亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于互補(bǔ)自適應(yīng)噪聲的集合經(jīng)驗(yàn)?zāi)J椒纸馑惴?/h1>
        2015-10-14 03:58:52黃威威楊志景
        電子與信息學(xué)報(bào) 2015年10期
        關(guān)鍵詞:分量重構(gòu)次數(shù)

        蔡 念 黃威威 謝 偉 葉 倩 楊志景

        ?

        基于互補(bǔ)自適應(yīng)噪聲的集合經(jīng)驗(yàn)?zāi)J椒纸馑惴?/p>

        蔡 念*黃威威 謝 偉 葉 倩 楊志景

        (廣東工業(yè)大學(xué)信息工程學(xué)院 廣州 510006)

        經(jīng)驗(yàn)?zāi)J椒纸?EMD)及其改進(jìn)算法作為實(shí)用的信號處理方法至今仍然缺少嚴(yán)格的數(shù)學(xué)理論。該文嘗試從數(shù)學(xué)理論上分析集合經(jīng)驗(yàn)?zāi)J椒纸夂妥赃m應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸獾闹貥?gòu)誤差,推導(dǎo)了總體殘留噪聲的計(jì)算公式。針對自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸庠诿恳粚庸逃心B(tài)分量上仍然存在殘留噪聲的問題,在分解過程中添加成對的正負(fù)噪聲分量,提出一種基于互補(bǔ)自適應(yīng)噪聲的集合經(jīng)驗(yàn)?zāi)J椒纸馑惴?。?shí)驗(yàn)結(jié)果表明,相比于集合經(jīng)驗(yàn)?zāi)J椒纸夂妥赃m應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸?,所提的方法能夠明顯地減少每一層固有模態(tài)分量中殘留的噪聲,擁有較好的信號重構(gòu)精度和更快的分解速度。

        經(jīng)驗(yàn)?zāi)J椒纸?;集合?jīng)驗(yàn)?zāi)J椒纸?;自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸猓荒B(tài)混疊

        1 引言

        經(jīng)驗(yàn)?zāi)J椒纸?Empirical Model Decomposition, EMD)是由Huang等人[1]于1998年提出的一種適用于非線性、非平穩(wěn)信號的時頻分析方法。該方法提出后得到了眾多研究人員的關(guān)注,也被廣泛應(yīng)用于各個領(lǐng)域。經(jīng)驗(yàn)?zāi)J椒纸怆m然在分析非線性、非平穩(wěn)信號中有很多優(yōu)勢,但由于其理論還需完善,至今仍然存在一些問題,例如:端點(diǎn)效應(yīng)[7,8]、模態(tài)混疊等。

        發(fā)生模態(tài)混疊時,不同尺度的信號被分解到同一個固有模態(tài)分量(Intrinsic Mode Functions, IMFs)中,嚴(yán)重時無法得到物理意義明確的結(jié)果,使EMD分解失去意義[12]。為了解決模態(tài)混疊,文獻(xiàn)[13]提出了集合經(jīng)驗(yàn)?zāi)J椒纸?Ensemble EMD, EEMD)。EEMD在分解過程中,通過向信號中不斷加入白噪聲的方法來解決模態(tài)混疊。該方法雖然能較好地改善模態(tài)混疊,但對信號進(jìn)行重構(gòu)時,信號中殘留的剩余噪聲較大。為了解決剩余噪聲過大的問題,文獻(xiàn)[14]提出了互補(bǔ)集合經(jīng)驗(yàn)?zāi)J椒纸?Complementary EEMD, CEEMD)。隨后文獻(xiàn)[15]提出了集合經(jīng)驗(yàn)?zāi)J椒纸獾母倪M(jìn)方法—基于自適應(yīng)噪聲的集合經(jīng)驗(yàn)?zāi)J椒纸?Ensemble EEMD with Adaptive Noise, EEMDAN)。與EEMD方法不同,該方法在分解過程中并不是直接添加白噪聲,而是添加經(jīng)EMD分解的限帶的噪聲分量;該算法除了添加的噪聲不同外,對分解過程也進(jìn)行了改進(jìn)。實(shí)驗(yàn)表明該方法可以減少篩選次數(shù),減小計(jì)算量,一定程度上也減少了虛假分量,重構(gòu)原信號時重構(gòu)誤差大大降低[15]。雖然從分解的整體來看EEMDAN的重構(gòu)誤差很小,但由于集合平均次數(shù)的限制,該方法在每一層分解完之后,IMF分量也不可避免地存在殘余噪聲。

        本文嘗試從數(shù)學(xué)理論上分析集合經(jīng)驗(yàn)?zāi)J椒纸夂妥赃m應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸獾闹貥?gòu)誤差,推導(dǎo)總體殘留噪聲的計(jì)算公式。借鑒CEEMD的方法,在EEMDAN分解時向信號中添加成對的正負(fù)的白噪聲分量,提出一種基于互補(bǔ)自適應(yīng)噪聲的集合經(jīng)驗(yàn)?zāi)J椒纸馑惴?EEMD with Complementary Adaptive Noise, EEMDCAN)。

        2 集合經(jīng)驗(yàn)?zāi)J椒纸?/h2>

        EEMD算法是Wu和Huang在充分研究白噪聲統(tǒng)計(jì)特性[16]后,針對EMD存在模態(tài)混疊現(xiàn)象提出的一種改進(jìn)算法。該算法通過向原信號中多次添加等幅值的隨機(jī)白噪聲改變信號中的極值點(diǎn)分布,使極值點(diǎn)分布更趨均勻,避免了由于間歇性高頻分量造成的模態(tài)混疊。然后對分解的結(jié)果進(jìn)行集合平均,使得白噪聲在多次EMD分解之后相互抵消,有物理意義的IMF分量保留下來。該算法的流程如下:

        因?yàn)镋MD分解的完備性,式(2)亦可用等式表示:

        為了分析最后的重構(gòu)誤差,本文將步驟(3)中所得到的個等式相加,可得:

        根據(jù)高斯白噪聲的統(tǒng)計(jì)特性,隨著集合平均次數(shù)的增加,就越趨近于零,重構(gòu)誤差就越小,但增加集合次數(shù)又會增加計(jì)算量,消耗計(jì)算時間。

        3 自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸?/h2>

        EEMDAN算法[15]對EEMD進(jìn)行了兩方面的改進(jìn):第一,在分解過程中并不是直接向信號中添加標(biāo)準(zhǔn)的白噪聲,而是添加經(jīng)過EMD分解的噪聲分量(第一階IMF除外),該噪聲分量的帶寬經(jīng)過了EMD的自適應(yīng)分割;第二,與EEMD獨(dú)立分解出各組信號所有的固有模態(tài)分量之后再進(jìn)行集合平均不同,EEMDAN分解出各組信號的第一階固有模態(tài)分量后,立即進(jìn)行集合平均得到第一階集合平均固有模態(tài)分量,然后從原信號中剔除第一階集合平均固有模態(tài)分量得到一個剩余分量,將該剩余分量作用為新的信號,繼續(xù)重復(fù)上述過程得到第二,第三直到最后一階模態(tài)分量。我們定義一個操作,即信號經(jīng)過EMD分解后得到的第階模態(tài)分量,為所加噪聲的幅值,EEMDAN算法可以描述如下:

        (2)提取第1個模態(tài)分量并求出剩余分量:

        得到剩余分量為

        (3)第個剩余分量為

        (4)循環(huán)進(jìn)行步驟(3),直到提取出所有的固有模態(tài)分量之后得到剩余分量。

        繼續(xù)分析重構(gòu)誤差,將步驟(1)中所得到的個式(7)相加,可得

        將步驟(2)中所得到的個式(10)相加,可得

        步驟(3)中所得到的個式(14)相加,可得

        將式(17),式(18)及式(19)依次迭代相加,并將式(9),式(12),式(13)代入等式中可得

        4 互補(bǔ)自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸?/h2>

        根據(jù)文獻(xiàn)[15]和第3節(jié)數(shù)學(xué)理論推導(dǎo)可知,從分解的整體來看在集合平均次數(shù)相同的條件下,EEMDAN最終殘留噪聲比EEMD小,即重構(gòu)誤差比EEMD小。但這并不意味著在每層的局部分解過程中,殘留在每個IMF分量中的白噪聲分量很小。要減小每層IMF分量中殘留的噪聲就必須增加集合平均次數(shù),但這樣又會增加計(jì)算量。為此,我們借鑒CEEMD方法,在EEMDAN分解的基礎(chǔ)上提出互補(bǔ)自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)J椒纸?,即在每一層的分解過程中成對地添加正負(fù)噪聲對,其他過程與EEMDAN相同。具體算法如下:

        對比式(8)和式(23),在次集合平均中正負(fù)噪聲對互相抵消,故可以減小殘留在中的噪聲。

        (2)提取第1個模態(tài)分量并求出剩余分量:

        得到剩余分量為

        對比式(15)和式(29),在次集合平均中正負(fù)噪聲分量對互相抵消,故可以減小殘留在中的噪聲。

        (4)循環(huán)進(jìn)行步驟(3),直到提取出所有的固有模態(tài)分量之后得到剩余分量。

        5 實(shí)驗(yàn)仿真

        選用美國麻省理工學(xué)院MIT-BIH Normal Sinus Rhythm Database數(shù)據(jù)庫16265號ECG第一聯(lián)信號[17]進(jìn)行分解實(shí)驗(yàn),數(shù)據(jù)采樣率為128 Hz,記錄長度為10 s,傳感器采集數(shù)據(jù)時幅值增益為200(幅值單位mV),ECG信號的波形如圖1所示。分解時所加噪聲幅值均為信號標(biāo)準(zhǔn)差的0.2倍,EEMD和EEMDAN添加噪聲次數(shù)為50次,EEMDCAN添加正負(fù)噪聲對數(shù)為25對,分解得到的模態(tài)分量如圖2所示,圖3為本次3種方法分解的重構(gòu)誤差。為了更清楚地比較3種方法分解ECG信號的性能,取出圖2中各分解結(jié)果的前3個IMF分量及EEMDAN添加噪聲次數(shù)增加到800次分解得到的前3個分量,如圖4所示。

        圖1 ECG信號的波形圖

        為了進(jìn)一步展示EEMDCAN算法的優(yōu)越性,在上述分解參數(shù)的條件下,采用以上3種方法分解該數(shù)據(jù)庫中所有18個ECG第一聯(lián)信號,并計(jì)算所有信號的重構(gòu)均方根誤差(root mean squared error)的均值和方差(如表1)以及分解所需總迭代次數(shù)的均值和方差(如表2)。

        表1 3種分解方法重構(gòu)均方根誤差的均值和方差

        表2 3種分解方法分解ECG信號時總迭代次數(shù)的均值和方差

        從圖2可以看出,對于同一個信號ECG, EEMD, EEMDAN和EEMDCAN分解分別得到12, 11和10個IMF分量,即在添加噪聲總次數(shù)相同條件下,EEMDCAN得到的虛假分量較EEMD和EEMDAN少。從圖3(a)~圖3(c)及表1可以看出EEMDAN與EEMDCAN的重構(gòu)誤差大致相等,但比EEMD的重構(gòu)誤差小很多,這與第3節(jié)的數(shù)學(xué)理論分析結(jié)論相同。從圖4(b)中可以看出EEMDAN雖然從整體上可以比較精確地重構(gòu)出原信號,但EEMDAN在每一層分解得到的IMF中仍然殘留有剩余的噪聲分量,只是在重構(gòu)時各個IMF分量中殘留的噪聲之和幾乎為零而已。對比圖4(b)和圖4(c)中IMF3分量箭頭處的波形可知,在添加噪聲總次數(shù)相同的條件下(包括正負(fù)噪聲對),相對于EEMDAN分解的結(jié)果EEMCAN可以明顯減小殘留在各層IMF分量中的剩余噪聲。對比圖4(b)和圖4(d)可以看出要減小IMF分量中殘留的噪聲必須增加EEMDAN集合平均次數(shù),但增加集合平均的次數(shù)會大大增加計(jì)算量。

        圖2 3種分解方法得到的IMF分量

        圖3 3種分解方法的重構(gòu)誤差

        從表2可以看出EEMDAN與EEMDCAN總迭代次數(shù)比EEMD分解次數(shù)少很多,大大減小了計(jì)算量,且EEMDCAN能在不增加計(jì)算量的條件下顯著減少IMF分量中殘留的噪聲。

        圖4 3種分解方法得到的前3個分量

        6 結(jié)束語

        EEMDAN作為EEMD算法的改進(jìn)方法可以減少篩選迭代次數(shù),減少虛假分量,提高重構(gòu)精度。但由于集合次數(shù)的限制,在每個IMF分量中仍然殘留有噪聲。本文推導(dǎo)了EEMD及EEMDAN分解后總體殘留噪聲的計(jì)算公式,分析了重構(gòu)誤差。在EEMDAN算法的基礎(chǔ)上提出EEMDCAN算法,并應(yīng)用于ECG信號的分解。實(shí)驗(yàn)結(jié)果表明EEMD和EEMDAN, EEMDCAN算法可以不用大幅增加集合平均次數(shù)的條件下顯著減小殘留在每個IMF分量的殘留噪聲,這在生物醫(yī)學(xué)工程應(yīng)用中具有一定的優(yōu)勢。本文下一步將繼續(xù)研究利用EEMDCAN算法抑制心電信號中的工頻干擾、基線漂移及去噪。

        [1] Huang N E, Shen Z, Long S R,.. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]..:,, 1998, 454(1971): 903-995.

        [2] Yang Z, Ling B W K, and Bingham C. Trend extraction based on separations of consecutive empirical mode decomposition components in Hilbert marginal spectrum[J]., 2013, 46(8): 2481-2491.

        [3] Yang Z, Ling B W K, and Bingham C. Fault detection and signal reconstruction for increasing operational availability of industrial gas turbines[J]., 2013, 46(6): 1938-1946.

        [4] 王玉靜, 康守強(qiáng), 張?jiān)? 等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解敏感固有模態(tài)函數(shù)選擇算法的滾動軸承狀態(tài)識別方法[J]. 電子與信息學(xué)報(bào), 2014, 36(3): 595-600.

        Wang Yu-jing, Kang Shou-qiang, Zhang Yun,.. Condition recognition method of rolling bearing based on ensemble empirical mode decomposition sensitive intrinsic mode function selection algorithm[J].&, 2014, 36(3): 595-600.

        [5] Li H, Wang X, Chen L,.. Denoising and R-peak detection of electrocardiogram signal based on EMD and improved approximate envelope[J].,,, 2014, 33(4): 1261-1276.

        [6] 楊達(dá), 王孝通, 徐冠雷. 基于多尺度極值的一維信號趨勢項(xiàng)快速提取方法研究[J]. 電子與信息學(xué)報(bào), 2013, 35(5): 1208-1214.

        Yang Da, Wang Xiao-tong, and Xu Guan-lei. Research on 1D signal fast trend extracting via multi-scale extrema[J].&, 2013, 35(5): 1208-1214.

        [7] 白春華, 周宣赤, 林大超, 等. 消除 EMD 端點(diǎn)效應(yīng)的 PSO-SVM 方法研究[J]. 系統(tǒng)工程理論實(shí)踐, 2013, 33(5): 1298-1306.

        Bai Chun-hua, Zhou Xuan-chi, and Lin Da-chao,.. PSO-SVM method based on elimination of end effectsinEMD[J].-&, 2013, 33(5): 1298-1306.

        [8] Lin D C, Guo Z L, An F P,.. Elimination of end effects in empirical mode decomposition by mirror image coupled with support vector regression[J]., 2012, 31: 13-28.

        [9] 湯寶平, 董紹江, 馬靖華. 基于獨(dú)立分量分析的EMD模態(tài)混疊消除方法研究[J]. 儀器儀表學(xué)報(bào), 2012, 33(7): 1477-1482.

        Tang Bao-ping, Dong Shao-jiang, and Ma Jing-hua. Study on the method for eliminating mode mixing of empirical mode decomposition based on independent component analysis[J]., 2012, 33(7): 1477-1482.

        [10] Shen W C, Chen Y H, and Wu A Y A. Low-complexity sinusoidal-assisted EMD (SAEMD) algorithms for solving mode-mixing problems in HHT[J]., 2014(24): 170-186.

        [11] Zheng J, Cheng J, and Yang Y. Partly ensemble empirical mode decomposition: an improved noise-assisted method for eliminating mode mixing[J]., 2014(96): 362-374.

        [12] 高云超, 桑恩方, 許繼友. 分離EMD中混疊模態(tài)的新方法[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2008, 29(9): 963-966.

        Gao Yun-chao, Sang En-fang, and Xu Ji-you. A new method for separating mixed modes in empirical mode decomposition [J]., 2008, 29(9): 963-966.

        [13] Wu Z and Huang N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]., 2009, 1(1): 1-41.

        [14] Yeh J R, Shieh J S, and Huang N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method[J]., 2010, 2(2): 135-156.

        [15] Torres M E, Colominas M A, Schlotthauer G,.. A complete ensemble empirical mode decomposition with adaptive noise[C]. 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Prague, Czech, 2011: 4144-4147.

        [16] Wu Z and Huang N E. A study of the characteristics of white noise using the empirical mode decomposition method[J]..:,, 2004, 460(2046): 1597-1611.

        [17] Goldberger A L, Amaral L A N, Glass L,.. PhysioBank, Physio Toolkit and PhysioNet: components of a new research resource for complex physiologic signals[J]., 2000, 101(23): E215-E220.

        Ensemble Empirical Mode Decomposition Base on Complementary Adaptive Noises

        Cai Nian Huang Wei-wei Xie Wei Ye Qian Yang Zhi-jing

        (,,510006,)

        Empirical Model Decomposition (EMD) and its improved algorithms are most useful signal processing methods. However, those methods still lack rigorous mathematical theory. This paper attempts to analyze mathematically the reconstruction errors for Ensemble EMD (EEMD) and EEMD with Adaptive Noises (EEMDAN). Moreover, the formulae of the residual noise are deduced step by step. There exists the residual noise in each intrinsic mode function during the EEMDAN. To suppress the residual noise, an improved ensemble empirical mode decomposition with complementary adaptive noises by adding pairs of positive and negative noises is proposed. The experimental results indicate that the proposed method can obviously reduce the residual noise in each intrinsic mode function compared with the EEMD and the EEMDAN, and it also has better signal reconstruction precision and faster signal decomposition.

        Empirical Model Decomposition (EMD); Ensemble EMD (EEMD); EEMD with Adaptive Noise (EEMDAN); Mode mixing

        TN911.7

        A

        1009-5896(2015)10-2383-07

        10.11999/JEIT141632

        2014-12-25;改回日期:2015-06-15;

        2015-07-17

        蔡念 cainian@gdut.edu.cn

        國家自然科學(xué)基金(61001179, 61471132),東莞市產(chǎn)學(xué)研合作項(xiàng)目(2013509104105)和廣州市產(chǎn)學(xué)研協(xié)同創(chuàng)新重大專項(xiàng)(201508010001)

        The National Natural Science Foundation of China (61001179, 61471132); The Project on Integration of Production, Education, and Research, Dongguan, Guangdong Province, China (2013509104105); The Guangzhou Science & Technology Key Project on Collaborative Innovation in Integration of Production, Education, and Research (201508010001)

        蔡 念: 男,1976年生,副教授,碩士生導(dǎo)師,主要研究方向?yàn)閿?shù)字信號處理、圖像處理、模式識別等.

        黃威威: 男,1986年生,碩士,主要研究方向?yàn)閿?shù)字信號處理、DSP開發(fā)等.

        猜你喜歡
        分量重構(gòu)次數(shù)
        機(jī)場航站樓年雷擊次數(shù)計(jì)算
        長城敘事的重構(gòu)
        攝影世界(2022年1期)2022-01-21 10:50:14
        2020年,我國汽車召回次數(shù)同比減少10.8%,召回?cái)?shù)量同比增長3.9%
        商用汽車(2021年4期)2021-10-13 07:16:02
        帽子的分量
        一類無界算子的二次數(shù)值域和譜
        一物千斤
        智族GQ(2019年9期)2019-10-28 08:16:21
        北方大陸 重構(gòu)未來
        論《哈姆雷特》中良心的分量
        北京的重構(gòu)與再造
        商周刊(2017年6期)2017-08-22 03:42:36
        分量

        久久亚洲av成人无码软件| 亚洲精品无码久久久久去q| 日本成本人三级在线观看| 午夜一级成人| 国产一区二区三区av香蕉| 日本黑人亚洲一区二区| 青青国产揄拍视频| 国产国产人精品视频69| 精品国产亚洲av成人一区| 穿着白丝啪啪的av网站| 少妇被粗大的猛烈进出免费视频 | 亚洲s色大片在线观看| 射死你天天日| 国产尤物二区三区在线观看| 日本女优免费一区二区三区| 18国产精品白浆在线观看免费| 97久久天天综合色天天综合色hd| 日韩精品永久免费播放平台| 日本一区二区三区丰满熟女| 欧美性猛交xxxx免费看蜜桃| 国产又色又爽无遮挡免费动态图| 高跟丝袜一区二区三区| 国产白色视频在线观看| 人与禽性视频77777| 国产真实露脸4p视频| 国产一级黄片久久免费看| 日本免费视频| 国产精品麻豆欧美日韩ww| 宅宅午夜无码一区二区三区| 全亚洲高清视频在线观看| 专干老肥熟女视频网站300部| 中文字幕国产91| 国产风骚主播视频一区二区 | 日本综合视频一区二区| 少妇人妻精品一区二区三区| 国产精品无码专区视频| 白色白色在线视频播放平台| 美女扒开大腿让男人桶| 又硬又粗又大一区二区三区视频 | 亚洲成在人线天堂网站| 性做久久久久久久|