【技术实现步骤摘要】
本专利技术涉及一种用于互信息式排列熵ceemdan滤波降噪算法，属于信号处理。
技术介绍
1、经验模态分解(empirical mode decomposition,emd)是一种新型的自适应信号时频处理方法，非常适合于非线性、非平稳信号的分析处理。emd基于信号本身的局部特征时间尺度，把复杂的信号分解成了有限的本征模态函数(intrinsic mode function,imf)之和，但分解出的imf分量之间存在着模态混叠的现象，易造成降噪后的信号失真；集成经验模态分解(ensemble empirical mode decomposition,eemd)方法能够有效地消除emd方法中存在的模态混叠现象，但需要较高的迭代次数以减少重构信号中的辅助噪声，导致效率低下；互补集合经验模态分解(complementary ensemble empiricalmodedecomposition,ceemdan)是在eemd的基础上，用正负对的白噪声代替加入的辅助白噪声，可以在减少模态混叠现象的同时，消除重构信号中的残余辅助噪声，提高计算效率。然而，通过ceemdan分解得到的imf分量并非全部是具有实际物理意义，存在着部分imf分量是正负白噪声的现象，且超声回波的有用信号成分较为单一，与激励信号具有极高的相似度。
2、陈波等人在专利技术专利cn114176596a中专利技术了一种改进的经验模态分解排列熵的方法，可以通过排列熵检测和加窗降噪处理的方法有效去除白噪声，从而降低干扰。这种方法可以筛选出去除噪声的imf分量，但对于超
3、多功能排列熵算法是将多尺度和pe算法相结合，即进行pe优化，多功能排列熵算法可非常有效的分析时间序列；综合信息交叉式算法可以用于衡量多条随机信号间相互依赖性的度量，可以看成是一种随机变量中包含的关于另几种随机变量的信息量。本专利技术采用一种基于综合信息交叉式多尺度排列熵的ceemadan算法，可以实现可靠的超声回波信号的滤波降噪。
技术实现思路
1、本专利技术为解决通过ceemdan分解得到的imf分量并非全部是具有实际物理意义，存在着部分imf分量是正负白噪声的现象，且超声回波的有用信号成分较为单一，与激励信号具有极高相似度的问题，进而提出一种用于超声回波信号的综合信息交叉式排列熵滤波降噪算法。
2、本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤包括：
3、步骤1、ceemdan分解；
4、步骤2、多功能排列熵算法进行imf分量中噪声分量的鉴定；
5、步骤3、非噪声imf分量与原始信号、激励信号的综合信息交叉量计算。
6、进一步的，步骤1中ceemdan分解具体包括：
7、对原始信号x(t)分别施加n对正负噪声ui(t)，即
8、
9、得到加入正负噪声的信号与寻找其局部极大值点与局部极小值点，利用三次样条函数对这些局部极大值点和局部极小值点进行插值得到上下包络值，计算与的上下包络均值与
10、将与分别减去包络均值，得到：
11、
12、检验和是否满足极值点数目和过零点数目相等或最多差一个且在该时间区间任一点包络均值为0，若不符合，继续重复上述过程，直到第k次循环时，得到满足要求的和记：
13、
14、与即为与筛选出的第一个imf分量，以此类推，最终即可将与分解为m个imf分量和残差之和，即
15、
16、
17、式中，为新筛选出的imf分量，和为不可再分解的残差，对与求平均值，即可得到第k个imf分量，
18、
19、再对imfik做集总平均，最终可得到x(t)经ceemd分解后的m个imf分量，
20、
21、进一步的，步骤2中多功能排列熵算法进行imf分量中噪声分量的鉴定具体包括：
22、设imf分量的长度为l，对imf的时间序列进行多尺度粗粒化处理，见下式所示：
23、
24、式中s为尺度因子，为多尺度时间序列；多尺度粗粒化的核心是将时间序列进行分段，取各段平均值来提高运算精度，s取值过大则无法反应时间序列的复杂程度，过小则难以进行片段提取，分析效果差；
25、多功能排列熵本质是求解多尺度时间序列的排列熵值，即对任意序列采用坐标延迟重构法进行空间重构，
26、取多尺度时间序列连续采样m个点，得到多尺度时间序列的m维空间重构向量其中σ是时间延迟，m是嵌入维数，对时间重构序列按升序排列，得到m！种排列方式，并计算每种排列方式出现的概率，记为pi(0<pi≤1,i≤m！)，根据熵的定义计算时间序列的mpe值，将pe值标准化为则pe^的取值范围是0至1，pe^越靠近0，说明imf分量越随机，越没有规律；反之则说明该序列具有一定的规律性，通过设置pe阈值，区别imf中的噪声分量与有用信号分量。
27、进一步的，步骤3中非噪声imf分量与原始信号、激励信号的综合信息交叉量计算具体包括：
28、将imf分量与原始信号x(t)、激励信号u(t)的进行综合信息交叉计算，综合信息交叉是指一种随机信号中包含另多种其他随机变量的信息量m1，通过公式(12)进行信息交互的计算；
29、
30、式中，p(imf,x(t))为imf与x(t)的联合概率密度分布，p(imf)和p(x(t))分别是imf
31、和x(t)的边缘概率密度；同理，计算imf分量与激励信号u(t)进行互信息计算，得到imf分量与激励信号的信息量m2，综合互信息量m*满足公式(12)
32、m*＝km1+(1-k)m2；(0＜k＜1)(12)
33、有用信号分量所在的imf的综合信息交叉量m*最大，将其提取出来，即可达到去除超声回波信号x(t)中的噪声成分，达到降噪的目的。
34、本专利技术的有益效果是：
35、1、本专利技术提供了一种基于综合互信息式多尺度排列熵的ceemad的超声回波信号的滤波处理方法，将通过ceemdan分解得到的一系列imf分量，通过多尺度排列熵算法滤除噪声成分的imf分量并剔除，选择剩余的imf分量与原始信号、激励信号进行综合信息相关性计算，互信息相关性最强的imf分量即具有较高信噪比的超声回波信号；
36、2、由图1与图2对比，可以看到，综合信息交互式多尺度排列熵ceemdan算法具有较好效果的滤波降噪效果，能够较好的适应超声回波信号频率集中，波形幅值较为微弱的特点，能够将与噪声信号混在一起的微弱超声回波信号识别出来，从而实现有效的滤波降噪。
本文档来自技高网...【技术保护点】
1.用于超声回波信号的综合信息交叉式排列熵滤波降噪算法，其特征在于：所述用于超声回波信号的综合信息交叉式排列熵滤波降噪算法包含原始信号x(t)的CEEMDAN分解IMF模态，IMF分量与原始信号的x(t)、激励信号的综合信息交叉式计算，具体步骤如下：
2.根据权利要求1所述的用于超声回波信号的综合信息交叉式排列熵滤波降噪算法，其特征在于：步骤1中CEEMDAN分解具体包括：
3.根据权利要求1所述的用于超声回波信号的综合信息交叉式排列熵滤波降噪算法，其特征在于：步骤2中多功能排列熵算法进行IMF分量中噪声分量的鉴定具体包括：
4.根据权利要求1所述的用于超声回波信号的综合信息交叉式排列熵滤波降噪算法，其特征在于：步骤3中非噪声IMF分量与原始信号、激励信号的综合信息交叉量计算具体包括：
【技术特征摘要】
1.用于超声回波信号的综合信息交叉式排列熵滤波降噪算法，其特征在于：所述用于超声回波信号的综合信息交叉式排列熵滤波降噪算法包含原始信号x(t)的ceemdan分解imf模态，imf分量与原始信号的x(t)、激励信号的综合信息交叉式计算，具体步骤如下：
2.根据权利要求1所述的用于超声回波信号的综合信息交叉式排列熵滤波降噪算法，其特征在于：步骤1中cee...
【专利技术属性】
技术研发人员：赵勃，吕堂祺，黄申，施睿贇，柳叶萍，杨艺珉，盛天辰，邓森，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。