一种强噪声光谱信号的智能去噪方法与流程

1.本发明属于分析化学信号处理领域，具体涉及一种强噪声光谱信号的智能去噪方法。


背景技术：

2.光谱仪器在测量过程中受湿度、温度、暗电流等因素的影响而导致采集到的信号中存在噪声。噪声不仅降低了信号的分辨率，而且限制了光谱中有效信息的提取。所以在光谱分析之前，通常需要对光谱信号进行去噪处理。
3.小波变换(wavelet transform)具有多分辨的优势，已经被广泛用于于信号去噪(da chen,xg shao,b hu,qd su,a background and noise elimination method for quantitative calibration ofnear infrared spectra,analytica chimica acta,2004,511,37-45)。但是小波变换丰富的小波基函数和分解尺度给参数的选择带了了困难。具有自适应分解的经验模态分解(empirical mode decomposition，emd)克服了小波变换的缺点，也被应用到光谱信号去噪(卞希慧,李明,张彩霞,魏俊富,李淑娟,赵俊,一种基于希尔伯特-黄变换的光谱信号去噪方法,2018,zl2015105816608)。但是经验模态分解存在模态混叠和端点效应。局部均值分解(local mean decomposition，lmd)能够缓解模态混叠的程度，但是并不能完全消除模态混叠现象而且依然存在端点效应(张超,杨立东,李建军,局部均值分解和经验模态分解的性能对比研究,机械设计与研究,2012,28,38-40)。
4.变分模态分解(variational mode decomposition)是一种自适应完全非递归的光谱去噪方法，能够将光谱信号同时分解为一系列模态函数，并应用数学的变分问题解决模态混叠和端点效应(k dragomiretskiy,d zosso,variational mode decomposition,ieee transactions on signal processing,2014,62,531-544)。已有研究应用变分模态分解的方法进行信号去噪(冯俊,刘夕,刘斌,周仲礼,乐芮含,李晓琴,刘序志,雷竞雄,李鑫,周春花.一种基于变分模态分解的低秩张量地震数据去噪方法,中国发名专利,2021,cn113204051a)。但有些仪器采集到的光谱信号较弱，如拉曼光谱等。虽然有各种信号增强技术(r pilot,rsignorini,c durante,l orian,m bhamidipati,l fabris,a review on surface-enhanced raman scattering,biosensors-basel,2019,9,57)，但是最终采集到的光谱依然存在很强的噪声，导致单纯使用变分模态分解并不能将噪声完全去除。另外，经过变分模态分解得到多个频率组分，由于噪声组分和有效信息组分有时难以通过观察区分，智能地确定噪声组分与有效信息组分的分界点也是个难题。


技术实现要素：

5.本发明的目的是针对上述存在问题，提供一种强噪声光谱信号的噪声去除方法，该方法结合了变分模态分解、能量熵和小波软阈值的优势，通过变分模态分解和小波软阈值结合，能量熵来确定噪声与有效信号的分界点，可以有效去除光谱信号中的强噪声。
6.为实现本发明所提供的技术方案包括以下步骤：
7.1)采用变分模态分解(vmd)对强噪声光谱信号x进行分解，得到一定数目的uk分量；
8.变分模态分解通过以下步骤实现：
9.①
首先初始化模态分量该模态的中心频率拉格朗日惩罚算子令迭代次数n；
10.②
引入二次惩罚因子α，根据公式迭代更新uk和ωk；
[0011][0012][0013]
③
根据公式迭代更新拉格朗日惩罚算子λ；
[0014][0015]
④
给定误差ε，若
[0016][0017]
则停止迭代，否则重复步骤
③
、
④
。
[0018]
2)计算每个uk分量的能量熵hk；
[0019]
能量熵的计算通过以下步骤实现：
[0020]
①
计算第k个分量的能量ek[0021][0022]
②
计算总能量e
[0023][0024]
③
计算第k个分量占总能量的比重pk[0025]
pk＝ek*e
[0026]
④
计算每个uk分量的能量熵hk[0027]hk
＝-pklgpk[0028]
3)搜寻第一个能量熵取得局部最大值时对应的模态分量ui；i及i之后的模态分量为噪声分量，直接删除；
[0029]
4)对于包含有用信息的模态分量u1，u2……ui-1
分别进行小波软阈值降噪；
[0030]
小波软阈值降噪的具体流程如下：
[0031]
①
选定适合的小波基函数、小波分解层数和小波阈值；
[0032]
②
根据选择的小波基对模态分量进行小波变换得到与分解层数对应的小波系数；
[0033]
③
将分解得到的小波系数与阈值的大小进行对比；
[0034]
④
保留小波系数大于阈值的模态。
[0035]
5)对小波软阈值去噪后的模态分量进行重构，得到去噪后的光谱信号。
[0036]
本发明的优点是：该去噪方法通过变分模态分解结合小波软阈值的方法，对光谱噪声的去除更加彻底；以能量熵作为指标，智能、有效地区分了噪声分量和非噪声分量。
附图说明
[0037]
下面结合附图对本发明作进一步说明；
[0038]
图1是含有强噪声信息的拉曼光谱信号；
[0039]
图2是拉曼光谱信号变分模态分解的结果；
[0040]
图3是每个模态分量的能量熵分布情况；
[0041]
图4是非噪声模态分量经过小波软阈值的分解结果；
[0042]
图5是去噪后的拉曼光谱信号。
具体实施方式
[0043]
为更好理解本发明，下面结合实施例对本发明做进一步地详细说明，但是本发明要求保护的范围并不局限于实施例表示的范围。
[0044]
实施例1：
[0045]
本例实施对负载在碳氮载体上的钴单原子催化剂的拉曼光谱信号进行去噪。该信号是采用xplora plus激光共焦拉曼光谱仪测量，采样波数范围是2600-753cm-1
，间隔为2.6cm-1
，包含715个变量。图1为含有强噪声的原始光谱。从图中可以看出该拉曼光谱信号含有很强的噪声。
[0046]
1)采用变分模态分解的方法对原始强噪声光谱进行分解，得到u
1-u6一共6个模态分量，如图2所示。
[0047]
变分模态分解通过以下步骤实现：
[0048]
①
首先初始化模态分量该模态的中心频率拉格朗日惩罚算子令迭代次数n；
[0049]
②
引入二次惩罚因子α，根据公式迭代更新uk和ωk；
[0050]
[0051][0052]
③
根据公式迭代更新拉格朗日惩罚算子λ；
[0053][0054]
④
给定误差ε，若
[0055][0056]
则停止迭代，否则重复步骤
③
、
④
。
[0057]
从图2中可以看出随着u的阶数变大，震荡频率逐渐变小。而且可以明显看出u
4-u6明显是噪声分量，u1和u2明显是非噪声分量，但无法确定u3是否为噪声分量。
[0058]
2)计算每个模态分量的能量熵；
[0059]
能量熵的计算通过以下步骤实现：
[0060]
①
计算第k个分量的能量ek[0061][0062]
②
计算总能量e
[0063][0064]
③
计算第k个分量占总能量的比重pk[0065]
pk＝ek/e
[0066]
④
计算每个uk分量的能量熵hk[0067]
h＝-pklgpk[0068]
图3显示了模态分量的能量熵，其中横坐标为u的次序，纵坐标为每个模态分量的能量熵。从图中可以看出，u
1-u4能量熵是先增高后降低，其中u3模态能量熵最高；u
4-u6能量熵也是先增高后降低，其中u5的能量熵最高。
[0069]
3)从图3中可以看到第一个能量熵取得局部最大值时对应的模态分量是u3，从而可以确定u
3-u6为噪声模态分量，直接删除，保留非噪声模态分量u1和u2。
[0070]
4)对于包含有用信息的模态分量u1和u2分别进行小波软阈值降噪处理。选择的小波基函数为db8，小波分解层数为5层。
[0071]
小波软阈值降噪的具体流程如下：
[0072]
①
选定适合的小波基函数、小波分解层数和小波阈值；
[0073]
②
根据选择的小波基对模态分量进行小波变换得到与分解层数对应的小波系数；
[0074]
③
用分解得到的小波系数与阈值进行对比，判断小波系数与阈值的大小比较；
[0075]
④
保留小波系数大于阈值的模态。
[0076]
图4展示了经过小波软阈值去噪之后的u1和u2模态分量，从图中可以看出两个模态分量几乎不含噪声。
[0077]
5)将小波软阈值去噪后保留的两个模态分量重构成去噪后的光谱信号。图5显示了去噪后的光谱信号。可以看出，变分模态分解和小波软阈值结合去除了大量噪声。