[发明专利]染噪红外光谱信号的去噪方法

说明书

本发明涉及红外光谱信号的去噪方法技术领域，是一种染噪红外光谱信号的去噪方法，按下述步骤进行：第一步，将加入高斯白噪声后的染噪红外光谱信号进行经验模态分解后得到j个本征模态分量，将j个本征模态分量加权平均后得到加权平均本征模态分量和残余量；第二步，对染噪红外光谱信号进行信号重构后得到重构信号。本发明所述的染噪红外光谱信号的去噪方法对染噪红外光谱信号的降噪效果更佳，并且根据本发明所述的染噪红外光谱信号的去噪方法降噪后的红外光谱信号更加贴近未染噪的红外光谱信号，为乳腺癌等疾病的诊断和治疗，能够提供更好的依据。

技术领域

本发明涉及红外光谱信号的去噪方法技术领域，是一种染噪红外光谱信号的去噪方法。

背景技术

光谱检测技术是诊断乳腺癌的一种新技术，其中红外光谱技术作为快速、简单、非破坏性的定性和定量分析的方法，因此被广泛应用。实测的红外光谱常含有大量干扰信息(噪声信号等)，而噪声主要来源于三个方面，探测器噪声、电子线路噪声和环境噪声。因此，在光谱分析和处理中降噪显得极为重要。

目前常用的降噪方法主要有小波、经验模态分解(EMD)和EEMD等，其中基于小波变换的降噪方法需要先验知识，即选取小波基、小波层数和阈值等等问题。EMD是一种新型的自适应信号处理方法，适合于非线性、非平稳信号。但EMD方法的一个重要缺陷就是模态混叠，使得降噪后的信号失真。另外，LMS自适应滤波器是基于纠错学习规则的学习算法，由于其算法简单、不需要先验知识，很快得到了广泛应用，成为自适应滤波的标准算法。但是LMS算法的稳态误差与收敛速率存在不可避免的矛盾，降噪效果时好时坏。Wu(Wu Z H,Huang NE.Ensemble empirical mode decomposition:a noise assisted data analysis method[J].Advances in Adaptive DataAnalysis)等在对EMD分解中遇到的模态混叠现象研究的基础上，提出了EEMD的方法。一个非平稳信号通过EEMD分解后可以得到若干个平稳的本征模函数(IMF)，该方法得到的IMF有效地克服了EMD分解中模态混叠的问题，但是遇到低信噪比的信号，在异常事件的影响下使得EEMD分解的染噪信号的高频本征模函数出现了不同程度的白噪声污染。

发明内容

本发明提供了一种染噪红外光谱信号的去噪方法，克服了上述现有技术之不足，本发明所述的染噪红外光谱信号的去噪方法首次采用EEMD联合VS-LMS(可变步长最小均方自适应滤波器)对染噪红外光谱信号进行降噪，本发明所述的染噪红外光谱信号的去噪方法相对于现有的红外光谱降噪方法而言，具有更佳的降噪效果，为乳腺癌等疾病的诊断和治疗，能够提供更好的依据。

本发明的技术方案是通过以下措施来实现的：一种染噪红外光谱信号的去噪方法，按下述步骤进行：第一步，将加入高斯白噪声后的染噪红外光谱信号进行经验模态分解后得到j个本征模态分量，j为自然数，将j个本征模态分量加权平均后得到加权平均本征模态分量和残余量；第二步，对染噪红外光谱信号进行信号重构后得到重构信号；第三步，将重构信号输入可变步长最小均方自适应滤波器，在可变步长最小均方自适应滤波器中初始化权值、设定步长因子的初始值、设定阶数和设定运行次数，可变步长最小均方自适应滤波器在运行的过程中，更新步长因子，当均方误差的曲线为收敛曲线时，可变步长最小均方自适应滤波器输出信号为降噪信号；具体地，