基于AEEMD与IWT的电磁辐射信号去噪研究

基于AEEMD与IWT的电磁辐射信号去噪研究

刘桂芬;蔡景怡;杨桢;李鑫;仝泽仁

【摘要】为在复合煤岩受载破裂电磁辐射(EME)特性研究中更加精准地采集电磁辐射信号,提出了自适应集合经验模态分解(AEEMD)与改进小波阈值(IWT)相结合的电磁辐射信号去噪算法,弥补了传统小波去噪对小波基存在选择性的不足.分别采用IWT算法、EMD结合改进小波阈值(EMD-IWT)算法及自适应EEMD结合改进小波阈值(AEEMD-IWT)算法对Bumps和Quadchirp两种加噪信号进行去噪仿真;将三种去噪算法嵌入自主研发新型煤岩电磁辐射采集系统中,采集复合煤岩受载破裂电磁辐射信号并去噪,仿真与实验结果证明:AEEMD-IWT电磁辐射去噪算法去噪性能优越、使用范围广、实用性强.

【期刊名称】《传感器与微系统》

【年(卷),期】2016(035)007

【总页数】4页(P38-41)

【关键词】电磁辐射;自适应集合经验模态分解;改进小波阈值;去噪

【作者】刘桂芬;蔡景怡;杨桢;李鑫;仝泽仁

【作者单位】辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;辽宁工程技术大学安全科学与工程学院,辽宁阜新123000;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105

【正文语种】中文

【中图分类】TP23

煤岩受载变形破裂的过程中释放具有规律性的电磁辐射(EME)信号，且电磁辐射的测量具有非接触性，电磁辐射预警技术成为煤岩动力灾害预测预报技术的发展方向。电磁辐射信号的准确采集是电磁辐射预警技术的关键，然而实验室和应用现场电磁背景复杂，实际测得的电磁辐射信号定会被环境噪声污染，有效处理电磁信号从而获取真实信号特征的问题亟待解决。

目前,电磁辐射信号去噪主要使用小波阈值[1，2]方法，但其作为非线性、非平稳

信号随机性强，小波算法因小波基选择性的问题导致其在实际应用中效果差。经验模态分解(empirical mode decomposition,EMD)能够对非线性、非平稳信号进

行线性化和平稳化处理，弥补了小波算法选择小波基的不足；它可以将复杂的信号分解成若干个按频率高低排列的本征模态函数(intrinsic mode function,IMF)，可无损失地有效重构原始信号，适合处理背景环境复杂的电磁辐射信号；但当信号中存在间断信号、脉冲干扰以及噪声时，IMF会出现模态混叠现象[3]，导致非平稳

信号无法分解为平稳信号。

本文针对传统小波去噪方法的不足及EMD模态混叠现象，提出采用自适应集合经验模态分解(adaptive ensemble empirical mode decomposition,AEEMD)与改进的小波阈值(improved wavelet threshold,IWT)相结合的方法，充分发挥两种

算法的优点，并应用到新型煤岩电磁辐射采集系统的开发中。

1.1 AEEMD算法

1.1.1 EEMD算法

EEMD算法是在原信号中加入若干次白噪声，对组合信号进行EMD，EEMD算法

流程图如图1，其中EMD过程见文献[4]。因为白噪声的能量和尺度分别均匀分布在频域和时域，且白噪声具有零均值噪声的特性，对多次分解的IMF分量求平均值，噪声最终将被最大限度地抵消，最后得到逼近真实信号的模量。

Huang N E[5]总结出EEMD中集合平均次数服从下式

(或ln N=0)

式中 N为集合平均次数；α为添加辅助白噪声的幅值标准差σn与原始信号幅值

标准差σ0的比值，即α=σn/σ0；εn为期望的信号相对误差最大值，即输入信号与EEMD后IMFs的相对误差。

1.1.2 AEEMD算法

EEMD中α和N是决定EEMD算法消除模态混叠现象效果及抵消辅助白噪声的关键参数。通常大多数文献选择N=100，α=0.2，但此数值设置对不同信号的分解

效果不一，AEEMD方法能够根据实测电磁辐射波形特点计算得到最佳的N,α值，提高信号分解的准确性。AEEMD方法流程图参见图2。

其中，使用原始信号EMD得到的IMF1近似地作为原始信号高频成分，文献[6]证明即使IMF1中出现模态混叠现象，此方法对计算σh的影响是微乎其微的。文献[7]得出添加辅助白噪声的准则

ε=σh/σ0

式中σh为合成信号中高频成分的幅值标准差。

1.2 IWT算法

IWT算法见式(4)

式中 wj,k为信号正交小波变换系数；j,k为阈值处理后小波系数；λ为阈值，，σ

为噪声的均方差，N为信号序列的长度；β为形状系数，，用于控制wj,k<λ区域

内函数的形状，即控制衰减程度。

算法存在以下优越性：1)随着w的增大，使wj,k与w的差值逐渐减小；2)在噪声

和信号之间，保障过渡连续性的前提下，使过渡平滑；3)当N→∞时，为软阈值函数；当N→0时，为硬阈值函数，通过N取值的变换来灵活选择软硬阈值函数。

1.3 AEEMD与IWT结合去噪算法

IWT与AEEMD结合去噪算法步骤如图3所示，重构信号计算

f～

生活中电磁辐射的背景噪声频率较高，IMF中高频段的噪声能量较多，伴随着分解阶数的提高，模态分量中的噪声能量逐渐消减，前k个模态分量为噪声主导，而低频信号成分较为纯净，为信号主导，所以对前k个IMF进行IWT去噪。由文献[8]所述，将模态分量IMF能量的全局极小值位置作为噪声起主导作用和信号起主导作用的分界点，利用连续均方差准则进行计算，则

CMSE(f～ k(t), f～～ k(ti)-f～ k+1(ti)]2=

基于该准则，分界值k的取值js可由下式求得

～ k(t), f～ k+1(t)) ]

为验证AEEMD与IWT组合去噪算法的有效性，利用Matlab的自带函数Bumps 和Quadchirp生成信噪比不同的染噪信号，其中Bumps污染信号信噪比较高，Quadchirp信号信噪比较低，长度为1 024，分别采用IWT算法、EMD结合IWT(EMD-IWT)与AEEMD结合IWT(AEEMD-IWT)进行去噪仿真，其中小波基函数均选用db6小波函数，进行3层分解，去噪仿真波形如图4(a),(b)所示；计算去噪前后信号的信噪比和均方差，计算结果如表1所示。

信噪比较高的Bumps信号经IWT去噪后，信噪比得到明显提升，而均方差得到明显下降；信噪比较低的Quad-chirp信号经过IWT去噪后信噪比和均方差改变幅度不大；两信号经EMD-IWT和AEEMD-IWT去噪后，信噪比均明显提高而均方差明显下降，且AEEMD-IWT对应的计算数值显示出了更好的去噪优势。通过计算结果对比可得：IWT对信噪比较高的信号去噪效果明显，EMD-IWT和