基于EMD阈值算法的脉冲涡流信号消噪

doi:10.3778/j.issn.1002-8331.1608-0331

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (2): 260-264.DOI: 10.3778/j.issn.1002-8331.1608-0331

基于EMD阈值算法的脉冲涡流信号消噪

杨博楠1，张智军1，肖冰松1，江良英2

1.空军工程大学航空航天工程学院，西安 710038
2.五三一一工厂质量安全部，南京 211000

出版日期:2017-01-15 发布日期:2017-05-11

De-noising of pulse current eddy signal based on empirical mode decomposition threshold

YANG Bonan1, ZHANG Zhijun1, XIAO Bingsong1, JIANG Liangying2

1.College of Aeronautics and Astronautics Engineering, Air Force Engineering University, Xi’an 710038, China
2.Department of Quality and Safety, Five Three One One Factory, Nanjing 211000, China

Online:2017-01-15 Published:2017-05-11

摘要/Abstract

摘要： 针对脉冲涡流信号夹杂着较多的高频噪声，提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function，IMF），对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号；再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选，对噪声含量多的IMF进行小波阈值消噪；最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明，该方法可以减少失真，获得更高的信噪比，能够较好地消除噪声的干扰恢复出原始的信号。

关键词: 脉冲涡流信号, 经验模态分解, 小波阈值消噪

Abstract: Since pulsed eddy current signal is mixed with more high frequency noise, it proposes a new empirical mode decomposition threshold de-noising algorithm. Firstly, the signal is recombined through EMD based on energy reduction of low SNR high-frequency IMF, and then the recombined signal is decomposed by EMD, and IMFs of much noise according to statistical properties of the white noise are denoised by the wavelet, finally, denoised IMFs and noise content less IMFs are reconstructed into the de-noised signal. Experimental data and simulation results show that this method can reduce the distortion, get higher SNR, and better eliminate the interference noise to recover the original signal.

Key words: pulse current eddy signal, empirical mode decomposition, wavelet threshold de-noising

杨博楠1，张智军1，肖冰松1，江良英2. 基于EMD阈值算法的脉冲涡流信号消噪[J]. 计算机工程与应用, 2017, 53(2): 260-264.

YANG Bonan1, ZHANG Zhijun1, XIAO Bingsong1, JIANG Liangying2. De-noising of pulse current eddy signal based on empirical mode decomposition threshold[J]. Computer Engineering and Applications, 2017, 53(2): 260-264.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[4]	李广安，曹岩，岳晓新. 基于BEEMD分解的红外与可见光图像融合[J]. 计算机工程与应用, 2021, 57(14): 237-244.
[5]	杨航，朱永利. 基于Storm的局部放电信号集合经验模态分解[J]. 计算机工程与应用, 2020, 56(10): 261-267.
[6]	胡建平1，李玲1，谢琪1，2，李鑫1. 多通道图像EMD及应用[J]. 计算机工程与应用, 2019, 55(5): 211-218.
[7]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[8]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[9]	郭瑞，樊亚敏. 极限学习机延拓的BS-EMD端点效应抑制算法及应用[J]. 计算机工程与应用, 2017, 53(7): 256-262.
[10]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[11]	谭洋波，程进军，刘帅. 基于EMD与邻域粗糙集的液体电磁阀故障诊断[J]. 计算机工程与应用, 2017, 53(12): 255-260.
[12]	陈晓娟1，王单卉2. 基于BEMD和分形维数的人脸识别方法[J]. 计算机工程与应用, 2017, 53(10): 177-180.
[13]	杨航，郭晓金. 一种改善EMD端点问题的方法[J]. 计算机工程与应用, 2016, 52(8): 266-270.
[14]	张言飞，欧阳健飞，姚丽峰. 基于ICA和EMD的生理信号提取[J]. 计算机工程与应用, 2016, 52(6): 167-171.
[15]	井波，金炜东，秦娜. 基于EMD的小波脊线法轨道检测[J]. 计算机工程与应用, 2016, 52(4): 266-270.

基于EMD阈值算法的脉冲涡流信号消噪

De-noising of pulse current eddy signal based on empirical mode decomposition threshold

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics