一种用于光纤光栅传感网络的复合去噪方法与流程

1.本发明属于光纤传感技术领域，具体涉及一种用于光纤光栅传感网络将局部补充总体均值经验模态分解方法与提升小波变换技术结合(lceemd
‑
lwt)的去噪方法。


背景技术：

2.光纤传感技术是利用光纤为媒介以光波为载体，感知和传输外界信号(待测量)的一种传感技术。由于光纤具有灵敏度高、轻巧、精度高、可弯曲、无源、抗电磁干扰和复用能力强等优点，广泛应用于军事、航天等领域。通过采用在线刻写超弱光纤光栅阵列及波分 时分混合复用网络可降低串扰噪声并提升系统的复用能力。但是，当数量较多的超弱光纤光栅传感器进行混合组网复用时，光谱阴影效应、光信道噪声和多次反射噪声串扰所产生的累积效应达到一定程度，会对测量结果造成很大影响，因此，研究噪声信号的分离方法可提高整个光纤光栅解调系统精度。
3.当前国内外对于光纤光栅传感信号的噪声分析研究在不断完善，1994年，donoho等首先为小波变换在信号去噪中的应用做出了贡献。1997年，w.sweden开发了提升小波变换(lwt)，效率高且计算成本低，其性能明显优于wt。2010年，李志全提出了基于经验模态分解(emd)消噪方法会造成模态混叠现象的产生，总体平均经验模态分解(eemd)方法能避免模态混叠现象但对snr≤10db的信号降噪效果不明显。2018年，由赵肖宇提出的局部补充总体均值经验模态分解方法(lceemd)用补充总体均值经验模分解(ceemd)方法处理含噪信号，既解决了emd方法中模态混叠问题，又降低eemd分解后重构误差，并应用归一化排列熵(npe)定量评估特征模态分量中随机噪声，从而实现低信噪比传感信号的自适应去噪。
4.本发明针对上述方法存在的不足，运用lceemd与lwt相结合的方法，将高频imf分量进一步处理以提升信噪比，该算法针对极低信噪比、非平稳非线性含噪信号去噪效果显著，其具体内容如下。


技术实现要素：

5.本发明的目的是提供一种用于光纤光栅传感网络的去噪方法，通过构造一种复合去噪算法来解决大容量光纤光栅传感网络串扰噪声堆积问题。
6.有鉴于此，本发明提供了一种基于lceemd
‑
lwt复合去噪算法，本发明提供的lceemd
‑
lwt复合去噪方法包括局部补充总体均值经验模态分解方法(lceemd)与提升小波变换技术(lwt)。
7.本发明所述lceemd方法由三部分构成；lwt方法由分割，预测和更新三个步骤组成。
8.可选的，所述lceemd方法通过补充总体均值经验模分解(ceemd)方法处理含噪信号；
9.可选的，所述lceemd方法解决了emd方法中模态混叠问题；
10.可选的，所述lceemd方法降低eemd分解后重构误差；
11.可选的，所述lceemd方法应用归一化排列熵(npe)定量评估特征模态分量中随机噪声，从而实现低信噪比传感信号的自适应去噪。
12.可选的，所述lwt方法分割步骤：信号x[n]分为偶数x
e
[n]和奇数x0[n]，表示为x[n]＝split(x
e
[n],x0[n])
[0013]
可选的，所述lwt方法预测步骤：在此步骤中将消除低频信号，而保留高频分量。假设p(
·
)作为预测算子，从x
e
[n]中预测x0[n]，差是
[0014]
d[n]＝x0[n]
‑
p(x
e
[n])
[0015]
其中d[n]表示为详细分量，并且p(x
e
[n])假定为预测值。
[0016]
可选的，所述lwt方法更新步骤：
[0017]
考虑频率混叠问题x0[n]；从d[n]更新。假设u(
·
)作为更新算子，近似信号c[n]可以实现信号的低频系数反射。
[0018]
c[n]＝x
e
[n] u(d[n])p(x
e
[n])
[0019]
本发明提供了上述技术方案所述应用于光纤光栅传感网络的lceemd
‑
lwt复合去噪算法的运行过程，包括以下步骤：
[0020]
本发明运用matlab仿真软件，以高斯光谱作为输入信号；
[0021]
添加snr＝1db的高斯白噪声；
[0022]
应用lceemd方法进行光谱分解；
[0023]
将高斯光谱分为高频imf与低频imf；
[0024]
对高频imf应用lwt进行去噪；
[0025]
将去噪后的高斯信号重组；
[0026]
得到去噪信号。
[0027]
本发明提供的lceemd
‑
lwt方法包括lceemd方法与lwt技术。本发明提供的lceemd
‑
lwt先用lceemd方法进行信号分解，然后结合lwt技术，将高频imf分量进一步处理以提升信噪比。本发明不仅解决了高频信号与噪声模态混叠问题，并且通过对高频中的imf分量进一步分解，有效提高了滤波精度，提升了计算效率。
附图说明
[0028]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0029]
图1为lceemd
‑
lwt去噪算法流程图；
[0030]
图2为lceemd去噪效果图；
[0031]
图3为lceemd
‑
lwt算法去噪效果图；
[0032]
图4为大容量光纤光栅传感系统结构图；
[0033]
图5中(a)为lceemd
‑
lwt去噪结果；(b)为eemd
‑
lwt去噪结果；
[0034]
图6为基于不同滤波模型的去噪结果比较；
[0035]
图7中(a)为lceemd去噪残差；(b)为lceemd
‑
lwt去噪残差；
[0036]
图8为dfa分型缩放指数分析。
具体实施方式
[0037]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
本发明的目的是提供一种用于光纤光栅传感网络的复合去噪方法，通过创造一种复合去噪算法来解决大容量光纤光栅传感网络串扰噪声堆积问题。
[0039]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0040]
如图1所示，本发明提供了一种lceemd
‑
lwt复合去噪方法，具体包括：lceemd方法与lwt技术。
[0041]
本发明提供的lceemd
‑
lwt方法由分解信号、筛选高频分量、过滤噪声及重构信号四部分构成，具体包括：
[0042]
步骤101：ceemd分解原始信号
[0043]
在实际应用中，步骤101，具体包括：首先ceemd分解原始信号，该过程具有二进滤波特征，在依次排列的本征模态分量中，低阶是高频分量，通常随机噪声和部分高频传感信号会包含其中，低信噪比传感信号去噪的关键是准确识别这两部分信号；
[0044]
步骤102：lceemd应用归一化排列熵区分高频非线性序列；
[0045]
步骤103：应用变阈值过滤随机噪声；
[0046]
步骤104：重构传感信号。
[0047]
如图2所示，本发明运用matlab仿真软件，以高斯光谱作为输入信号，添加snr＝1db的高斯白噪声，应用lceemd方法进行去噪，步骤如下：
[0048]
步骤1：正负成对加入高斯白噪声，对传感信号r进行j阶emd分解，得到本征模态分量c
j
,j＝1,2...，n；
[0049]
步骤2：检测c
j
是否是无序噪声序列，如果是，执行步骤3；如果不是，执行步骤4。检测标准为归一化排列熵值h
s
(p)，如果h
s
(p)大于阈值θ则认为该分量为异常信号(间歇或无序噪声等引起模态混叠的高频信号)，若h
s
(p)小于阈值θ则该分量不是异常信号；
[0050]
步骤3：噪声分量c
j
滤波，
[0051][0052]
其中σ
i
为噪声的标准差；
[0053]
步骤4：去噪信号重构，
[0054][0055]
如图3所示，本发明还提供了提升小波变换(lwt)技术的运行方案，由分割，预测和更新三个步骤组成。本发明提供的提升小波变换(lwt)技术，基于多项式插值计算小波系数，并在构建缩放函数的同时实现低频系数。
[0056]
本发明中，所述lwt方法分割步骤为：信号x[n]分为偶数x
e
[n]和奇数x0[n]，表示为
x[n]＝split(x
e
[n],x0[n])
[0057]
本发明中，所述lwt方法预测步骤为：在此步骤中将消除低频信号，而保留高频分量。假设p(
·
)作为预测算子，从x
e
[n]中预测x0[n]，差是d[n]＝x0[n]
‑
p(x
e
[n])
[0058]
d[n]表示为详细分量，并且p(x
e
[n])假定为预测值。
[0059]
在本发明中，所述lwt方法更新步骤为，考虑频率混叠问题x0[n]。从d[n]更新。假设u(
·
)作为更新算子，近似信号c[n]可以实现信号的低频系数反射。
[0060]
c[n]＝x
e
[n] u(d[n])p(x
e
[n])
[0061]
在本发明中，所述lceemd方法加入lwt算法仿真效果如图3所示。
[0062]
如图4所示，本发明还提供了一种用于光纤光栅传感网络的测试系统，应用如发明所述的用于光纤光栅传感网络的lceemd
‑
lwt的复合去噪方法，所述用于光纤光栅传感网络的测试系统包括：宽带光源ase、光环路器、光纤光栅传感器阵列及解调模块等组成。系统的解调范围是1525nm～1565nm，系统的分辨率为1pm，且其解调速度为1hz。
[0063]
在实际测试中，所述光纤光栅传感网络的测试系统，从ase光源发出的光信号，经过放大由光环路器输出，进入传感阵列，经过lceemd
‑
lwt去噪算法降噪后，其反射信号经环形器送至解调模块。
[0064]
在实际测试中，为客观评价去噪性能，使用信噪比(signal to noise ratio,snr)、均方根误差(root mean square error,rmse)和相关系数(corre
‑
lation coefficient,r)作为评价指标，设置对比例实验，验证lceemd
‑
lwt方法的去噪效果。去噪指标采用snr、rmse和r。当snr i 1>snr i，rmse i 1<rmse i，r(i 1)>r时，需要第i 1次滤波，并进行第i 2次，否则终止滤波过程。
[0065]
对比例1
[0066]
验证lceemd
‑
lwt算法的去噪性能，分别使用lceemd、lceemd
‑
lwt与eemd
‑
lwt模型去噪方法，比较加入1db高斯白噪声的去噪效果。
[0067]
lceemd方法实现低信噪比传感信号的自适应去噪。lceemd方法与lwt技术是构成lceemd
‑
lwt核心技术的去噪算法。eemd
‑
lwt是软阈值去噪结合lwt技术提升信噪比的去噪方法。
[0068]
在实际测试中，本发明先以原始光谱作为输入信号。干扰信号以高斯白噪声信号为代表，标准差为0.62，且该干扰信号与输入信号互不相关。然后添加snr＝1db的高斯白噪声，分别应用模型lceemd、lceemd
‑
lwt与eemd
‑
lwt进行光谱分解；随后将高斯光谱分为高频imf与低频imf；对高频imf应用lwt进行去噪；将去噪后的高斯信号重组；得到去噪信号。
[0069]
在实际测试中，通过应用不同的组合方法得出的加入1db高斯白噪声的去噪效果如图5所示。所述eemd
‑
lwt和lceemd
‑
lwt模型都可以过滤噪声，但是lceemd
‑
lwt模型与原始数据拟合误差最小，优于eemd
‑
lwt模型。
[0070]
如图6所示，本发明还提供了lceemd和lceemd
‑
lwt模型去噪方法的比较，仿真结果表明改进的方法比lceemd方法在波峰信号平滑处理方面表现更好。
[0071]
如图7所示，本发明还提供了lceemd和lceemd
‑
lwt模型去噪残差对比，仿真结果表明lceemd
‑
lwt模型去噪残差更加清晰，剩余噪声更小，测试结果见表1。
[0072]
表1 lceemd、eemd
‑
lwt和lceemd
‑
lwt去噪效果比较
[0073][0074]
在实际测试中，eemd
‑
lwt方法中由于去噪后重构信号中有较多噪声残留，其对信噪比提高不多。lceemd去噪处理后数据的信噪比为5.6182db，低于lceemd
‑
lwt数据信噪比，说明虽然lceemd方法用ceemd方法降低了eemd方法的重构偏差，归一化排列熵为依据判断噪声成分，避免了过度滤波的问题，但是对于高频中的本征模态分量没有处理，所以对信噪比的提高没有本发明采用的lceemd
‑
lwt方法高。lceemd
‑
lwt方法对各模态中噪声按照排列熵不同分别处理，增加对高频信号部分进行处理部分，在三种方法中获得了最低均方根误差和最高相关系数。
[0075]
对比例2
[0076]
检验lceemd
‑
lwt的滤波性能，使用去趋势波动分析(dfa)算法，测试分形标度指数，评测滤波效果。去趋势波动分析(dfa)是一种用于分析非平稳数据中的长期自相关和长期互相关的替代方法。具体步骤如下：
[0077]
步骤1：将emd、eemd、ceemd、ceemdan、eemd
‑
lwt和lceemd
‑
lwt这六种去噪方法的去噪数据总结为信号r
k
[0078]
步骤2：将“下降趋势步行”定义为原始步行与本地趋势之间的差异，表示为
[0079]
步骤3：其所用波动函数f(l)获得为：
[0080]
其中为残差的方差，其计算方法为
[0081][0082]
其中a1和a2为固定值。在下面的仿真测试中，假设l为2。得到log
10
k和log
10
f(l)的线性关系，α为斜率，斜率值越大，时间序列越平滑，间接证明算法去噪效果越好，越能得到平滑的信号曲线。
[0083]
如图8所示，本发明还提供了使用dfa算法评测去噪算法的滤波效果。六种去噪方法滤波信号斜率数据见表2。
[0084]
表2六种去噪方法滤波信号斜率
[0085][0086]
在实际测试中，所述lceemd
‑
lwt等六种去噪方法的滤波信号斜率可知，lceemd
‑
lwt的滤波信号斜率最大，达到了2.114。证明lceemd
‑
lwt模型的去噪效果最好。
[0087]
本发明将局部补充总体均值经验模态分解方法(lceemd)与提升小波变换(lwt)技术结合起来，提出了一种可应用于光纤光栅传感网络去噪的lceemd
‑
lwt方法，该方法可以自适应处理超弱光纤光栅反射光谱，与lceemd、eemd
‑
lwt等模型比较，能更精确的拟合，获得更精确的光谱信号。在处理非线性非平稳信号方面，与其他自适应去噪方法比较，如emd、eemd等软阈值法，lceemd
‑
lwt方法分形标度指数α更大。
[0088]
本发明中应用具体个例对本发明的原理及实施方式进行了阐述，以上实施例及对比例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。