经验周期模态单元滤波在间歇高斯噪声消除中的应用

"基于经验周期的模态单元滤波及其在间歇高斯噪声消除中的应用" 本文探讨的是在处理非线性、非平稳信号的噪声消除问题，特别是针对间歇高斯噪声的挑战。作者钱昌松、刘代志和刘志刚、齐玮提出了一种新的滤波模型，即基于经验周期的模态单元滤波。他们指出传统的经验模态分解(EMD)和小波阈值消噪方法在处理间歇噪声时存在不足。 经验模态分解(EMD)是一种自适应的数据分析方法，能将复杂信号分解为内在模态函数(IMF)和残差。尽管EMD在处理非线性信号时表现出色，但它在面临模态混叠和不确定性时可能会遇到困难。文章中，作者深入研究了EMD在分解不同Hurst指数的分形高斯噪声时经验周期的演变规律，这有助于识别和区分不同类型的模态单元。 为了确定合适的阈值，他们建立了一种基于高斯消噪的阈值选取规则。通过这种方法，他们设计的滤波模型能够更有效地识别和消除间歇高斯噪声。实验结果表明，该算法在处理不同H指数的高斯噪声时，对间歇噪声的消除效果显著。 在EMD的噪声消除方法中，通常有三种策略：直接抽取法、阈值处理法和IMF滤波法。然而，这些方法往往忽视了IMF的物理意义，导致在实际应用中存在问题。相比之下，小波阈值消噪算法因其多尺度表示的特性，通常能提供更好的消噪效果。尽管如此，A.O. Boudraa的研究表明，EMD消噪算法在某些情况下可能不及小波阈值消噪。 因此，作者提出的基于经验周期的模态单元滤波模型旨在克服这些局限性，通过利用模态单元的经验周期来判断其类型，从而实现更精确的噪声消除。这一创新方法对于改善EMD在噪声消除中的性能，特别是在处理间歇性噪声方面，具有重要的理论和实践价值。