摘 要:本文对武器脉冲噪声信号的去噪方法进行了研究。分析了传统滤波器去噪方法的不足,讨论了小波分析的理论基础、小波去噪的原理和步骤。对武器脉冲噪声信号进行了去噪的对比实验,结果表明:小波分析法更有效去除了固定频率噪声和高频噪声,优于传统滤波器的去噪方法,这对于武器脉冲噪声的评价具有重要意义。
关键词:小波分析;脉冲噪声;滤波器;去噪
火药爆炸、火炮发射等会伴随巨大的脉冲噪声,准确获取噪声测试数据,以正确评价武器脉冲噪声。通过研究其物理特性和发生规律,采取有效措施进行控制或对人员进行防护,以降低危害。但由于噪声测试环境比较恶劣,所测得的数据常受到高强度噪声信号的污染。直接用受到污染的数据分析时,必然会造成很大的误差,也不能正确评价脉冲噪声特性。因此需对受到污染的数据进行消噪处理,以提取有用信号,对干扰信号进行最简单有效的消噪处理就是用滤波器对信号进行滤波。由于脉冲噪声含有丰富的频率成份和非平稳干扰信号,使用传统滤波器进行消噪时,易把有用的信号滤掉,或者把高频干扰信号当作了有用信号而不能很好地消噪[1]。本文采用小波分解的去噪方法,不仅有效去除干扰噪声,而且较好的保留了有用信号,优于传统的滤波器去噪的方法。
1 小波分析的理论基础
小波分析最大的优点是具有“局部化”性质和“数学显微镜”性质[2],非常适于非线性、非平稳信号的分析。小波分析是一种信号的时间频率分析方法,克服了传统傅里叶变换的缺陷,具有多分辨率分析的特点,同时在时域、频域表征信号的局部特征。在时域和频域两个范围内,虽然其窗口大小固定不变,但窗口形状均可以改变[3]。在小波分解过程中,将待分析信号通过小波分解成两部分,得到低频系数向量和高频系数向量,两个连续的低频系数之间损失的信息可以由高频系数获得,然后将低频系数向量继续分解,而高频信号保持不动[4]。
小波函数)
(2RLt∈ψ,ψ通常是一个带通滤波器,它满足以下允许性条件:
∫∞∞.=Ψ0)(dtt
∞<Ψ=∧∞∞.Ψ∫ωωωdC2)(
)(tψ为基小波。其中)(ωψ∧是)(tψ的傅立叶变换。小波是指由经过伸缩和平移后形成的一族函数,可表示为:
{}0,,),
(21,≠∈.Ψ=Ψ.aRbaabtatba
其中,a为尺度参数,可改变滤波器的频带宽度,决定了小波变换中的频率信息。b为位置参数,它决定了变换结果中的时域信息。由此可见,小波函数是同时具有频域和时域定位特性的函数。
在实际应用中对尺度参数a和位置参数b都以离散方式取值,即maa0=,manbb00=,0,0,,00>>∈baZnm且为定值,00,ba的选取依赖于小波ψ。相应的离散族是
)
(002000020,nbtaaaanbtatmmmmmnm.Ψ=.Ψ=Ψ...
此时就得到离散小波变换,即:
∫+∞∞...Ψ.Ψ=dtnbtatxaxWmmnm)
(002,0
小波分析在实际应用时如同一组高通和低通滤波器。被分析信号在低通滤波器的作用下形成信号的模糊部分,而在高通滤波器作用下形成信号的细节部分。对信号)2;1,,1,0
,(NLLnnx=.=K进行小波分解,计算出系数NjC,进而由分解算法求出模糊部分系数kja和细节部分系数KK,1,12,,1,0,.=.=Nkjdkkj。设sf为采样频率,则kjd所对应的频带[]1/)2/(,/)2/(...kNskNssfsf。细节部分覆盖频带的低频接近于1/)2/(.Nssf,高频为采样频率的一半,即2/sf。
2 小波分析用于信号降噪的原理
如果一个信号)(nf被噪声污染后为)(ns,那么基本的噪声模型就可表示为:
)
(nenfnsσ+=
其中)(ne为噪声,σ为噪声强度。一般取)(ne为高斯白噪声,且1=σ。小波变换的目的就是要抑止)(ne以恢复)(nf。一维信号的小波消噪算法一般有以下3个步骤:对信号进行小波分解,选取合适的阈值,离散信号的重建。
2.1 对信号进行小波分解
选择一个小波并确定一个小波分解的层次N,然后对信s进行N层小波分解,对一个已知长度为L的离散样本数据s,最多可进行L2log次分解。第一步从原始信号s开始,产生两组参数,一组是将样本s与低通分解滤波器Lo_D卷积滤波,下抽样即保留偶数下标样本后,得到的离散近似信号cA1,另一组是将样本s与高通滤波器Hi_D卷积滤波,下抽样即保留偶数下标样本后,得到离散细节信号cD1,这种算法也称快速小波变换算法(FWT),图1描述了FWT算法的单步流程。在下一步分解中,用同样的方法,把s用cA1代替,把低频系数cA1分解成两部分;分解后返回的低频系数cA2和次高频系数cD2。往下一步以次类推。其多层分解过程如图2(a)所示(以3层分解为例),图2(b)表示图2(a)的频谱。
Lo_D Hi_D 2 2 cA1 cD1 近似信号 细节信号 s 下采样 下采样 F G 图1 FWT算法单步流程 低通滤波器 高通滤波器
图2 小波消噪原理的分解示意图 CA1 CD1 CA2 CA3 CD2 CD3 ? 2? 4? 8? (a) (b) s CA1 CD1 CA2 CA3 CD3 CD2
2.2 离散信号的重建
信号的重建是小波分解的逆过程,即把分解得到的近似系数和细节系数叠加以得到原始信号[5],用滤波器图形表示如图3所示。与小波分解过程类比,重构过程首先从尺度最低的近似系数cAj和细节系数cDj开始,通过作用低频和高频重构滤波器(Lo_R和Hi_R),恢复出上一尺度的近似信号cAj-1,把这个过程继续下去,一直到得出原始信号s。在对数据进行消噪处理时,需要对近似系数和细节系数进行降噪处理,以对新的近似系数和细节系数进行重建,达到消噪的目的。通过选取阈值对近似系数和细节系数的处理。常用的阈值选取规则有四种:“sqtwolog规则”、“rigrsure规则”、“heursure规则”和“minimax规则”。但在应用中这些方法确定的阈值并不一定最优,需根据小波分解系数进行调整,选择合理阈值。
3 小波分析在噪声数据中的应用
00.050.10.150.20.25-1500-1000-5000500100015002000原始信号时间(s)压力(Pa) (a) 00.050.10.150.20.25-1500-1000-5000500100015002000直接低通滤波后的信号时间(s)压力(Pa) (b) 00.050.10.150.20.25-1500-1000-5000500100015002000小波降噪后的信号时间(s)压力(Pa) (c)
某型火炮射击时驾驶员处的脉冲噪声原始测试数据如图4中(a)所示,对测试数据在MATLAB平台下进行了消噪处理时,选用了Butterworth低通滤波器法和小波分析法。低通滤波器截止频率为40kHz,滤波结果见图4(b),小波分析消噪选择了db8小波8层分解,minimaxi方法确定阈值,并采用软阈值方法进行消噪处理,处理结果见图4(c)。结果表明,在使用一般滤波器时难以选取合适的频带。若低通滤波器的频带过宽,则将一部分有用信号当作噪声滤掉了;若滤波器的频带太窄,它不能将高频部分信号和高频干扰信号加以有效地区分。而小波分析可有效避免以上问题,且对含有干扰信号进行消噪时有着较为理想的效果。
4 结语
本文将小波分析用于武器噪声测试数据的消噪处理,用小波对被污染信号进行多层分解,选取合适的阈值,去除污染信号,最后对离散的信号进行重建,得到消噪后的噪声信号。对比了低通滤波器与小波分析的数据消噪效果,结果表明小波去噪方法更能有效去除信号中固定频率噪声和高频噪声,其滤波效果更加理想,突出了小波去噪的优点。该方法也可以为其他信号的去噪提供参考。
参考文献
[1] 韦力强. 基于小波变换的信号去噪研究[D]. 湖南: 湖南大学, 2007:1-52.
[2] 胡云鹏;陈焕新;周诚等.基于小波去噪的冷水机组传感器故障检测[J].华中科技大学学报(自然科学版)2013,3(3):16-19.
[3] 赵广超,肖斌,国闯,高逢顺.小波变换理论与图像降噪处理[J],微型机与应用,2011,30(19):35-37
[4] 彭燕妮.小波变换在信号消噪中的应用[J]. 重庆大学学报(自然科学版), 2004,27(10):40~43.
[5] 崔华, 宋国乡. 基于小波阈值去噪方法的一种改进方案[J]. 现代电子技术, 2005,28(1):20~24.
作者简介
夏永乐(1990-),男,硕士研究生。主要研究方向为动态测试与智能仪器。