基于变分模态分解的自适应滤波降噪方法

doi:10.12263/DZXB.20190972

电子学报 ›› 2021, Vol. 49 ›› Issue (8): 1457-1465.DOI: 10.12263/DZXB.20190972

• 学术论文 • 下一篇

基于变分模态分解的自适应滤波降噪方法

吴龙文¹, 聂雨亭¹, 张宇鹏², 何胜阳¹, 赵雅琴¹

^1.哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨 150001
^2.华为技术有限公司北京研究所，北京 100095

收稿日期:2019-08-26 修回日期:2020-10-15 出版日期:2021-08-25 发布日期:2021-08-25
作者简介:吴龙文男，1988年9月出生.工程师，工学博士，主要研究方向为辐射源识别、辐射源个体识别、无源定位、多核学习和医学信号处理. E-mail：wulongwen@hit.edu.cn
聂雨亭女，1997年9月出生.硕士研究生，主要研究方向为时频分析、信号处理和医学信号处理. E-mail：yuting.nie@foxmail.com
张宇鹏男，1992年8月出生.工学硕士，主要研究方向为时频分析、信号处理和雷达信号处理. E-mail：zhangyupeng10@hisilicon.com
何胜阳男，1983年2月出生.高级工程师，工学博士，主要研究方向为无线光通信、嵌入式系统和算法加速. E-mail：heshengyang@hit.edu.cn
赵雅琴（通信作者）女，1976年2月出生.教授，工学博士，主要研究方向为辐射源识别、辐射源个体识别、无源定位、光通信、医学信号处理. E-mail：yaqinzhao@hit.edu.cn
基金资助:
国家自然科学基金面上项目(61671185)

An Adaptive Filtering Denoising Method Based on Variational Mode Decomposition

Long-wen WU¹, Yu-ting NIE¹, Yu-peng ZHANG², Sheng-yang HE¹, Ya-qin ZHAO¹

^1.School of Electronics and Information Engineering，Harbin Institute of Technology，Harbin，Heilongjiang 150001，China
^2.Beijing Research Institute，Huawei Technology Limited Company，Beijing 100095，China

Received:2019-08-26 Revised:2020-10-15 Online:2021-08-25 Published:2021-08-25

摘要/Abstract

摘要：

为了提高分析信号的信噪比，本文提出了一种基于变分模态分解的变步长归一化最小均方自适应滤波降噪方法.该方法对原信号进行变分模态分解并区分信号分量和噪声分量，再对噪声分量进行间隙阈值降噪处理并将其作为参考信号输入自适应滤波器，通过自适应算法迭代处理得到降噪后的信号分量，并通过重构算法得到最终降噪后的信号.本文还在变分模态分解的基础上使用小波阈值降噪和间隙阈值降噪方法按不同方案进行降噪处理并得到最佳算法，将其与所提算法进行对比.实验结果表明，本文所提自适应滤波降噪方法的降噪效果比阈值降噪最佳方法效果更好.

关键词: 变分模态分解, 小波阈值, 间隙阈值, 自适应滤波, 信号降噪

Abstract:

To improve the SNR of received signals, a normalized minimum mean square adaptive filtering denoising method based on variational mode decomposition using variable step-size was proposed. The proposed algorithm decomposed the original signal into several components labelled as noise or signal component. Then an interval threshold denoising method was exploited to denoise the noise component before inputted into an adaptive filter as a reference signal. All the rest signal components were used to reconstruct the final denoised signal after denoised by iterative adaptive filters. In addition, an optimal algorithm based on variational mode decomposition using wavelet threshold denoising and interval threshold denoising methods was exploited. Experimental results show that the proposed adaptive filtering denoising method outperforms the optimal algorithm using threshold denoising.

Key words: variational mode decomposition, wavelet threshold, interval threshold, adaptive filtering, signal denoising

中图分类号:

TN971.+1

吴龙文, 聂雨亭, 张宇鹏, 何胜阳, 赵雅琴. 基于变分模态分解的自适应滤波降噪方法[J]. 电子学报, 2021, 49(8): 1457-1465.

Long-wen WU, Yu-ting NIE, Yu-peng ZHANG, Sheng-yang HE, Ya-qin ZHAO. An Adaptive Filtering Denoising Method Based on Variational Mode Decomposition[J]. Acta Electronica Sinica, 2021, 49(8): 1457-1465.

图/表 16

图1 VMD和WTD/IT的不同降噪方案

图2 LMS自适应滤波器的基本结构

图3 基于VMD的自适应滤波系统

图4 VMD和WTD/IT不同降噪方案的信噪比改善

图5 VMD和WTD/IT不同降噪方案的均方根误差

图6 VMD和WTD/IT不同降噪方案的互相关系数

表1 基于VMD的WTD/IT不同降噪方案的性能对比

降噪方法	信噪比改善SNRI/dB	均方根误差RMSE/dB	互相关系数
VMD-WTD	8.6935	-1.1401	0.7473
VMD-IT	6.7343	-0.1605	0.4659
VMD-ITn-WTDs	10.9665	-2.2766	0.8321
VMD-ITs-WTDn	5.7632	0.3250	0.3990

图7 VMD-VS-NLMS与VMD-ITn-WTDs的信噪比改善

图8 VMD-VS-NLMS与VMD-ITn-WTDs的均方根误差

图9 VMD-VS-NLMS与VMD-ITn-WTDs的互相关系数

表2 VMD-VS-NLMS和VMD-ITn-WTDs的性能对比

降噪方法	信噪比改善SNRI/dB	均方根误差RMSE/dB	互相关系数
VMD-ITn-WTDs	10.9665	-2.2766	0.8321
VMD-VS-NLMS	10.8734	-2.2310	0.8505

图10 实际雷达信号的时域波形

图11 实际雷达信号的二维时频信息

图12 VMD-ITn-DWTs的降噪结果

图13 VMD-VS-NLMS的降噪结果

表3 不同方法在实际信号上的降噪结果

降噪方法	信噪比改善SNRI/dB
VMD-WTD	3.9316
VMD-IT	3.8247
VMD-ITn-WTDs	4.0329
VMD-ITs-WTDn	3.8621
VMD-VS-NLMS	4.0717
EMD直接降噪	0.3184
EMD-WTD	0.0264
EMD-IT^［12］	-0.0182

参考文献 18

1	Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903－995.
2	Wu Z H, Huang N E. Ensemble empirical mode decomposition: A noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1－41.
3	王莹. 基于成分分解的自适应滤波降噪方法研究[D].哈尔滨:哈尔滨工业大学, 2017.
	Wang Y. Research on adaptive filter denoising method based on component decomposition[D]. Harbin, China: Harbin Institute of Technology, 2017. (in Chinese)
4	Dragomiretskiy K, Zosso D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 531－544.
5	Li F Y, Zhang B, Verma S, et al. Seismic signal denoising using thresholded variational mode decomposition[J]. Exploration Geophysics, 2018, 49(4): 450－461.
6	Hu H P, Zhang L M, Yan H C, et al. Denoising and baseline drift removal method of MEMS hydrophone signal based on VMD and wavelet threshold processing[J]. IEEE Access, 2019, 7: 59913－59922.
7	Ram R, Mohanty M N. Performance analysis of adaptive variational mode decomposition approach for speech enhancement[J]. International Journal of Speech Technology, 2018, 21(2): 369－381.
8	Gu X J, Chen C Z. Rolling bearing fault signal extraction based on stochastic resonance-based denoising and VMD[J].International Journal of Rotating Machinery, 2017, 2017: 1－12.
9	Donoho D L, Johnstone I M. Adapting to unknown smoothness via wavelet shrinkage[J]. Journal of the American Statistical Association, 1995, 90(432): 1200－1224.
10	曹伟, 孙红梅, 贾瑞生, 等. 基于小波包分解重构的微地震信号降噪方法[J]. 电子测量与仪器学报, 2018, 32(4): 134－143.
	Cao W, Sun H M, Jia R S, et al. Micro-seismic signal denoising method based on wavelet packet decomposition and reconstruction[J]. Journal of Electronic Measurement and Instrumentation, 2018, 32(4): 134－143. (in Chinese)
11	Awal M A, Mostafa S S, Ahmad M, et al. An adaptive level dependent wavelet thresholding for ECG denoising[J]. Biocybernetics and Biomedical Engineering, 2014, 34(4): 238－249.
12	Kopsinis Y, McLaughlin S. Development of EMD-based denoising methods inspired by wavelet thresholding[J]. IEEE Transactions on Signal Processing, 2009, 57(4): 1351－1362.
13	Tsakonas E E, Sidiropoulos N D, Swami A. Optimal particle filters for tracking a time-varying harmonic or chirp signal[J]. IEEE Transactions on Signal Processing, 2008, 56(10): 4598－4610.
14	倪锦根. 时变参数比例自适应滤波算法[J]. 电子学报, 2016, 44(5): 1208－1212.
	Ni J G. Time-varying parameter proportionate adaptive filtering algorithm[J]. Acta Electronica Sinica, 2016, 44(5): 1208－1212. (in Chinese)
15	张强, 行鸿彦. 基于EMD方差特性的混沌信号自适应去噪算法[J]. 电子学报, 2015, 43(5): 901－906.
	Zhang Q, Xing H Y. Adaptive denoising algorithm based on the variance characteristics of EMD[J]. Acta Electronica Sinica, 2015, 43(5): 901－906. (in Chinese)
16	王文波, 晋云雨, 王斌, 等. 混沌信号的自适应阈值同步挤压小波变换消噪[J]. 电子学报, 2018, 46(7): 1652－1657.
	Wang W B, Jin Y Y, Wang B, et al. Chaotic signal de-noising based on adaptive threshold synchrosqueezed wavelet transform[J]. Acta Electronica Sinica, 2018, 46(7): 1652－1657. (in Chinese)
17	Nasri M, Nezamabadi-Pour H. Image denoising in the wavelet domain using a new adaptive thresholding function[J]. Neurocomputing, 2009, 72(4/5/6): 1012－1025.
18	王磊, 孙玮, 陈奕博, 等. 基于自适应小波阈值的心电信号降噪方法[J]. 计算机工程与应用, 2018, 54(15): 29－33.
	Wang L, Sun W, Chen Y B, et al. ECG denoising method based on adaptive wavelet threshold selection[J]. Computer Engineering and Applications, 2018, 54(15): 29－33. (in Chinese)

[1]	张学军, 景鹏, 何涛, 孙知信. 基于变分模态分解的癫痫脑电信号分类方法[J]. 电子学报, 2020, 48(12): 2469-2475.
[2]	吉利鹏, 倪锦根. 偏差补偿符号子带自适应滤波器[J]. 电子学报, 2020, 48(11): 2220-2225.
[3]	赵益波, 严涛, 李春彪, 杨蕾. α-稳定分布噪声环境下的非线性回声消除研究[J]. 电子学报, 2020, 48(1): 59-65.
[4]	闫震海, 杨飞然, 杨军. 一种变正则化矩阵的改进多带结构子带自适应滤波算法[J]. 电子学报, 2017, 45(8): 2019-2025.
[5]	张兰勇, 王帮民, 刘胜, 胡玉莹. 一种新的变步长自适应噪声消除算法[J]. 电子学报, 2017, 45(2): 321-327.
[6]	曾孝平, 贺渊, 简鑫, 黄杰, 李梦如. 基于高阶统计量的L-DACS1系统自适应干扰消除技术研究[J]. 电子学报, 2016, 44(10): 2377-2383.
[7]	倪锦根, 马兰申. 分布式子带自适应滤波算法[J]. 电子学报, 2015, 43(11): 2225-2231.
[8]	师黎明, 林云. 基于无噪后验错误矢量信号能量的变正则因子仿射投影算法[J]. 电子学报, 2015, 43(1): 7-12.
[9]	徐树生, 林孝工, 李新飞. 强跟踪自适应平方根容积卡尔曼滤波算法[J]. 电子学报, 2014, 42(12): 2394-2400.
[10]	洪丹枫, 苗俊, 苏健, 吴鑫, 潘振宽. 一种变步长凸组合LMS自适应滤波算法改进及分析[J]. 电子学报, 2014, 42(11): 2225-2230.
[11]	刘立刚;FUKUMOTO Masahiro;张世永. 一种变步长proportionate NLMS自适应滤波算法及其在网络回声消除中的应用[J]. 电子学报, 2010, 38(4): 973-0978.
[12]	于霞;刘建昌;李鸿儒;. 一种变步长凸组合自适应滤波器及其均方性能分析[J]. 电子学报, 2010, 38(2): 480-484.
[13]	边勇;周荫清;李春升. 基于分数低阶统计模型的自适应滤波器组谱估计方法[J]. 电子学报, 2008, 36(6): 1235-1241.
[14]	张荣;杨建朝;张倩;刘政凯. SAR图像运动模糊参数估计[J]. 电子学报, 2007, 35(10): 2019-2022.
[15]	姜东焕;冯象初;宋国乡. 基于非线性小波阈值的各向异性扩散方程[J]. 电子学报, 2006, 34(1): 170-172.

基于变分模态分解的自适应滤波降噪方法

An Adaptive Filtering Denoising Method Based on Variational Mode Decomposition

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 18

相关文章 15

编辑推荐

Metrics