[发明专利]一种基于集成经验模态分解的海杂波去噪方法

摘要

本发明公开了一种基于集成经验模态分解的海杂波去噪方法，其将白噪声信号加入到含有目标信号的海杂波信号中得到加噪后的海杂波信号，将该海杂波信号分解成一系列从高频到低频的固有模态函数，通过各个固有模态函数的自相关特性，分选出有用信号和噪声分量，对噪声占主导作用的固有模态函数，选用Savitzky‑Golay滤波方法进行滤波消噪处理，将滤波后的模态分量和剩余分量进行重构得到削除噪声后的海杂波信号；再结合最小二乘支持向量机建立混沌序列的单步预测模型，从预测误差中检测淹没在海杂波背景中的微弱信号，有效解决了传统经验模态分解的模式混叠现象，提高海面监测水平；比较去噪前和去噪后的均方根误差，可以利用均方根误差去评价噪声去除效果。

主权项

一种基于集成经验模态分解的海杂波去噪方法，该方法包括步骤1，生成N条白噪声信号，所述白噪声信号的序列长度与所采集的原始海杂波信号x(n)的序列长度相等，将所述白噪声信号加入到原始海杂波信号x(n)中得到加噪后的海杂波信号，即：xi(n)＝x(n)+hi(n),i＝1,2...,N，其中，xi(n)为第i次加入白噪声后的海杂波信号，hi(n)为第i次加入的白噪声；步骤2，对加噪后的海杂波信号xi(n)分别进行经验模态分解，得到M个固有模态函数Cij(n)和一个余量Ri(n)，其中Cij(n)表示第i次加入白噪声后分解得到的第j个固有模态函数，i＝1,2...,N，j＝1,2,...,M；步骤3，由于白噪声之间不相关，其均值为零，则将Cij(n)和Ri(n)分别集成平均，当N取传值100时，为足够大，则添加的白噪声的固有模态函数之和将趋于0；集成平均的结果为：Cj(n)=1NΣi=1NCij(n)]]>R(n)=1NΣi=1NRi(n)]]>其中Cj(n)为集成平均后的第j个固有模态函数分量，R(n)为余量Ri(n)的平均值；其特征在于还包括：步骤4，分别计算每个固有模态函数Cij(n)的自相关函数值；固有模态函数Cij(n)的自相关函数值为：R(n1,n2)＝E(Cij(n1)Cij(n2))基于集成经验模态分解的海杂波去噪方法用归一化自相关函数进行计算：ρ(τ)=R(τ)R(0)]]>其中：τ＝n1‑n2，表示时间差；步骤5，根据噪声和海杂波信号的自相关特性，判断出噪声占主导作用的模态分量C1(n)～Ck(n)；步骤6，对噪声占主导作用的模态分量使用Savitzky‑Golay滤波器进行滤波处理，得到去除噪声的模态分量C1′(n)～Ck′(n)；步骤7，将滤波处理后的模态分量C1′(n)～Ck′(n)和剩余分量R(n)进行重构得到去噪后的混沌信号x′(n)=Σj=1kCj′(n)+Σj=kMCj(n)+R(n);]]>步骤8，通过经典的Grassberger‑Procaccia算法重构混沌信号x'(n)的嵌入维m,用改进的自相关法求解时间延迟td，利用混沌时间序列的相空间重构理论，重构出混沌信号x'(n)的相空间；步骤9，利用最小二乘支持向量机建立混沌序列预测模型；步骤10，利用混沌预测模型进行单步预测，获得预测值，从预测误差中检测淹没在海杂波背景中的微弱信号。