本发明专利技术公开了一种基于PCA和EMD的传感器网络感知信息去噪处理方法，该方法首先对感知信号进行EMD分解得到K个表征时间尺度的IMF分量imfk(t)和余项；然后提取imf1中的信号细节信息计算所含噪声的能量W[1]，并根据W[1]计算其它各层的能量；再对imfk(t)进行PCA分解，并根据imfk(t)中所含噪声能量的比例，选择合适个数的前H个主分量进行重构去噪，得到去噪后的信号细节信息累加全部去噪后的信号细节信息和余项，得到去噪后的信号本发明专利技术方法简单，去噪效果好。
【技术实现步骤摘要】
本专利技术涉及去除噪声的处理方法，具体地指一种基于PCA和EMD的传感器网络感知信息去噪处理方法。
技术介绍
无线传感器网络能够协作地实时监测、感知和处理监测区域的信息，并把这些信息传送给用户。由于受到监测环境的影响，感知信息中会含有大量的噪声，这些噪声如不剔除，会导致无法对监测信息进行准确地分析，严重影响到后续处理的正确性。因此，如何对被噪声污染的感知信息进行有效的去噪以获得更准确的传感器测量值，是一个亟待解决的问题。 小波分析具有良好的时频分析特性，在信号去噪中得到了广泛的应用，但在应用小波变换对信号去噪时，需要预先选定小波基和分解的层数。已有的研究表明，相同条件下选用不同的小波基和分解层数，对去噪结果影响很大，特别是小波基函数的选择，对去噪结果有决定性的影响，这给利用小波进行信号去噪带来了很大的不便。EMD(Empirical mode decomposition),即经验模态分解,在一定程度上克服了小波变换的不足，它是Huang等人提出的一种完全数据驱动的自适应分解算法，可以把数据分解成具有物理意义的一组内蕴模态函数(Intrinsic mode function, IMF)分量。与小波变换相比，EMD中的基函数和分解层次不需要事先给定，而是根据信号特性通过迭代的方式自适应地获取，基底和分解层次会随信号的不同而改变。目前已有的基于EMD的信号去噪算法主要分为三大类第一类是部分重构去噪法，该类方法中通过一定的规则选出部分高频MF，把选出的高频MF当作纯噪声直接去除，然后累加剩余的MF以实现去噪；第二类是直接阈值去噪法，该类方法中将基于小波变换的软/硬值滤波思想直接用于EMD中，对MF系数采用阈值去噪的方法进行处理，对处理后的各层MF进行累加以实现去噪；第三类是基于模态单元的阈值去噪法，该类方法中考虑到EMD分解的特性，将IMF中两个过零点间的模态单元作为基本分析对象，用模态单元振幅作为阈值处理特征，以模态单元为单位对IMF进行阈值处理以实现去噪。上述算法均为EMD去噪提供了很好的思路，取得了较好的去噪效果，但仍存在一些问题。如在部分重构去噪法中，将选出的高频頂F作为噪声直接去除而对剩余的MF直接累加，导致去噪后信号细节信息丢失较多且噪声不能完全去除；在直接阈值去噪法中，没有考虑EMD分解的固有特性，去噪时破坏了模态单元的完整性，影响了去噪的效果；在基于模态单元的阈值去噪法中，兼顾了 EMD的分解特性，去噪时没有破坏IMF中固有振荡的完整性，提高了噪声去除能力和信号细节保持能力，与另外两种方法相比，取得了更好的去噪效果。但在基于模态单元的阈值去噪法中，仍然有两个问题难以解决一是模态单元的阈值确定是个难题，现有算法中常采用小波阈值或根据经验选择阈值，没有完善的阈值选择标准；二是算法中将极值小于阈值的模态单元直接去除，而极值大于阈值的模态单元直接保留。但噪声是分布在整个IMF中的，因此对小阈值模态单元直接去除，会导致部分信号信息被丢失；而对大阈值模态单元中所有点都不加以处理直接保留，会导致噪声不能被完整去除。
技术实现思路
本专利技术目的在于克服上述现有技术的不足而提供一种基于PCA (Principalcomponent analysis,基于主成分分析)和EMD的传感器网络感知信息去噪处理方法,该方法能够进一步提高EMD的去噪能力，有效地消除感知信息中的噪声。实现本专利技术目的采用的技术方案是一种基于PCA和EMD的传感器网络感知信息去噪处理方法，包括以下步骤对感知信号x(t)进行EMD分解，将x(t)分解为K个表征时间尺度的IMF分量imfk(t)和余项 rK,其中(k = 1，2，· · ·，K)；利用“3 ο法则”，提取Imf1中的信号细节信息imf/ ；计算imf听含噪声的能量W[l],再根据W[l]计算imfk(t) (k ^ 2)中所含噪声的能量W[k]；对imfk(t)进行PCA分解，并根据imfk(t)中所含噪声能量的比例，选择合适个数的前H个主分量f = (Pl,P2,...,Piy,0,...,0)7'进行重构去噪,得到去噪后的信号细节信息imff .累加全部去噪后的信号细节信息imf/和余项rK,得到去噪后的信号\(/)。在上述技术方案中，所述感知信号x(t)通过下式进行EMD分解 Kx(i) = ^imfi-α) + *νω，其中imfk = yk+nk，yk表示没被污染的原始信号，nk表示所k=l含噪声，且％ #(0，<^2)。在上述技术方案中，所述imff通过以下公式提取 ηιΓ1 Γ/ = i imfi [,·]- U[/]) ^ I O, if< 3σ, ο上式中，I彡i彡M，M为imfi的长度;噪声方差< 二，冊表示的 0.6/4)高频子带小波系数。在上述技术方案中，所述imlT所含噪声的能量w[l]通过以下公式计算^[1] = Cimf1 -Imf1tiXimf1 -imiff =曼(啤[/] —h<[/])2'=>O在上述技术方案中，所述imfk(t) (k彡2)中所含噪声的能量W[k]通过下式计算WTIl /.V^[k\ =~--P，k 彡 2 ;式中 γ=0· 719，P = 2. 01。 /在上述技术方案中，所述H按照以下方法进行取值如果存在β使得以下不等式成立，则令H = β， (N I N λ JTrv i ( N I N λΣ 為為/ Μ I J[^i=β / = J其中，N为PCA分解后的主分量个数，Ai为第i个主分量pi对应的特征值；e(Xk) = XrkX,为X,的能量，Xi- =*mfj — E (imfj )，E(imf[)为imff 的期望。所以，imfk去噪后的值imff =Jxft +))，其中I = Σ ,Ρ/，Ui 为特征值 λ ^对应的特征向量。附图说明图I为本专利技术方法的流程图；图2为原始Doppler信号示意图； 图3为含有噪声的Doppler信号不意图；图4为图3所示信号采用Bayesian-Wavlet方法去噪后的信号示意图；图5为图3所不/[目号米用Mode-EMD方法去噪后的/[目号不意图；图6为图3所示信号采用本专利技术方法去噪后的信号示意图。具体实施例方式下面结合附图和具体实施例对本专利技术作进一步的详细说明。本专利技术基于PCA和EMD的传感器网络感知信息去噪处理方法(以下简称PCA-EMD方法)，包括以下步骤步骤SlOl :对感知信号X⑴进行EMD分解，将x (t)分解为K个表征时间尺度的 KIMF 分量 imfk(t)和余项 rK,即 X(Z) = Zimfi.(O+ rA'(/)，(k = 1，2，· · ·，K)。其中，imfk =yk+nk, yk表示没被污染的原始信号，nk表示所含噪声,且％ ~ Λ7(0，( )。步骤S 102 :利用“3 σ法则”，提取Imf1中的信号细节信息imf/。实际的Imf1中仍含有一定量的信号细节信息，对Imf1进行适当的处理，提取其所含的信号细节信息并加以保留，会提高去噪效果，利用处理后的Imf1估计其余頂F中所含噪声的能量也更准确。由于Imf1中噪声占绝大部分，而仅含有少量的信号细节信息，而且所含噪声仍近似服从零均值正态分本文档来自技高网...
【技术保护点】
一种基于PCA和EMD的传感器网络感知信息去噪处理方法，其特征在于：对感知信号x(t)进行EMD分解，将x(t)分解为K个表征时间尺度的IMF分量imfk(t)和余项rK，其中k＝1,2,...,K；利用“3σ法则”，提取imf1中的信号细节信息？计算？所含噪声的能量W[1]，再根据W[1]计算imfk(t)中所含噪声的能量W[k]，其中k≥2；对imfk(t)进行PCA分解，并根据imfk(t)中所含噪声能量的比例，选择合适个数的前H个主分量？进行重构去噪，得到去噪后的信号细节信息？累加全部去噪后的信号细节信息？(1≤k≤K)和余项rK，得到去噪后的信号？FDA00002297176700011.jpg,FDA00002297176700012.jpg,FDA00002297176700013.jpg,FDA00002297176700014.jpg,FDA00002297176700015.jpg,FDA00002297176700016.jpg
【技术特征摘要】
1.一种基于PCA和EMD的传感器网络感知信息去噪处理方法,其特征在于对感知信号X (t)进行EMD分解，将X (t)分解为K个表征时间尺度的IMF分量imfk(t)和余项rK,其中k = I, 2,. . . , K ；利用“3 σ法则”，提取Imf1中的信号细节信息imf/计算ηπΓ所含噪声的能量W[l]，再根据W[l]计算imfk(t)中所含噪声的能量W[k]，其中k彡2 ;对imfk(t)进行PCA分解，并根据imfk(t)中所含噪声能量的比例，选择合适个数的前H个主分量f = (PpP2，…，P//A...，of进行重构去噪，得到去噪后的信号细节信息imf。累加全部去噪后的信号细节信息imff (I ^ k ^ K)和余项rK，得到去噪后的信号2.根据权...
【专利技术属性】
技术研发人员：汪祥莉，李腊元，王文波，
申请(专利权)人：武汉理工大学，
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。