[发明专利]一种基于CEEMD与小波包的超声信号降噪方法

说明书

本发明公开了一种基于CEEMD与小波包的超声信号降噪方法，该方法首先利用CEEMD算法对信号进行模态分解，得到一系列本征模态函数和一个趋势项，其次对本征模态函数中噪声主导模态进行软阈值降噪，对信号主导模态进行无偏似然估计原理的自适应规则降噪，最后利用小波包分析精细的分解能力对信号进一步去噪。CEEMD算法是将两对相反的白噪声添加到原始信号中，分别进行EMD分解并将结果进行平均，能够有效克服端点效应和模态混叠问题，而小波与小波包分解都在不添加辅助噪声的条件下进一步降噪。本发明所提降噪方法比传统去噪方法性能更佳。本发明可广泛应用于材料缺陷信号处理。

技术领域

本发明涉及缺陷回波信号处理技术领域，特别是一种基于CEEMD与小波包的超声信号降噪方法。

背景技术

在超声无损检测中，噪声往往夹杂在有用信号中，因而得到缺陷信息的关键在于如何对回波信号进行降噪。由于回波信号的非线性、非平稳性，传统的傅里叶变换难以准确识别有用信号，进行有效去噪。小波变换作为傅里叶变换的改进，具有较好的时频局部分析能力，该方法的缺点在于去噪效果受小波基函数、分解层数和阈值的选取影响较大，且选取原则往往靠经验来确定。小波包变换是小波变换的新发展，能够为信号提供一种更加精细的分析方法，对小波变换没有细分的高频部分进一步分解，从而提高了对信号的处理能力，但仍存在和小波变换相同的缺点。经验模态分解(EMD)是一种时频分析新方法，能够较好的处理非线性和非平稳信号，且自适应性较强，将信号分解为一系列从高频到低频排列的固有模态函数(IMF)和一个残差，克服了小波阈值去噪法的缺点，然而它也有其不足之处，如模态混叠、端点效应等。集合经验模态分解(EEMD)，利用白噪声的零均值特性，向原始信号中多次添加不同的白噪声，再经过多次平均即可抵消白噪声，得到一系列IMF，有效得克服了EMD分解中存在的模态混叠现象。基于EEMD的互补集合经验模态分解(CEEMD)方法是将两对相反的白噪声添加到原始信号中，分别进行EMD分解并将结果进行平均而得到最终的IMF，该方法进一步地减轻了模态混叠问题，同时使分解结果更彻底。

上述研究分析了从小波、小波包分解到EMD、EEMD以及CEEMD算法各自的特点，然而这些方法都存在各自的优缺点，而如何寻找一个最优的算法或者算法融合方式，能够对超声信号缺陷回波在有效去除噪声信号的同时，可以更大程度上保留有用信号，仍需进一步研究。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于CEEMD与小波包的超声信号降噪方法，本发明有效去除噪声信号的同时，能保留更多的有用信号。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于CEEMD与小波包的超声信号降噪方法，包括以下步骤：

步骤一、建立含噪超声信号数学模型；

步骤二、利用步骤一建立好的数学模型生成含噪信号，并进行CEEMD分解降噪，将含噪信号分为n个本征模态函数IMF，求得每个IMF的自相关函数；

步骤三、根据自相关函数的特性，判断出临界模态，将IMF分为两类，对噪声主导模态进行软阈值降噪，对信号主导模态进行无偏似然估计原理的自适应规则降噪；

步骤四、对所有IMF进行重构，将重构后的信号选取小波基函数和分解层数进行小波包降噪，得到降噪后的有用信号。

作为本发明所述的一种基于CEEMD与小波包的超声信号降噪方法进一步优化方案，步骤二中对含噪信号进行CEEMD分解降噪的具体过程：

1)、向含噪信号中加入一对等长的、设定标准差的正负白噪声组成的辅助白噪声，生成两个新的信号；

2)、对步骤1)中的两个新的信号分别进行EMD分解，得到两组IMF分量，每组n个IMF；