结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法
文献发布时间:2024-01-17 01:26:37
技术领域
本发明涉及光缆识别信号检测领域,特别涉及一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法。
背景技术
因机房搬迁、网络扩容升级导致的光缆线路改造和光缆故障抢修等情况不断涌现,需要快速有效地识别目标光缆。基于光相干解调来识别目标光缆的技术在具体应用时,远地操作者敲击光缆导致光场的幅度和相位发射变化,基站人员通过探测回波干涉信号的幅值变换来判断被敲击的光缆是否为目标光缆。敲击光缆产生的瞬态回波干涉信号持续时间短,属于典型的非线性、非平稳信号。建立在谐波基函数的傅里叶变换和小波基函数的小波变换对于此类信号的分析有其局限性。另外,在环境噪声较严重如光缆某一处被固定挤压,目标光缆与其他线缆绞在一起相互磕碰,所用激光源的相干性较差等情况下,无法保证光缆识别的准确率。如何自适应降噪并有效完成瞬时信号检测的时频分析方法越来越受到关注。
目前常用于非线性、非平稳信号分析的是经验模态分解法。该方法不需要事先设定基函数,而是根据信号自身的时间尺度特征自适应的完成分解。其分解结果是表征不同时间尺度的局部特征信号的若干IMF分量与余量之和,再根据检测要求适当选择IMF分量重构信号,突显某一频率范围内的特征。然而IMF分量不可避免地出现有用成分和噪声模态混叠现象,导致重构信号的同时丢失有用成分,降噪效果不佳。
有鉴于此,特提出本申请。
发明内容
本发明的目的是提供一种具有很强的自适应性降噪能力,可突出原始信号某种瞬态特征的信号检测方法。
本发明采用的技术方案为:
一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,包括以下步骤:
步骤1,将原始信号进行经验模态分解,得到多个IMF分量与余量;
步骤2,将各IMF分量作为列向量构建样本矩阵,对每一个列向量以奇异值分解的方式进行主成分分析,求得各奇异值,并按照奇异值大小或累计贡献率选取主成分IMF分量,完成第一次降噪;
步骤3,将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量,完成第二次降噪并重构信号;
步骤4,基于希尔伯特-黄变换算法计算重构信号的瞬时幅度并作为检测统计量,做瞬态信号有无的二元判决。
进一步的,步骤2具体包括:
步骤201,将各IMF分量作为列向量构建样本矩阵,对列向量的每一个分量进行标准化
步骤202,计算标准化样本矩阵的相关系数矩阵
步骤203,设特征值为λ
Cv
步骤204,计算前p个奇异值的累计贡献率:
选取奇异值的累计贡献率超过阈值或奇异值大于1的IMF分量视为有效信号,其余的IMF分量被视为噪声。
进一步的,步骤3筛选第二次经验模态分解的有效IMF分量时,按照步骤2所选取的主成分IMF分量的个数来选取有效IMF分量的个数。
本发明基于主成分分析算法,统计奇异值累计贡献率对IMF分量构成的样本矩阵进行降维,从而实现第一次降噪。然后将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量进行第二次降噪,提高噪声抑制性能,提高瞬态特征检测的准确性。
附图说明
图1为本发明实施例瞬态信号检测流程图。
图2为本发明实施例检测到原始信号图。
图3为本发明实施例原始信号的EMD分解结果图。
图4为本发明实施例第一次降噪后的信号图。
图5为本发明实施例第一次降噪后信号的EMD分解结果图。
图6为本发明实施例第二次降噪后的信号图。
图7为本发明实施例希尔伯特变换后的瞬时幅度曲线。
具体实施方式
下面结合附图对本发明做进一步描述。
一种结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法,检测流程如图1所示。
步骤1,将原始信号进行经验模态(EMD)分解得到若干IMF分量与余量。
(1)找出原始信号的极大值点和极小值点,分别拟合出上包络线和下包络线,并计算出平均包络线;
(2)将原始信号减去上述平均包络线,得到第1个IMF分量;原始信号如图2所示;
(3)将原始信号减去第(2)步生成的IMF分量得到新的待检信号。将新的待检信号作为原始信号回到第(1)步重复整个过程,直到余量为单调函数。
经过多次分解后,原信号可表述为
式中:IMFi为第i个IMF分量;r
原始信号的经验模态分解结果如图3所示。
步骤2,将各IMF分量作为列向量构建样本矩阵,对每一个列向量以奇异值分解的方式进行主成分分析,求得各奇异值,并按照奇异值大小或累计贡献率选取主成分IMF分量,完成第一次降噪;第一次降噪后信号的EMD分解结果图如图5所示。
假设原始信号经验模态分解后得到n组IMF分量,其中每组IMF分量包含m个采样点。样本矩阵表示为X(X∈R
1)对列向量的每一个分量进行标准化
2)计算标准化样本矩阵的相关系数矩阵
3)设特征值为λ
Cv
4)最终选取的主成分的个数按照奇异值的累计贡献率来确定。定义奇异值的贡献率和前p个奇异值的累计贡献率
本实施例中,各主成分分量的奇异值及其贡献率如表1所示。
奇异值的累计贡献率超过80%,或是奇异值大于1的主成分分量视为有效信号,其余的主成分分量被视为噪声。由此判定,选取前三个主成分分量作为有用成分,舍弃其余三个主成分分量。图4为第一次降噪后的信号。
步骤3,将第一次降噪后的信号再次进行经验模态分解,筛选有效IMF分量,完成第二次降噪并重构信号。
按照步骤2所选取的主成分IMF分量的个数来选取该步骤有效IMF分量的个数。本实施例中,步骤2选取前三个主成分分量,因此该步骤选取前三个IMF分量重构信号并完成第二次降噪。图6为第二次降噪后的信号。
信噪比按照S/N=20LOG(V
步骤4,基于希尔伯特-黄变换算法计算重构信号的瞬时幅度并作为检测统计量,做信号有无的二元判决,瞬时幅度大于门限值时检测到瞬态信号,希尔伯特变换后的瞬时幅度曲线如图7所示。判断是否有瞬态信号的门限值根据实际测试数据的幅度适时调整。本实施例中,门限值设置为0.15,瞬时幅度超过0.15则判断检测到瞬态信号。
- 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法
- 一种基于流形学习与希尔伯特-黄变换相结合的结构模态参数辨识方法