则如下选择软阈值函数及heursure阈值准则，确定相应的阈值thr ； 软阈值函数可用以下表达式描述
4.根据权利要求1所述的基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方 法，其特征在于所述步骤(2)和步骤(3)中没有对小波阈值去噪后序列直接进行中值滤波 或均值滤波，而是将截取的一段较长的序列分为若干个小段，分别进行均值滤波后，再对输 出序列进行中值滤波。如此以来，中值滤波和均值滤波的窗口长度均为很小的值，即避免了 均值滤波对动态数据可能产生的影响，又克服了中值滤波在窗口长度较大时滤波时间长的 缺点，同时也增加了参与滤波的数据长度，得到了理想的去噪效果。
全文摘要
基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法(1)首先，根据系统的实时性要求确定进行小波变换的数据处理长度为n(j0∈N，N为整数集，j0≥1)，剪取长度为n的MEMS传感器输出信号的最新一段，并采用小波阈值去噪方法对此段序列进行处理，滤除噪声，提高信噪比；(2)根据系统的实时性要求，截取小波阈值去噪后序列的最新的一段，并对此段序列进行均值滤波；(3)对均值滤波后输出的序列进行中值滤波；本发明在保证系统实时性要求的条件下，改善了MEMS传感器的实时去噪的效果，提高了MEMS传感器的输出精度。
文档编号G01C21/20GK102141403SQ20101060895
公开日2011年8月3日 申请日期2010年12月17日 优先权日2010年12月17日
发明者丛丽, 张亚珍, 秦红磊 申请人:北京航空航天大学