循环叠加经验模态分解去噪算法在弱信号检测中的应用

"采用循环叠加经验模态分解的去噪算法 (2010年) - 哈尔滨工程大学学报" 经验模态分解（Empirical Mode Decomposition，EMD）是一种数据驱动的信号分析方法，由Huang等人在1998年提出。它能将复杂信号自适应地分解成一系列固有模态函数（Intrinsic Mode Functions，IMFs）和残余项。这种方法特别适合处理非线性、非平稳信号，如机械振动、生物信号等。 本篇论文中，作者赵旦峰、许聪、张扬和兰海燕提出了一种基于EMD的新型去噪算法，旨在提升在强噪声环境下的目标信号检测能力。他们首先对信号进行EMD分解，获取第一个IMF。接着，通过对这个IMF进行循环移位，保持其功率不变，生成多个噪声样本函数。这些噪声样本函数的叠加可以更准确地估计背景噪声特性。然后，将叠加后的噪声样本与重构的目标信号相结合，形成新的含噪信号。最后，通过应用软阈值去噪技术，有效地削弱噪声，保留信号的主要成分。 实验结果显示，该算法在抑制4-6dB的高斯白噪声方面表现良好，但在应对高斯混合噪声时效果不佳。特别是在低信噪比环境下，新算法相对于传统的基于EMD的去噪方法显示出显著的优势。因此，该算法为低信噪比条件下的弱信号检测提供了一种有效且创新的解决方案。 论文指出，虽然EMD方法在处理非线性和非平稳信号时有其独特优势，但如何更好地去除噪声并提高信号的可辨识度始终是研究的重点。循环叠加经验模态分解的去噪算法正是对这一问题的积极探索，它拓展了EMD的应用领域，并为进一步改进信号处理技术提供了新的思路。 关键词：经验模态分解（EMD）、弱信号、固有模态函数（IMF）、去噪、信号检测、高斯白噪声、高斯混合噪声、软阈值去噪、低信噪比。