[发明专利]一种星载全波形信号的自适应经验模态分解去噪方法

说明书

本发明提供了一种星载全波形信号的自适应经验模态分解去噪方法，包括：获取含噪的全波形信号；进行EMD分解，以获取所有IMF成分；确定每个IMF成分的Hurst指数值；根据指数值判断该成分是否是高频IMF成分；若为高频IMF成分，则进行软阈值处理，得到去噪后的高频IMF成分并保留，否则，直接保留；将去噪后的高频IMF成分和低频IMF成分叠加，重构为去噪后的全波形信号。本发明的自适应经验模态分解去噪方法通过构建H值实现了高频噪声成分的快速大量判断；同时，对选定的高频IMF成分进行软阈值处理，由此，在需要去除的成分中再次搜索可能的信号成分，避免直接去除高频成分带来有效信号的损失，使得信噪比更高。

技术领域

本发明属于星载激光测高仪领域，具体涉及一种星载全波形信号的自适应经验模态分解去噪方法。

背景技术

在星载激光测高仪获取的全波形信号处理中，全波形分解是提升测距精度和准确反演地物目标特征参数如坡度、粗糙度等的关键^[1]。由于充斥在波形信号中的太阳光等背景噪声、仪器设备热噪声等^[2]会干扰全波形分解过程中初始参数的估计进而影响其测距精度^[3]，因此，既能有效去除噪声同时保持波形形态特征的激光测高全波形去噪方法的研究十分必要。

当前，基于回波波形信号用混合高斯模型来表达的假设，针对全波形去噪主要方法主要有高斯滤波器。然而，高斯滤波去噪效果依赖于核函数的宽度，过小的宽度去噪效果较弱，过大的宽度又会造成有效信号的损失，无法兼顾去噪效果和波形特征保留，对波形幅值的削弱和宽度展开会对波形分解的准确性产生影响^[4]。此外，还有小波滤波、傅里叶低通滤波等，在小波滤波器中，不同的小波基函数、分解尺度、重构方法等去噪参数的选择对小波去噪去噪效果影响较大，且选定的小波基函数用于分析所有的波形数据时不具有自适应性^[5]；傅里叶低通滤波能有效消除高频噪声，但是能反映原始波形丰富细节程度的截至频率设定需要不断试验确定^[6]。综上，已有的滤波器的去噪效果稳定性均会受到不同滤波参数的制约。

在现有技术中，Huang等提出的经验模态分解(Empirical Mode Decomposition，EMD)方法对波形信号先进行分解，以适应不同形态的波形信号。

EMD分解最早由Huang提出对非线性、非平稳信号进行分析的方法，该方法认为任何复杂的时间序列都是若干阶不相同的、简单的、非正弦函数的本征模态函数(intrinsicmode function,IMF)成分组成，基于此可以从复杂时间序列直接分离出从高频到低频基本时间序列的IMF成分。每个IMF需要满足两个条件：(1)整个IMF中零点数与极点数相等或至多相差1；(2)IMF上任意一点由局部极大值点确定的上包络线和由局部极小值点确定的下包络线均值都为零^[7]。获取每个IMF成分的筛选过程需要迭代满足以上两个条件，然后反复从原始全波形数据中减去已分离的IMF直至最后一个余项呈现单调趋势，即完成了全波形EMD的整个分解过程^[8]。

相比小波分解采用固定基函数，该方法最大的优点是基于信号本身的时间尺度特征，获得自适应的基函数^[7]，可以将复杂信号分解为高频成分的精细尺度到低频成分的粗大尺度的若干本征模态分量(Intrinsic Mode Function，IMF)和一个单调余项^[8]。一般全波形中噪声的频率远大于回波高斯脉冲的频率，因此，可以通过舍弃一定高频的IMF成分实现信号去噪。但如何判断、选择高频的IMF成分却是实际应用中的难题。当前基于EMD分解去噪方法都是基于选取固定几个高频IMF成分去除或者与传统滤波器结合将过滤后的IMF实现信号的重构^[9-12]，以上方法也都不具备自适应性。

H值计算：