改进EEMD降噪方法在陀螺信号处理中的应用

"该文提出了一种改进的集合经验模态分解(EEMD)方法，称为EEMD-M，用于抑制陀螺仪信号中的非线性、非平稳噪声。通过EEMD对信号进行阈值滤波，区分信息主导和噪声主导的固有模态函数(IMF)分量。接着，将被丢弃的IMF分量再次应用EEMD，以获取信号的细节信息。使用去趋势波动分析(DFA)确定每个IMF分量的尺度指数，以进一步提取有用信号。经过两次滤波后，重构有用的IMF分量，从而获得降噪后的信号。实测数据的降噪实验表明，EEMD-M比EMD降噪、DFA-EMD降噪、EEMD降噪以及小波分析方法更有效，平均方误差降低了82.9%，随机漂移显著减少，证明了EEMD-M的可行性和优越性，提高了微机电系统陀螺在光学图像处理中的性能。" 本文研究了光学陀螺仪信号处理中的一个重要问题——噪声抑制，尤其是在面对非线性和非平稳噪声时。集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）是一种自适应信号分解方法，能够处理复杂信号，但原始的EEMD方法可能无法完全分离噪声和信号。为此，作者提出了EEMD-M，一种改进的EEMD降噪技术。 EEMD-M的核心步骤包括： 1. 应用EEMD对原始信号进行阈值滤波，得到信息主导和噪声主导的IMF分量。 2. 对于首次滤波中丢弃的IMF分量，再次使用EEMD进行分析，以捕捉信号的精细结构。 3. 通过DFA来量化每个IMF分量的尺度指数，以区分哪些是包含有用信息的分量。 4. 将两次滤波过程中识别出的有用IMF分量重新组合，生成降噪后的信号。 实验结果表明，EEMD-M在实际陀螺仪信号的降噪中表现出色，相较于其他方法，如EMD、DFA-EMD和小波分析，EEMD-M能更有效地减少均方误差，并显著降低随机漂移，从而提高了微机电系统陀螺仪的稳定性和可靠性。这一成果对于提升光学图像处理的精度和稳定性具有重要意义，特别是在高精度导航、航天和军事应用等领域。