基于現代信號處理的譜分析方法研究

任年新，劉增力

（昆明理工大學 信息工程與自動化學院，云南 昆明 650051）

0 引言

隨著國家鐵路的大量建設與列車運行速度的日益提高，列車運行對周圍環境造成的影響日益增大，高速列車運行所產生的噪聲對于人們的聽力和視力有所損害，對于人的心血管系統和神經系統也有影響，特別是住在列車噪聲輻射范圍內的居民。高速列車的輻射噪聲對于通信也有一定的影響。高速列車的輻射噪聲線譜主要是由結構噪聲、輪軌噪聲和空氣動力噪聲等引起的，高速列車的噪聲污染問題成為一個亟待解決的重要問題。本文提出基于 EEMD和遞歸最小二乘法（RLS）相結合的自適應濾波技術，對濾波后信號進行譜分析，與經典譜分析相比較，實驗表明該方法在低信噪比的情況下能有效的分辨不同頻率的信號，具有更好的分辨率。

1 EEMD-RLS 算法原理

1.1 集合經驗模分解[1-2]

EMD（Empirical Mode Decomposition）是NE.Huang在1998年提出的信號分解算法，該算法主要將復雜信號分解成多個窄帶分量，每個窄帶分量被稱為固有模態函數（Intrinsic Mode Function，IMF）。EEMD算法求解過程為：求解出原始信號 ()s t所有的極大、極小值構成的三次樣條的上下包絡線，求其平均值[3]。從信號中除去瞬時平均，如果新的信號滿足停止準則，篩選過程停止，否則不斷迭代，直至滿足篩選停止條件[4]。由于EEMD分解中存在模態混疊現象[5]，以噪聲輔助信號分析方法為基礎EEMD能有效的解決模態混疊問題。

EEMD[6-7]分解的具體步驟如下：

1）將高斯白噪聲序列σn(t)加入分析信號 ()s t，則有：

2）對 s1（t）進行 EEMD分解，得到 IMF分量c1j(t)( j = 1, 2, …, n)和余項 r1n(t)則：

3）重復步驟1，每次加入不同的高斯白噪聲序列；

4）重復步驟2，對加入高斯白噪聲序列的重組

信號進行EEMD分解，則有：

5）將解得到的IMF求平均，最終得到的IMF為：

1.2 EEMD-RLS濾波

為了從EEMD分解后的固有模態函數最優的重構原信號，設信號 ()x t的估計值 ?()d n記為：

其中，ωi是第i個imf分量的權值[8]，剩余分量中包含信息的信號很少，為了計算不予考慮。

為了更好的去除噪聲，使重構信號接近原始信號。本文提出了一種基于EEMD分析方法來分析輻射噪聲線譜[9]，基本思想為：

（1）直接對輻射噪聲信號進行自相關譜估計。

（2）對輻射噪聲信號 ()x t進行EEMD分解得到IMF分量，通過RLS自適應濾波器，把分量中信號信息重組，得到期望信號 ?()d n。

（3）對期望信號 ?()d n進行自相關譜分析，比較（1）。

圖1 仿真信號（SNR=–15dB）Fig.1 Sim ulation signal (SNR=–15dB)

設 ()d n為期望信號，則EEMD-RLS算法描述為：

2 仿真驗證

2.1 仿真信號

本文的仿真試驗，信噪比的定義為：

上式中T為信號的持續時間，s表示輸入信號，n表示噪聲。由相同幅值、頻率分別為40 Hz、50 Hz、60 Hz，三個個正弦信號疊加信號為 ()s t，仿真信號()x t是由 ()s t和 ()n t疊加而成：

噪聲為正態分布 ( N( O,σ2) )的白噪聲。時間 t取0-1s，采樣率為1024；本實驗中 x( t)經EEMD后重構信號為估計信號，s(n)為期望得到的信號。自適應濾波器的窗長度取為1。

2.2 基于EEMD-RLS的譜分析

當SNR = -1 5dB，μ = 0 .0005，仿真信號如圖1所示，對仿真信號進行EEMD分解如圖2，圖3所示，對分解后分量通過RLS濾波器重組信號如圖4所示。

對EEMD-RLS消噪后信號進行譜分析如圖5所示。對原信號進行譜分析如圖6所示。

圖 2 im f1-imf4（SNR=–15dB）Fig.2 im f1-imf4 (SNR=–15dB)

圖5 基于EEMD-RLS的間接法譜分析Fig.5 Spectral analysis based on EEMD-RLS

從實驗可得出基于 EEMD-RLS的譜分析方法（圖5）能夠分辨出40 Hz、50 Hz、60 Hz的頻率，而間接譜分析（圖 6）只能分辨 50 Hz的頻率。說明在低信噪比條件下基于 EEMD-RLS的譜分析方法比間接譜分析方法有更好的分辨能力。

3 結論

本文主要提出了一種基于 EEMD-RLS的自適應濾波算法，通過仿真實驗對信號濾波后進行譜分析與經典的譜分析方法。通過比較，驗證了新算法的有效性和優越性，對于線譜的增強效果明顯。

[1] NordenE Huang et al. The empirical decomposition and theHibert spectrum for nonlinear and non-stationary time series analyes[J]. Proc.Soc.Lond. (1998)454, 903-995.

圖4 基于EEMD-RLS消噪后信號Fig.4 Denoising simulation signal based on EEMD-RLS

圖6 譜分析Fig.6 Spect ral analysis

[2] G. Rilling, P. Flandrin and P. Gon?alves On Empirical Mode Decomposition and its algorithms[C]. IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing NSIP-03, Grado (I), June 2003.

[3] 李萬春等. 關于線譜標準和判定準則問題的初步研究 第六屆船舶水下噪聲學術討論論文集 中國造船編輯部 桂林1995. 23-28.

[4] 蘇紅旗, 崇春霞, 楊龍. 基于SVR 的高光譜圖像水深反演方法研究[J]. 新型工業化, 2014, 4(1): 75-78, 89.

[5] 袁宇鵬, 楊璐溦, 劉洋. 自適應神經模糊推理系統在汽車發動機轉速預測中的應用[J]. 新型工業化, 2014, 4(12):31-35.

[6] 安大海, 蔣硯軍. 基于BP神經網絡的人臉識別系統[J]. 軟件, 2015, 36(12): 76-79.

[7] 孫琦龍, 張明亮. 基于顏色特征的藏毯圖像檢索研究與實現[J]. 軟件, 2015, 36(8): 25-29.

[8] 陳曉, 沈學國. 基于LMS 時延估計的超聲波測風系統[J].軟件, 2014, 35(9): 98-103.

[9] 房宜汕. 基于改進的非局部均值去噪算法[J]. 軟件, 2014,35(2): 59-62