[发明专利]一种基于时频分析的信号去噪方法

说明书

本发明公开了一种基于时频分析的信号去噪方法，包括步骤：一、待处理信号同步存储；二、信号去噪：采用数据处理设备对待处理信号f(t)进行去噪，过程如下：步骤201、基于寻优算法的信号稀疏分解；采用数据处理设备对进行查找时，对的时频参数r_n进行查找，过程如下：步骤C1、时频参数寻优；步骤C2、最佳时频参数确定；步骤202、信号重构。本发明方法步骤简单、设计合理且实现方便、使用效果好，采用基于寻优算法的信号稀疏分解方法搜索最佳匹配原子，同时结合适应度值与稀疏度确定最佳匹配原子，能大幅度加快信号去噪速度，并且能有效提高去噪效果，确保去噪后信号的准确性。

技术领域

本发明涉及一种信号去噪方法，尤其是涉及一种基于时频分析的信号去噪方法。

背景技术

时间和频率是描述信号的两个最重要的物理量，信号的时域和频域之间具有紧密的联系。时频分析(JTFA)即时频联合域分析(Joint Time-Frequency Analysis)的简称，为分析时变非平稳信号的有力工具，是一种新兴的信号处理方法。时频分析方法提供了时间域(简称时域)与频率域(简称频域)的联合分布信息，清楚地描述了信号频率随时间变化的关系。

目前，所使用信号采样系统(也称信号采集系统或信号采集设备)所采集的信号多为需进行时频分析的信号，如超声波探伤系统所采集的待处理信号、脑电采集系统所采集的脑电波信号、振动系统所采用的振动波信号、地震波检测系统所采集的地震波信号、微波检测系统所采集微波信号、通信系统中的时频信号等。

对信号进行时频分析时，去噪是前提，至关重要。目前，已有许多信号去噪方法，也称为信号提取方法，如非线性滤波、傅里叶变换和小波变换等，这些方法对提高一般信号的信噪比具有较好效果，但对于弱小信号提取或者强噪声背景下信号的提取具有局限性，提取结果不准确，可靠性不高。稀疏分解是一种新的信号分析理论，可以根据待提取信号的特征自适应的选择合适的展开函数，用很少的函数可以表示出所提取信号的基本特征，它可以在低信噪比情况下，更好地提取出弱小信号，最大化的逼近原始信号。稀疏分解算法首先是由Mallat提出的，它是众所周知的匹配追踪算法。但实际使用时，该算法仍存在以下两个缺陷，一是稀疏分解算法的计算量很大，计算时间在目前现有计算条件下十分巨大，无法进行实时提取；二是稀疏分解算法是连续条件下求的最优解，对于弱小信号的提取精度仍然有局限。

例如在超声探伤领域，目前在采煤机箱体等机械设备的缺陷检测中广泛使用的是超声检测方法。超声检测是一种重要的无损检测方法，超声信号是一个被探头中心频率调制的宽带脉冲信号，其回波信号中包含了大量与缺陷有关的信息，但是超声波信号(即待处理信号)常常被测量系统和测试工件的随机噪声和相关噪声污染，特别是粗晶材料中的晶粒噪声，这些噪声会使超声信号的缺陷识别变得困难，严重制约缺陷检测的精度和可靠性。因此，对超声检测回波信号进行去噪处理，保证所得缺陷信号的真实性十分重要。这对企业提高产品缺陷检出率、保证产品质量和产品使用寿命具有重要意义。由上述内容可知，对采煤机等机械设备的缺陷进行超声检测过程中，噪声严重影响了检测结果的可靠性和质量。从混有各种干扰噪声的信号(即超声检测信号)中提取出缺陷信号是确保回波信号准确性的关键，用超声波对材料内部缺陷进行检测时，缺陷信息将通过接收到的待处理信号的幅值、频率或相位来表现。上述缺陷信号指的是检测到的待处理信号，该待处理信号中含有缺陷信息。但是由于仪器噪声和测试环境因素的影响，检测信号会伴有各种电噪声、结构噪声以及脉冲噪声等各种干扰噪声，特别是当缺陷信号的微结构噪声很大，或者材料本身晶粒粗大时，缺陷与噪声的信号强度相比会显得微弱，这种强噪声背景下缺陷信号的提取是超声信号处理领域研究的难题。如何从这些信号中提取所需信息是一项困难而又重要的课题。因此对超声检测回波信号进行去噪处理，保证所得缺陷信号的真实性十分重要。但上述现有的信号提取方法，如非线性滤波、傅里叶变换和小波变换等，这些方法对提高一般超声信号的信噪比具有较好效果，但是对于小缺陷或者强噪声背景下缺陷的提取具有局限性，检测结果不准确，可靠性不高。而稀疏分解算法存在两个缺陷，一是稀疏分解算法的计算量很大，计算时间在目前现有计算条件下十分巨大，无法进行实时检测；二是稀疏分解算法是连续条件下求的最优解，对于弱小缺陷的检测精度仍然有局限。