多尺度分析进行简单介绍。
[0030] 信号f(x)WiKx)为基的连续小波变换可表示为：
[0031]
，式中，a为尺度因子;b为平移量。
[0032] Φ(χ)为满足容许条件的容许小波，若
，则信号f (χ)ΚΦ(χ)为基的连续小波变换可写成Wtf(a，b) =〈f(x)，4a,b(x)〉。
[0033] 为了将小波变换应用于实际的信号分析中，需要对尺度因子a与平移量b进行离散 化处理。
[0034]若对尺度因子a离散化（即a J = 2 - Μ，可得二进制小波变换：
其中，扣,b(x)=扣（x-b) = 2j/2W2j(x-b)]，jeZ。
[003引若继续对平移量b离散化（即b川=b0化/^))，令b0 = 0,由約树可W得到一簇二 进制伸缩平移函数簇{扣,k(x)}，并可W利用运个函数簇来计算小波变换系数:山,k = Wtf(2 -J，k2-J) =〈f(x)，4j,k(x)〉，其中，
，j，keZ。
[0036]由于时域与频域的尺度变化正好相反，W及正交小波基函数具有多尺度特性，因 此多尺度分析可利用小波函数基的运一特性，将信号通过低通滤波器与高通滤波器，在不 同尺度下加 w对比，并从中得到信号低频轮廓信息与高频噪声及突变信息。
[0037] 如图2所示，本发明提供了一种加湿器干烧信号处理方法，包括W下步骤：
[0038] 步骤1，通过小波对原始的第一干烧信号进行多尺度分解，从而得到低频信号和多 个高频信号，优选地，采用能量集中度高、局部特性较好的化6小波对干烧信号进行5层分 解，得到低频信号a5、高频信号d5、高频信号d4、高频信号d3、高频信号d2、和高频信号dl;优 选地，利用正交小波基函数对第一干烧信号进行多尺度分解。
[0039] 步骤2,利用其中的一个所述高频信号（例如高频信号dl)对所述第一干烧信号中 的刺激噪声的位置进行探测，W完成所述刺激噪声的定位。与原始的信号相比，由于噪声存 在的位置处的幅值要远远大于正常信号的幅值，因此可W利用高频信号dl探测出噪声的位 置，从而完成对噪声进行定位。
[0040] 步骤3，对第一干烧信号进行第一次滤波处理，例如，可W采用阔值法滤波，此次滤 波的主要目的是为了移除幅值较大的噪声，为此将设定的硬阔值作为阔值点，采用阔值法 对所述第一干烧信号进行滤波W得到第二干烧信号，运样可移除一部分幅值较大的噪声。
[0041] 步骤4,经过步骤3处理的第二干烧信号中的噪声并没有被完全滤除，由于在步骤2 中利用小波的奇异性检测法，通过高频信号探测到了刺激噪声的位置，因此可W利用定位 到的噪声位置来移除干烧信号中的噪声。为此，此步骤4中将所述刺激噪声的定位结果作为 阔值点，仍然采用所述阔值法对所述第二干烧信号进行滤波W得到第Ξ干烧信号。运样，经 过步骤3和步骤4中的两次波滤处理，可W将信号中的高频信号d2、d3、d4和d5滤除。
[0042] 步骤5,根据所述第Ξ干烧信号对所述第一干烧信号进行重构W得到最终的纯净 干烧信号。
[0043] 本专利充分地利用了小波的多尺度分析(多分辨率分析)运一特性，将信号通过低 通滤波器与高通滤波器，在不同尺度下加 W对比，并从中得到信号低频轮廓信息与高频噪 声及突变信息。在上述技术方案中，首先对带有噪声的第一干烧信号进行小波分解，然后对 噪声进行探测和噪声位置的定位，W便进一步去除噪声。然后对第一干烧信号利用阔值法 进行两次滤波处理，最后对信号进行重建，从而得到纯净的干烧信号。
[0044] 可见，本发明可利用小波的奇异性检测方法，对检测到的干烧信号进行多尺度分 析，在此基础上移除干烧信号中的噪声，最终得到干净的干烧信号，从而避免干烧误判的发 生。
[0045] 虽然步骤3采用硬阔值的阔值法可W很好地移除噪声，在一定程度上也会起到降 噪的作用，但是运种方法对信号本身的衰减也比较大。为了尽可能地保留干烧信号，更为优 选地可采用硬阔值法的自适应噪声移除。进一步地，步骤4在基于噪声定位的噪声移除过程 中，也需要考虑因噪声的移除而导致干烧信号的损失问题。
[0046] 为此，更为优选地，本发明采用的阔值法具有自适应噪声移除功能，具体地说，其 滤波过程包括W下步骤：
[0047] 请参考图3,首先，W阔值点为分界点，将信号分成两部分，即位于阔值点左侧及右 侧的部分，然后计算出所述阔值点左侧的小于N/2个采样值总能量的第一平均值T1W及所 述阔值点右侧的小于N/^2个采样值总能量的第二平均值T2。
[004引然后，确定第一权重因子α、第二权重因子β和第Ξ权重因子丫，其中，上述Ξ个权 重因子用于根据不带有噪声的干烧信号的电压值Τ得到不同的比较基准点。运样，通过上述 Ξ个权重因子，可W根据第一和第二平均值Τ2判断阔值点左侧和右侧的噪声程度，W便根 据噪声程度的大小，进行相应的滤波处理。
[0049] 具体地说，首先判断所述第一平均值T1是否大于不带有噪声的干烧信号的电压值 T与第一权重因子α的乘积。在一种情形下，如果所述第一平均值T1大于所述电压值T与第一 权重因子α的乘积，那么接着再判断所述第二平均值Τ2是否大于所述电压值Τ与第二权重因 子β的乘积。为了最大限度地保留干烧信号、实现增加与减少噪声移除的区域，如果所述第 二平均值Τ2大于所述电压值Τ与第二权重因子β的乘积（即图3的C3分支），则表明噪声与干 烧信号相互的叠加范围较大，可进行大范围噪声移除(此处的"大范围"说明噪声范围较大， 可W较大范围地移除噪声），否则（即图3的C4分支)噪声主要位于干烧信号的左侧，此时可 减小所述阔值点右侧的噪声移除。
[0050] 在另一种情形下，如果所述第一平均值小于或等于所述电压值Τ与第一权重因子α 的乘积，那么接着再判断所述第二平均值Τ2是否大于所述电压值Τ与第Ξ权重因子丫的乘 积。为了最大限度地保留干烧信号、实现增加与减少噪声移除的区域，如果所述第二平均值 Τ2大于所述电压值Τ与第Ξ权重因子丫的乘积（即图3的C2分支），说明噪声主要位于阔值点 左侧，可减小所述阔值点右侧的噪声移除，否则（即图3的C1分支)表明阔值点两侧的噪声信 号较小，考虑到干烧信号的损失，可进行小范围噪声移除(此处的"小范围"说明噪声范围较 小，可W较小范围地移除噪声）。
[0051] 根据各高频信号的各自特征，可合理的选择第一权重因子α、第二权重因子β和第 Ξ权重因子丫的取值，W在保噪声信号的同时，尽量减少干烧信号损失，达到最优效果。为 了更加准确地确定噪声的具体位置，一般地，所述第一权重因子〇、所述第二权重因子β和所 述第Ξ权重因子γ的取值范围是[0,2]。
[0052] 优选地采用所述阔值法对所述第二干烧信号进行滤波时使用的第一权重因子α、 第二权重因子β和第Ξ权重因子丫分别对应地小于采用阔值法对所述第一干烧信号进行滤 波时使用的第一权重因子α、第二权重因子β和第Ξ权重因子丫。
[0053] 本发明还提供了一种加湿器干烧信号处理装置，其用于实现上述的方法，因此，与 上述方法重复之处在此不再寶述。
[0054] 请参考图4,在一个实施例中，该装置包括:多尺度分解模块、噪声定位模块、第一 噪声移除模块、第二噪声移除模块和重构模块。
[0055] 其中，多尺度分解模块将第一干烧信号进行小波多尺度分解W得到低频信号和多 个高频信号；优选地，采用能量集中度高、局部特性较好的化6小波对干烧信号进行5层分 解，得到低频信号a5、高频信号d5、高频信号d4、高频信号d3、高频信号d2、和高频信号dl;优 选地，利用正交小波基函数对第一干烧信号进行多尺度分解。噪声定位模块利用一个所述 高频信号(例如高频信号dl)探测所述第一干烧信号中的刺激噪声的位置，W完成所述刺激 噪声的定位。
[0056] 第一噪声移除模块对第一干烧信号进行第一次滤波处理