信号处理方法、装置和电子设备

1.本发明涉及信号处理技术领域，尤其是涉及一种信号处理方法、装置和电子设备。


背景技术：

2.目前已有的去噪滤波器种类繁多，比如有从频域上着手的低通滤波器、小波去噪滤波器；或者时域上着手的最小二乘拟合去噪、数值移动平均去噪等；以及基于最速跟踪的跟踪微分器算法等，这些去噪方法在某些使用环境下具有一定的可行性，但是面对信噪比低、信号采样频率低、信号波形复杂多变的工作环境难以达到较好的去噪效果。


技术实现要素：

3.本发明的目的在于提供一种信号处理方法、装置和电子设备，以在信噪比低、信号采样频率低、信号波形复杂多变的工作环境，达到较好的去噪效果。
4.本发明提供的一种信号处理方法，方法包括：获取待处理采样信号；对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像；对待识别图像进行增益处理，得到增益处理后的图像；根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。
5.进一步的，对待识别图像进行增益处理，得到增益处理后的图像的步骤包括：获取预设的基准值，根据基准值和待识别图像的纵向尺寸，计算纵向增益系数；按照纵向增益系数，对待识别图像进行处理，得到增益处理后的图像。
6.进一步的，根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长的步骤包括：根据增益处理后的图像的横向尺寸和纵向尺寸，计算增益处理后的图像的图像面积；计算增益处理后的图像中，每相邻两个信号点对应的信号值之间的差值绝对值的加和，得到加和结果；计算加和结果与采样周期的乘积，得到增益处理后的图像中的采样信号的线段面积；基于采样周期、图像面积和线段面积，确定积分步长。
7.进一步的，基于采样周期、图像面积和线段面积，确定积分步长的步骤包括：获取预设的积分步长自适应函数；计算图像面积与线段面积的比值，得到面积比值；将面积比值输入至积分步长自适应函数，得到自适应函数输出结果；计算采样周期与自适应函数输出结果的比值，得到积分步长。
8.进一步的，获取待处理采样信号的步骤包括：获取待处理的模拟信号和预设的信号窗宽度；按采样周期，对模拟信号进行采样，得到初始采样信号；按照信号窗宽度，从初始采样信号中选取待处理采样信号。
9.本发明提供的一种信号处理装置，装置包括：获取模块，用于获取待处理采样信号；图像化处理模块，用于对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像；增益处理模块，用于对待识别图像进行增益处理，得到增益处理后的图像；
确定模块，用于根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；输出模块，用于将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。
10.进一步的，增益处理模块还用于：获取预设的基准值，根据基准值和待识别图像的纵向尺寸，计算纵向增益系数；按照纵向增益系数，对待识别图像进行处理，得到增益处理后的图像。
11.进一步的，确定模块还用于：根据增益处理后的图像的横向尺寸和纵向尺寸，计算增益处理后的图像的图像面积；计算增益处理后的图像中，每相邻两个信号点对应的信号值之间的差值绝对值的加和，得到加和结果；计算加和结果与采样周期的乘积，得到增益处理后的图像中的采样信号的线段面积；基于采样周期、图像面积和线段面积，确定积分步长。
12.本发明提供的一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述任一项的信号处理方法。
13.本发明提供的一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述任一项的信号处理方法。
14.本发明提供的信号处理方法、装置和电子设备，获取待处理采样信号；对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像；对待识别图像进行增益处理，得到增益处理后的图像；根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。该方式对待处理采样信号进行图像化处理，基于得到的待识别图像计算积分步长，并基于预设的跟踪微分器对待处理采样信号进行去噪滤波处理，可以使跟踪微分器依据当前采样信号的动态特性自主的选择积分步长，对于信号采样频率较低、信噪比较高、信号波形复杂多变的离散信号，具有较好的去噪效果。
附图说明
15.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明实施例提供的一种信号处理方法的流程图；
17.图2为本发明实施例提供的另一种信号处理方法的流程图；
18.图3为本发明实施例提供的一种信号处理效果示意图；
19.图4为本发明实施例提供的另一种信号处理效果示意图；
20.图5为本发明实施例提供的另一种信号处理效果示意图；
21.图6为本发明实施例提供的另一种信号处理效果示意图；
22.图7为本发明实施例提供的一种处理后算法的跟踪信号示意图；
23.图8为本发明实施例提供的一种信号曲线分解示意图；
24.图9为本发明实施例提供的一种图像化处理示意图；
25.图10为本发明实施例提供的一种增益处理后的图像的示意图；
26.图11为本发明实施例提供的一种曲线对比示意图；
27.图12为本发明实施例提供的一种信号处理结果示意图；
28.图13为本发明实施例提供的一种信号处理结果示意图；
29.图14为本发明实施例提供的一种曲线对比示意图；
30.图15为本发明实施例提供的一种经过处理后的试验数据曲线示意图；
31.图16为本发明实施例提供的一种仿真结果示意图；
32.图17为本发明实施例提供的一种不同信号窗宽度对应的pw曲线示意图；
33.图18为本发明实施例提供的一种信号处理装置的结构示意图；
34.图19为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
35.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
36.目前已有的去噪滤波器种类繁多，比如有从频域上着手的低通滤波器、小波去噪滤波器；或者时域上着手的最小二乘拟合去噪、数值移动平均去噪等；以及基于最速跟踪的跟踪微分器算法。这些去噪方法面对信噪比低(不高于40db)、信号采样频率低(不高于50hz)、信号波形复杂多变的工作环境便难以有效发挥其作用。就其原因主要有以下几点：
37.1)最小二乘拟合、移动平均去噪这类通过对以往数据点进行计算分析的方法，本质上是利用以接收的多个点将当前的信号噪声抹平，使输出信号曲线变得光滑。但是若希望去噪效果优异，则需要采用更多以往的数据点，而以往数据点引入的越多则输出信号的相位滞后越严重。同时采样频率低这一问题还会显著加重这一矛盾。
38.2)由于采样信号波形复杂多变，低通滤波器和小波去噪滤波器的工作带宽往往无法完备覆盖输入信号的带宽，进而大大影响输出结果。
39.3)信号采样频率和信噪比较低使得跟踪微分算法难以同时满足输出平滑性高与滞后性小的技术指标。
40.基于此，本发明实施例提供了一种信号处理方法、装置和电子设备，该技术可以应用于需要对采样信号进行去噪滤波处理的应用中。
41.为便于对本实施例进行理解，首先对本发明实施例所公开的一种信号处理方法进行详细介绍；如图1所示，该方法包括如下步骤：
42.步骤s102，获取待处理采样信号。
43.上述待处理采样信号可以是对模拟信号进行离散采样后得到的信号，该待处理采样信号中通常包含噪声，需要对该待处理采样信号中的噪声进行滤除，以得到待处理采样信号的有效信号。
44.步骤s104，对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像。
45.通常待处理采样信号对应的信号曲线中，曲线的“粗细”与信号的变化趋势有着密切的关系。曲线越“细”则信号变化趋势越大。相应的验证表明，通过利用“粗细”信息，可以从噪声采样信号中实时有效地提取出变化趋势。然而，“粗细”这一信息很难被识别，因此，可以对该待处理采样信号进行图像化处理，通过对图像化处理后的待识别图像进行相应的图像处理，更便于识别出信号曲线中的“粗细”信息。
46.步骤s106，对待识别图像进行增益处理，得到增益处理后的图像。
47.提取“粗细”信息的关键难点在于，除非采样信号处于稳定状态，否则曲线的“粗细”同时存在纵向和横向两个方向的分量，然而横向分量是很难获得的。因此，可以对待识别图像进行增益处理，得到增益处理后的图像，增益处理后的图像中曲线的“粗细”差异可以被清晰的显现出来。
48.步骤s108，根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；
49.上述采样周期可以是上述待处理采样信号中，相邻两个采样信号点之间的时间间隔；上述图像面积可以是增益处理后的图像的纵向尺寸和横向尺寸的乘积；上述线段面积可以理解为增益处理后的图像中的采样信号的信号曲线实际覆盖的面积；在实际实现时，可以根据预设的采样周期、增益处理后的图像的图像面积、线段面积，确定上述积分步长。
50.步骤s110，将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。
51.上述跟踪微分器对应的函数可以是基于fhan的函数，可以将上述积分步长代入到预设的fhan的函数中，计算滤波输出信号，该滤波输出信号即为对待处理采样信号进行去噪滤波处理后的信号。
52.下面提供如图2所示的另一种信号处理方法的流程图，模拟信号输入硬件信号采集系统，输出离散信号，由操作员预先完成信号窗宽度、积分步长自适应选定函数等相关设置，对离散信号图像化处理，对输出的图像进行图像分析及步长选定，将选定的积分步长h代入fhan函数中计算滤波输出信号，得到输出信号。该方式基于图像识别的思想对基于fhan的跟踪微分器进行了改进，使其能够自适应地根据当前输入信号的动态特性来选取合适的积分步长并以此大大提高其去噪滤波的水平。
53.下面简要介绍传统基于fhan的跟踪微分器的工作原理：人为设计一个二阶积分串联型的系统，令该系统的一、二阶状态分别为采样信号的跟踪信号以及跟踪信号的微分信号；基于此，通过设置系统的控制输入来使系统的一阶状态参数对采样信号的输入进行跟踪。因此，只要该二阶系统的相位滞后足够小，跟踪效果能够满足精度以及去噪效果，那么就可以将此一阶状态参数的输出视为采样信号的去噪滤波输出。由此该系统的离散形式如下所示：
[0054][0055]
其中，x1为采样信号的跟踪信号，x2为跟踪信号的微分信号，参数r是系统控制输入
的约束条件，v(k)为采样信号输入，u(k)为人为设置的控制输入，h为跟踪微分器的积分步长，在这里与信号的采样周期一致。
[0056]
现有技术中，依据时间最优控制算法，得到离散控制量u(k)如下(记作fhan)：
[0057][0058]
由此，基于上述fhan的跟踪微分器算法如下：
[0059][0060]
以上便是现有技术中，基于fhan的跟踪微分器的大致工作原理。
[0061]
下面对fhan函数算法改进及可行性证明，通过试验验证以及数学分析可知，跟踪微分器的去噪效果与其积分步长密切相关。当积分步长过大时，一方面采样信号处于动态时会降低跟踪输出的收敛速度；另一方面采样信号处于稳态时会放大跟踪输出对于噪声的敏感度。而原跟踪微分器的积分步长与信号的采样周期一致，这就意味着当采样频率较低时，跟踪微分器难以发挥出应有的运行水平。
[0062]
基于此，本实施例通过设计一套自适应算法来使跟踪微分器能够依据当前采样信号的动态特性自主的选择积分步长。具体来讲，就是当采样信号的变化速度较慢时，使积分步长适当减小；当采样信号的变化速度较快时，使积分步长适当取大(不会大于采样周期)。以此达到改善微分跟踪器运行效率的目的。
[0063]
下面对该改进方案的可行性进行证明：
[0064]
1)证明跟踪微分器的积分步长与信号采样周期不同时不会引起去噪滤波输出与采样信号输入的不匹配。
[0065]
首先定义如下：
[0066][0067]
该式是积分步长的压缩系数，其中，dt是信号采样周期，h表示积分步长，k
t
表征信号采样周期与积分步长的比值。
[0068]
考虑一个正弦离散信号如下：
[0069]
v(i)＝a
·
sin(i
·h·kt
θ)
[0070]
其中，a是信号的幅值，θ是初始相位，i是当前信号的序列位置。
[0071]
根据kt的定义以及v(i)的形式可知对于任意实数k
t
均有：
[0072]
v(i)＝a
·
sin(i
·
dt θ)
[0073]
由此可见，若仅从数值序列角度而不从时间角度考虑，即使h的取值不同，只要采样信号满足上述v(i)的形式，那么离散输入信号在不同的步长h下均可视作信号如下：
[0074]
v(i)＝a
·
sin(i
·
dt θ)
[0075]
该现象可通过图3所示的一种信号处理效果示意图、图4所示的另一种信号处理效果示意图和图5所示的另一种信号处理效果示意图直观反映。图中v为采样信号，x1为去噪输出信号，dt为采样周期，t为仿真时长。
[0076]
2)证明通过改变跟踪微分器的积分步长能够有效改善去噪效果。
[0077]
在数值仿真中，给定输入信号为v(t)＝10sin0.5t n，信号采集周期dt＝0.02s，其中，n为(-0.5,0.5)区间内的随机噪声。如图6所示的另一种信号处理效果示意图，该图显示了在0～100s区间内原积分步长的跟踪微分器算法的跟踪信号。
[0078]
随后将原跟踪微分器的积分步长缩减为原步长的五分之一，其余参数不变，得到如图7所示的一种处理后算法的跟踪信号示意图。
[0079]
对比图6和图7可明显看出，在信号输出的平滑性方面，通过缩短微分器的积分步长，在保证信号处理的相位品质的同时，能有效提升信号跟踪滤波的平滑性。由此可见，对于状态单一的环境压力信号，即变化速率相对单一的信号，通过合理设置跟踪微分器的积分步长能够有效提升其信号的处理水平。
[0080]
上述用于将离散采样信号进行实时去噪的滤波器，其工作流程可大致简述为：首先获得当前的离散采样信号，然后通过内置算法对采样信号进行信号分析与去噪处理，最后将去噪后的信号进行同步输出。该去噪滤波器的特点可以包括：1)信噪比的提升效果好；2)相位滞后小；3)稳定性强，即能够有效适应不同动态特性的信号。
[0081]
上述信号处理方法，获取待处理采样信号；对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像；对待识别图像进行增益处理，得到增益处理后的图像；根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。该方式对待处理采样信号进行图像化处理，基于得到的待识别图像计算积分步长，并基于预设的跟踪微分器对待处理采样信号进行去
噪滤波处理，可以使跟踪微分器依据当前采样信号的动态特性自主的选择积分步长，对于信号采样频率较低、信噪比较高、信号波形复杂多变的离散信号，具有较好的去噪效果。
[0082]
本发明实施例还提供了另一种信号处理方法，该方法在上述实施例方法的基础上实现；该方法包括如下步骤：
[0083]
步骤一，获取待处理的模拟信号和预设的信号窗宽度。
[0084]
上述模拟信号是指用连续变化的物理量表示的信息，其信号的幅度、或频率，或相位随时间作连续变化，或在一段连续的时间间隔内，其代表信息的特征量可以在任意瞬间呈现为任意数值的信号。上述信号窗宽度可以理解为跟踪微分器每次计算输出信号时所用到的信号点个数。比如，当进行第i个信号点的计算时，假设信号窗宽度为w，则用于分析计算的信号点为第i-w到第i个信号之间的w个信号点。
[0085]
步骤二，按采样周期，对模拟信号进行采样，得到初始采样信号。在实际实现时，可以将模拟信号输入至硬件信号采集系统，通过该硬件信号采集系统对该模拟信号进行离散采样，得到离散的初始采样信号。
[0086]
步骤三，按照信号窗宽度，从初始采样信号中选取待处理采样信号。
[0087]
比如，如果信号窗宽度为w，则从初始采样信号中选取的待处理采样信号中包括w个信号点。
[0088]
通过多次仿真试验以及数学推导，在明确具体的算法前进行如下分析：1)由于控制器执行部件的输出功率有限，因此，积分步长h将会影响跟踪微分器的输出相位(h越大则越容易引起较严重的相位滞后)；2)当采样信号处于稳态时，对于跟踪微分器来说主要的问题在于去噪而非相位滞后；3)对于跟踪微分器而言，输出相位滞后对h值的敏感性与采样信号的变化率成正比。
[0089]
基于以上研究，初步的积分步长选定策略可以陈述为：积分步长的压缩程度与当前采样信号变化的剧烈程度成正比。因此，本实施例算法设计的主要问题是明确如何从带有噪声的实时采样数据中提取当前的信号变化速率这一信息。
[0090]
由于采样信号在不同工况下呈现出不同形式的波形，为便于分析起见，将这些信号曲线分解为以下五种形式，如图8所示的一种信号曲线分解示意图。通过将图8中的(a)、(b)、(c)、(d)、(e)所示的五类图像进行拉伸、纵向翻转、拼接即可组成目前已有的任意信号形式。这五种类型的信号曲线可用于图像识别算法的训练。理论上，基于叠加原理，经过训练后的该算法应能够处理任何类型的采样信号。
[0091]
步骤四，对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像。
[0092]
观察图8中这五种类型的信号曲线，可以看出，曲线的“粗细”与信号的变化趋势有着密切的关系。曲线越“细”则信号变化趋势越大。相应的验证表明，通过利用“粗细”信息，可以从噪声采样信号中实时有效地提取出变化趋势。然而，“粗细”这一信息很难被识别。为了解决这个问题，引入了一种图像识别算法。以下是具体的步骤：
[0093]
1)采样信号图像化
[0094]
将当前采样信号附近的信号点作为信号窗以用于图像识别。如图9所示的一种图像化处理示意图。
[0095]
步骤五，获取预设的基准值，根据基准值和待识别图像的纵向尺寸，计算纵向增益
系数。
[0096]
当采样信号并不是处于稳定状态时，曲线的“粗细”同时存在纵向和横向两个方向的分量然而横向分量是很难获得的。另一方面，横向分量的相对占比与信号曲线的斜率成反比，而斜率与纵向尺寸l成正比。基于这一分析，可以设立一个纵向增益系数py，用于识别曲线的斜率。具体来说，即测量信号图像的纵向尺寸并使py＝l0/l，其中l0对应上述基准值，对应稳态采样信号图像的纵向尺寸；l为待识别图像的纵向尺寸。如图10所示的一种增益处理后的图像的示意图，将系数py与l相乘，如图10中的(a)图所示。作为比较，对应稳定信号的图像如图10中的(b)图所示。
[0097]
步骤六，按照纵向增益系数，对待识别图像进行处理，得到增益处理后的图像。
[0098]
按照上述纵向增益系数，对待识别图像进行增益处理，即可得到上述增益处理后的图像。对比图10中的(a)和(b)，图像中曲线的“粗细”差异被清晰的显现了出来。并且，可以从图像上看出，曲线“粗细”这一信息也可以通过计算图像中线段部分的面积来进行定义。因此，跟踪微分器能够使用数值计算来提取采样信号的变化趋势。
[0099]
步骤七，根据增益处理后的图像的横向尺寸和纵向尺寸，计算增益处理后的图像的图像面积。
[0100]
对于所获得的增益处理后的图像，将其纵向和横向尺寸分别设置为l和td，其中l是信号窗内最大值与最小值的差，td是信号窗的时间跨度。由此所获得的图像面积可表示为：
[0101]
s＝td×
l
[0102]
步骤八，计算增益处理后的图像中，每相邻两个信号点对应的信号值之间的差值绝对值的加和，得到加和结果。
[0103]
步骤九，计算加和结果与采样周期的乘积，得到增益处理后的图像中的采样信号的线段面积。
[0104]
设信号图像中线段部分的面积为ss。
[0105]
显然有：
[0106][0107]
其中，v(
·
)为信号值，n为信号窗内的信号点数量。
[0108]
步骤十，基于采样周期、图像面积和线段面积，确定积分步长。
[0109]
该步骤十具体可以通过以下步骤a至步骤d实现：
[0110]
步骤a，获取预设的积分步长自适应函数；
[0111]
步骤b，计算图像面积与线段面积的比值，得到面积比值；
[0112]
步骤c，将面积比值输入至积分步长自适应函数，得到自适应函数输出结果；
[0113]
步骤d，计算采样周期与自适应函数输出结果的比值，得到积分步长。
[0114]
信号曲线的“粗细”可以通过前述过程中信号图像的线段面积来反映。由于每个信号图像具有相同的面积，为方便起见，引入厚度系数pw，其定义如下：
[0115]
[0116]
因此，采样信号曲线的“粗细”可以用线段部分与整个图像的面积比来表征。显然，pw与当前时间步长下采样信号曲线的“粗细”成反比，即与采样信号的变化速率成正比。对于所获得的系数pw，可以利用其来构建跟踪微分器的自适应积分步长选择算法。如：
[0117]kt
＝f(pw)
[0118]
其中，f(pw)是与系数pw相关的函数，需要操作人员根据采样信号特征以及自身需求进行预先设定。
[0119]
具体实现时，可以预先定义
[0120]
其中，k
t
是积分步长的压缩系数，其中dt是信号采样周期，即k
t
表征信号采样周期与积分步长的比值。
[0121]
因此，可以通过计算dt与k
t
的比值，即可得到上述积分步长h。
[0122]
上述步长选定函数k
t
＝f(pw)或h＝f(pw)是步长关于系数pw的函数，而当窗宽w选定不同值时，pw也会相应的发生整体改变。因此，在确定信号窗宽后，应当先通过历史采样数据进行模拟仿真滤波，确定大致的pw范围，随后根据需要明确当pw等于多少时积分步长取最大或取最小。
[0123]
步骤十一，将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。
[0124]
下面以一个人工信号作为例子对该图像识别算法进行验证。令该人工的采样信号的采样频率为50hz，信噪比为26db。参见图11所示的一种曲线对比示意图，该图为根据前述步骤得到的关于待处理采样信号的信号曲线与pw曲线的对比图。
[0125]
从图11中两曲线的对比可知pw对于待处理采样信号v趋势的变化有较高的敏感度，滞后很低并且几乎不受噪声影响，v的稳态区域与动态区域在pw曲线上有明显的区分，因此，足以提供清晰的动态特性信息。
[0126]
对于此实例，设置积分步长的选定策略如下列公式所示。
[0127][0128]
其中k
tmax
为对dt的最大压缩倍数，k
tmin
为对dt的最小压缩倍数，p
wmin
为h刚取得最小值时对应的pw值，p
wmax
为h刚取得最大值时对应的pw值。k
tmax
、k
tmin
、p
wmin
、p
wmax
四个参数通过考虑系统本身的特性进行预先设定，在这里将其设为：[k
tmax k
tmin p
wmin p
wmax
]＝[15 1 5 15]。
[0129]
如图12所示的一种信号处理结果示意图，该图为经过以上设定的跟踪微分器实时步长h关于传感器采集信号的输出示意图。
[0130]
由图12可以看出，运用本文实施例所进行的步长实时选定策略能够有效地在不同采集信号趋势下设定出合理的跟踪微分器实时步长。该方式对于采集信号动态特性的预测速度与精度直接决定了当前微分器积分步长选定的合理性并最终影响跟踪微分信号处理
的品质。
[0131]
下面将通过人工数值信号与实际试验数据共同对该去噪滤波器算法进行仿真验证与结果分析。
[0132]
现取上图12中所示的人工采样信号进行仿真验证，相关参数设置如下：信号采样间隔dt取0.02s，信号总时长t取1600s，信号信噪比取26db，信号窗宽w取300，约束条件r取10(该值对应控制器输出功率上限)，最小与最大等分倍数k
tmin
与k
tmax
分别取6和10，p
wmin
与p
wmax
分别取3.5和6。由此进行仿真，得到如图13所示的一种信号处理结果示意图。将固定步长跟踪微分器与经过改进后的变步长跟踪微分器的跟踪输出曲线进行对比，得到如图14所示的一种曲线对比示意图。
[0133]
通过图13和图14两图可以看出，基于本文图像识别算法与变步长跟踪微分器算法所构建的新型去噪滤波器相比于原固定步长的跟踪微分器能够更好的对该采样信号进行去噪滤波。具体体现在：在正弦波动区段有效的降低了信号的失真度，在稳定区段显著提升了信号的平滑度，大幅提升了输出信号的信噪比。
[0134]
下面选取某空气管网系统的实际压力采样数据进行实时仿真(试验数据由中国航发涡轮院高空模拟实验室提供)。由于该组试验数据在导出前经过了一定的数据平滑处理，因此，其传感器获得的实时信号相比于该组数据其信噪比更低。本实施例为更好的说明该方法的可信度与工程应用的能力，对该组试验采集数据进行了(-0.5,0.5)范围内的人工高斯噪声叠加，得到如图15所示的一种经过处理后的试验数据曲线示意图。
[0135]
参见图16所示的一种仿真结果示意图，针对该曲线进行如前文的参数选取步骤，其仿真结果如下图16中的(a)图和(b)图所示。通过图16中的(b)图中的对比曲线可以看出，对于实际试验的数据本文所采用的方法依然可以有效的对其进行处理，并获得较为理想的输出结果。
[0136]
本实施例设计的去噪滤波器在使用前需要操作人员对其进行相关设置，这包括信号窗宽度和积分步长选定函数。这些参数和函数的设置在很大程度上影响着该滤波器的工作效率。以下将简述滤波器相关设置应遵循的规律。
[0137]
其中，信号窗宽度影响着“粗细”系数pw曲线的清晰程度，如图17所示的一种不同信号窗宽度对应的pw曲线示意图，其中图17中的(a)对应信号窗框w＝300时的pw曲线和待处理采样信号的信号曲线，图17中的(b)所示对应信号窗框w＝800时的pw曲线和待处理采样信号的信号曲线。当信号窗内信号趋势单调时，信号窗宽度越宽则采样信号变化率提取得越清晰。而当信号窗内信号非单调时(如先增后减或先减后增)，则会引入pw的相位滞后或失真。因此，操作员在设置信号窗宽时应当先观察历史采样信号的特点，尽量确保信号窗宽内的信号基本保持单调的变化趋势。
[0138]
上述基于图像识别与跟踪微分器的去噪滤波器算法，对于采样频率较低且信噪比较高的离散信号，具有更好的去噪效果；另外，该方式稳定性强，能够在大部分频率输入下保持高效运行。
[0139]
本发明实施例提供了一种信号处理装置，如图18所示，该装置包括：获取模块180，用于获取待处理采样信号；图像化处理模块181，用于对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像；增益处理模块182，用于对待识别图像进行增益处理，得到增益处理后的图像；确定模块183，用于根据预设的采样周期、增益处理后的图像
的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；输出模块184，用于将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。
[0140]
上述信号处理装置，获取待处理采样信号；对待处理采样信号进行图像化处理，得到与待处理采样信号对应的待识别图像；对待识别图像进行增益处理，得到增益处理后的图像；根据预设的采样周期、增益处理后的图像的图像面积、增益处理后的图像中的采样信号的线段面积，确定积分步长；将积分步长输入到预设的跟踪微分器对应的函数中，输出对待处理采样信号进行去噪滤波处理后的信号。该装置对待处理采样信号进行图像化处理，基于得到的待识别图像计算积分步长，并基于预设的跟踪微分器对待处理采样信号进行去噪滤波处理，可以使跟踪微分器依据当前采样信号的动态特性自主的选择积分步长，对于信号采样频率较低、信噪比较高、信号波形复杂多变的离散信号，具有较好的去噪效果。
[0141]
进一步的，增益处理模块182还用于：获取预设的基准值，根据基准值和待识别图像的纵向尺寸，计算纵向增益系数；按照纵向增益系数，对待识别图像进行处理，得到增益处理后的图像。
[0142]
进一步的，确定模块183还用于：根据增益处理后的图像的横向尺寸和纵向尺寸，计算增益处理后的图像的图像面积；计算增益处理后的图像中，每相邻两个信号点对应的信号值之间的差值绝对值的加和，得到加和结果；计算加和结果与采样周期的乘积，得到增益处理后的图像中的采样信号的线段面积；基于采样周期、图像面积和线段面积，确定积分步长。
[0143]
进一步的，确定模块183还用于：获取预设的积分步长自适应函数；计算图像面积与线段面积的比值，得到面积比值；将面积比值输入至积分步长自适应函数，得到自适应函数输出结果；计算采样周期与自适应函数输出结果的比值，得到积分步长。
[0144]
进一步的，获取模块180还用于：获取待处理的模拟信号和预设的信号窗宽度；按采样周期，对模拟信号进行采样，得到初始采样信号；按照信号窗宽度，从初始采样信号中选取待处理采样信号。
[0145]
本发明实施例所提供的信号处理装置，其实现原理及产生的技术效果和前述信号处理方法实施例相同，为简要描述，信号处理装置实施例部分未提及之处，可参考前述信号处理方法实施例中相应内容。
[0146]
本发明实施例还提供了一种电子设备，参见图19所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述信号处理方法。
[0147]
进一步地，图19所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
[0148]
其中，存储器131可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图19中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0149]
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
[0150]
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述信号处理方法，具体实现可参见方法实施例，在此不再赘述。
[0151]
本发明实施例所提供的信号处理方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0152]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0153]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。