[发明专利]一种混沌信号降噪方法

说明书

本发明公开一种混沌信号降噪方法，首先利用CEEMDAN将原始信号分解为多个IMF，根据IMF的ETC识别噪声IMF。然后计算剩余IMF的RCMDE，由RCMDE可将其划分为三组IMF，即：噪声主导IMF，真实信号主导IMF和真实IMF。最后对噪声主导IMF和真实信号主导IMF分别进行最佳分解层次的小波阈值降噪，并把降噪后的信号与真实IMF进行重构，进而得到最终的降噪信号。通过对含噪混沌信号进行仿真实验，并与EMD_MSE_WSTD和EEMD_DE_WSTD两种降噪方法进行对比，发现本发明方法具有较为明显的高信噪比和低均方根误差的优势。将其应用于三种不同类别的真实水声混沌信号降噪，发现降噪后的信号不仅在波形上基本消除了噪声干扰，而且更清晰地恢复出了混沌吸引子的拓扑结构，为水声混沌信号的进一步处理奠定了基础。

【技术领域】

本发明属于混沌信号处理领域，具体涉及一种混沌信号降噪方法。

【背景技术】

随着人们对混沌现象认识的不断深入，混沌应用已经拓展到通信、信号检测、生物工程等诸多领域。在混沌信号的产生、传输和再生过程中，不可避免的受到各种噪声的影响，因此如何抑制噪声，是混沌信号处理的一个重要研究方向。水声混沌信号是一种非线性、非高斯、非平稳信号，由于传统的水声混沌信号降噪方法忽略了信号自身存在的特性，具有很大的局限性，因此，有效的水声混沌信号降噪技术在水声信号处理中的应用前景相当广泛。

自适应噪声完备集合经验模态分解技术不仅基本上消除了EMD的模态混叠现象，而且解决了EEMD分解过程的不完备性和产生重构误差的问题。为了进一步研究混沌信号的特征信息，学者们提出了多种复杂性衡量方法。研究表明，ETC具有比Lempel-ZivComplexity(LZ)和Shannon熵更多的不同复杂度值，能够实现更精细的分辨。另外，Azami以散布熵(DE)为基础，对多尺度散布熵(MDE)进行了改进，提出了精细复合多尺度散布熵(RCMDE)，相比于多尺度熵(MSE)、MDE，RCMDE具有稳定性更好、可靠性更高、计算速度更快和识别率更高等优势。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种混沌信号降噪方法；该方法针对EMD降噪算法的分解过程不完善和自适应性较差导致降噪困难的问题，提出一种基于CEEMDAN、ETC、RCMDE和小波阈值去噪的混合降噪方法。主要解决现有的降噪方法在降噪时，由于IMF的划分不精细、不准确等缺陷造成部分有用信息缺失或降噪效果差的问题，为混沌信号的进一步处理奠定基础。

为达到上述目的，本发明采用以下技术方案予以实现：

一种混沌信号降噪方法，包括以下步骤：

步骤1，通过自适应噪声完备集合经验模态将原始含噪混沌信号分解为若干个固有模态函数；

步骤2，计算每个固有模态函数的复杂度，并通过复杂度值识别出序列A，序列A为噪声序列；

步骤3，计算除序列A以外的固有模态函数的精细复合多尺度散布熵，根据精细复合多尺度散布熵的不同阈值将剩余的固有模态函数划分为序列B、序列C和序列D，其中序列B为噪声主导序列，序列C为真实信号主导序列，序列D为真实序列；

步骤4，对序列B和序列C分别进行小波软阈值降噪，降噪后的信号通过信噪比和均方根误差确定最优级别，进而确定降噪效果最优的序列B和序列C；

步骤5，去除序列A，将步骤4得到降噪效果最优的序列B、降噪效果最优的序列C和序列D组合重构，获得最终降噪信号。

本发明的进一步改进在于：

优选的，步骤1中，自适应噪声完备集合经验模态分解原始含噪混沌信号为若干个固有模态函数时，定义原始信号为x(t)，将自适应噪声完备集合经验模态所产生的第n个模态分量记作最终的余量信号为R(t)，则原始信号x(t)的组成为：