一种基于CEEMDAN和深度学习的信号去噪方法

技术领域

本发明涉及一种传输信号的噪声去除方法，尤其是涉及一种基于CEEMDAN和深度学习的信号去噪方法。

背景技术

随着科技信息时代的发展，人们对传输信号的质量要求越来越高，然而在实际的工作环境中，采集到的信号往往会由于外界环境干扰和仪器自身的影响，难免会有噪声夹杂在其中，使得采集的信号受到噪声的影响而不准确。因此，信号去噪作为信号处理中的重要环节，是不可缺少的，也是对信号检测等进一步研究的基础。

信号去噪大都采用传统的滤波方式，总体效果不是十分理想。近年来，小波去噪方法得到广泛的应用，但小波去噪，需要选择合适的小波基，如何选择最优小波基，主要考虑到小波基的特性，例如：消失矩、正交性、紧支性、正则性、对称性等。小波基具备正交性能使分析简便，提高小波变换的计算能力；具备对称性保证滤波的线性相位，减少信号重构的失真；具备紧支性能保证有优良的时频局部特性；具备正则性则能使去噪信号有好的频域分辨率和光滑度。但是，完全满足上述特征的小波基是不存在的，在实际应用中，只能根据实际情况，选择部分特性较好的小波基，因此影响了去噪的效果。

发明内容

发明目的：针对上述问题，本发明的目的是提供一种基于CEEMDAN和深度学习的信号去噪方法，增强去噪效果，实现更精确的信号传递。

技术方案：一种基于CEEMDAN和深度学习的信号去噪方法，包括以下步骤：

步骤1：对待处理的原始信号f(t)进行CEEMDAN分解，以获取固有模态函数分量imf

步骤2：将固有模态函数分量imf

步骤3：丢弃噪声固有模态函数分量，并对混合固有模态函数分量进行去除噪声处理，将纯净信号加入高斯白噪声，生成含噪信号，与纯净信号形成成对数据集，并建立深度学习模型，通过数据集对建立的深度学习模型进行训练，训练完成后，将混合固有模态函数分量作为输入，用训练好的深度学习模型对其进行混合固有模态函数分量进行处理，输出结果即为去除噪声的混合固有模态函数分量；

步骤4：信号的重构，将去除噪声的混合固有模态函数分量、信号固有模态函数分量和残差进行信号重构，得到去噪后的信号。

进一步的，在步骤1中，对信号f(t)进行CEEMDAN分解包括以下步骤：

1.1设初始化变量i＝1，且令信号x(t)＝f(t)，其中x(t)为临时信号；

1.2将信号x(t)分别加入N组符合正态分布的高斯白噪声n

x

其中，j为添加高斯白噪声组数，j＝1，2，.....，N；

1.3采用EMD算法分别对各组信号x

1.4计算去除第i阶固有模态分量imf

r(t)＝x(t)-imf

1.5令i＝i+1，x(t)＝r(t),重复步骤1.3和步骤1.4，直到获得的残差信号r(t)为单调信号，不能继续分解，分解结束，得到多个固有模态分量imf

其中，H为信号f(t)经过CEEMDAN分解后得到的固有模态分量数，h＝1，2，.....，H。

进一步的，在步骤2中，固有模态函数分量imf

2.1计算固有模态函数分量imf

采用皮尔逊相关系数分别计算固有模态函数imf

2.2计算固有模态函数分量imf

设信号f(t)＝{f(1),f(2),…,f(p)}，固有模态函数分量imf

HD(f(t),imf

其中，

h(f(t),imf

h(imf

‖·‖是点集f(t)和imf

2.3确定噪声固有模态函数分量、混合固有模态函数分量和信号固有模态函数分量；

设置相关系数Q

最佳的，将固有模态函数分量imf

进一步的，在步骤3中，共采集6000～8000组纯净信号，并分别对所述纯净信号进行高斯白噪声处理，形成6000～8000组含噪信号，6000～8000组含噪信号和6000～8000组纯净信号形成了6000～8000个成对数据集样本。

进一步的，在步骤3中，深度学习模型包括输入层input1d、一号通道、二号通道、三号通道、拼接层和输出层，一号通道、二号通道、三号通道为并联关系，分别与输入层input1d信号连接，并分别将输出信号传递给拼接层，拼接层将信号传递给输出层。

最佳的，一号通道包括依次信号传递的一维卷积层C-11、一维最大池化层P-12、一维卷积层C-13、一维最大池化层P-14、注意力机制模块层A-15、一维卷积层C-16、一维最大池化层P-17、平铺层F-18；

二号通道包括依次信号传递的下采样层S-21、一维卷积层C-22、一维最大池化层P-23、一维卷积层C-24、一维最大池化层P-25、注意力机制模块层A-26、一维卷积层C-27、一维最大池化层P-28、平铺层F-29；

三号通道包括依次信号传递的下采样层S-31、一维卷积层C-32、一维最大池化层P-33、一维卷积层C-34、一维最大池化层P-35、注意力机制模块层A-36、一维卷积层C-37、一维最大池化层P-38、平铺层F-39。

最佳的，在步骤3中，深度学习模型的训练方法为：将数据集的样本以7:3比例划分为训练集样本和测试集样本数，采用了Adam优化器来更新网络参数，模型训练时的Epoch、批次大小以及Adam算法的学习率分别为60、64、0.001，采用随机方式，对深度学习模型参数进行初始化，将训练集样本按批次输入深度学习模型中进行模型训练，将测试样本输入训练好的深度学习模型中进行测试，输出故障诊断准确率，以此来判断所提模型可行性，训练结束后保存训练好的深度学习模型。

有益效果：与现有技术相比，本发明的优点是：

1)将信号经CEEMDAN分解产生的固有模态函数分量，根据固有模态函数分量与信号的相关系数、固有模态函数分量与信号之间的豪斯多夫距离，将固有模态函数分量划分为噪声固有模态函数分量、混合固有模态函数分量和信息固有模态函数分量三类，对不同类型的固有模态函数分量采用不同的处理方法，既提高了处理速度，又提高去噪的效果。

2)根据固有模态函数分量与信号的相关系数、固有模态函数分量与信号之间的豪斯多夫距离，将固有模态函数分量划分为噪声固有模态函数分量、混合固有模态函数分量和信息固有模态函数分量三类，相对于传统的根据单一评判标准，分类的结果更科学。

3)将CEEMDAN和深度学习的优点相结合，通过CEEMDAN分解，将信号分解得到多个IMF分量和一个残差r(t)，结合深度学习强大的特征提取能力，对混合固有模态函数分量进行去噪处理，弥补了CEEMDAN算法对于复杂噪声信号处理不足的缺陷。

4)在深度学习中，引入了注意力机制，够抑制通道中没有用的特征，增强需要用到的特征，让整体网络更好地进行特征选择与融合，对SNR的指标有明显提升，提高了去噪的效果。

5)提出了双通道卷积神经网络故障诊断模型。双通道模型既学习相邻区间的相关性，又学习非相邻区间的相关性，从而提高了故障诊断的准确率，避免了目前机械设备故障诊断模型采用单一通道导致故障诊断准确率不高的缺陷。

附图说明

图1为本发明的流程图；

图2为本发明深度学习模型结构图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。

一种基于CEEMDAN和深度学习的信号去噪方法，如图1、2所示，包括以下步骤：

步骤1：对信号f(t)进行CEEMDAN分解，以获取IMF分量imf

1.1设初始化变量i＝1，且令信号x(t)＝f(t)，其中x(t)为临时信号，f(t)为待处理的原始信号。

1.2将信号x(t)分别加入N组符合正态分布的高斯白噪声n

x

其中，j为添加高斯白噪声组数，j＝1，2，.....，N。

1.3采用EMD算法分别对各组信号x

1.4计算去除第i阶固有模态分量imf

r(t)＝x(t)-imf

1.5令i＝i+1，x(t)＝r(t),重复步骤1.3和步骤1.4，直到获得的残差信号r(t)为单调信号，不能继续分解，分解结束，得到多个固有模态分量和一个残差分量r(t)，此时信号f(t)可以表示为：

其中，H为信号f(t)经过CEEMDAN分解后得到的固有模态分量数，h＝1，2，.....，H。

步骤2：将固有模态函数分量imf

2.1计算固有模态函数分量imf

采用皮尔逊相关系数分别计算固有模态函数imf

根据公式(5)可知，在信号f(t)和IMF分量呈现负相关时，相关系数的值为负，当线性相关性越高时，相关系数的值越大。

2.2计算固有模态函数分量imf

设信号f(t)＝{f(1),f(2),…,f(p)}，固有模态函数分量imf

HD(f(t), imf

其中，

h(f(t), imf

h(imf

‖·‖是点集f(t)和imf

根据公式(6)可知，固有模态函数分量imf

2.3确定噪声固有模态函数分量、混合固有模态函数分量和信号固有模态函数分量

设置相关系数Q

对于本实施，将固有模态函数分量imf

步骤3：含噪分量的降噪处理

3.1制作样本集

将纯净信号加入高斯白噪声，生成含噪信号，与纯净信号形成成对数据集。

本实施例中，采集6000组纯净信号，分别对6000组纯净信号高斯白噪声，形成6000组含噪信号，6000组含噪信号和6000组纯净信号形成了6000个样本。

3.2建立深度学习模型

深度学习模型输入层input1d、一号通道、二号通道、三号通道、拼接层和输出层。

一号通道包括一维卷积层C-11、一维最大池化层P-12、一维卷积层C-13、一维最大池化层P-14、注意力机制模块层A-15、一维卷积层C-16、一维最大池化层P-17、平铺层F-18。

二号通道包括下采样层S-21、一维卷积层C-22、一维最大池化层P-23、一维卷积层C-24、一维最大池化层P-25、注意力机制模块层A-26、一维卷积层C-27、一维最大池化层P-28、平铺层F-29。

三号通道包括下采样层S-31、一维卷积层C-32、一维最大池化层P-33、一维卷积层C-34、一维最大池化层P-35、注意力机制模块层A-36、一维卷积层C-37、一维最大池化层P-38、平铺层F-39。

本实施例中，输入层input1d尺寸大小为1024×1；一维卷积层C-11的卷积核大小为7×1，卷积核数量为2，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-12，池化核大小为2×1，步长为2；一维卷积层C-13的卷积核大小为5×1，卷积核数量为4，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-14池化核大小为2×1，步长为2；注意力机制模块层A-15采用BahdanauAttention，一维卷积层C-16的卷积核大小为3×1，卷积核数量为8，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-17，池化核大小为4×1，步长为4。

下采样层S-21采样1/2采样，一维卷积层C-22的卷积核大小为7×1，卷积核数量为2，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-23，池化核大小为2×1，步长为2；一维卷积层C-24的卷积核大小为5×1，卷积核数量为4，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-25池化核大小为2×1，步长为2；注意力机制模块层A-26采用BahdanauAttention，一维卷积层C-27的卷积核大小为3×1，卷积核数量为8，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-28，池化核大小为4×1，步长为4。

下采样层S-31采样1/4采样，一维卷积层C-32的卷积核大小为7×1，卷积核数量为2，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-33，池化核大小为2×1，步长为2；一维卷积层C-34的卷积核大小为5×1，卷积核数量为4，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-35池化核大小为2×1，步长为2；注意力机制模块层A-36采用BahdanauAttention，一维卷积层C-37的卷积核大小为3×1，卷积核数量为8，激活函数为ReLU，步长为1，填充方式为same；一维最大池化层P-38，池化核大小为4×1，步长为4。

本实施例中，拼接层神经元数目为1768，丢弃层dropout的丢弃率为0.5，输出层output神经元数目为1024，激活函数为Softmax。

3.3训练深度学习模型

按照一定比例将数据样本划分成训练集与测试集

在本实例中，6000个样本以7:3比例划分，训练集样本数为4200，测试集样本数为1800。本实例中采用了Adam优化器来更新网络参数，模型训练时的Epoch、批次大小以及Adam算法的学习率分别为60、64、0.001。采用随机方式，对深度学习模型参数进行初始化，将训练集样本按批次输入深度学习模型中进行模型训练，将测试样本输入训练好的深度学习模型中进行测试，输出故障诊断准确率，以此来判断所提模型可行性。训练结束后保存训练好的深度学习模型。

3.4降噪

将混合固有模态函数分量作为输入，用训练好的深度学习模型对其进行混合固有模态函数分量进行处理，输出结果即为去除噪声的混合固有模态函数分量。

步骤4：信号的重构

将去除噪声的混合固有模态函数分量、信号固有模态函数分量和残差进行信号重构，得到去噪后的信号。

本发明的效果可以通过以下对比实验进一步说明：

一组模拟变形监测数据的仿真信号S(t)，3个不同的振幅频率周期项和1个趋势项组成，步长设置为0.1s，仿真信号的表达式为：

监测数据中含有的噪声以白噪声为主，加入符合正态分布的白噪声：

f(t)＝S(t)+σ·randn(1,N)

f(t)为含噪信号，S(t)为纯净信号，σ·randn(1,N)为符合正态分布的随机白噪声，随着σ的值不同，信号噪声的强度不同。

分别用CEEMDAN分解去噪法、小波变换硬阈值函数去噪法、小波变换软阈值函数去噪法与本发明公开的去噪法进行去噪做，通过去噪后的信噪比SNR和均方误差MSE的值来说明方法的优劣性。

各个方法SNR和MSE值如下表1所示：

表1各个方法SNR和MSE对比值

在不同噪声背景情况下，本发明公开的去噪结果也明显优于另外三种方法，相较于CEEMDAN分解去噪发、软阈值去噪发、硬阈值去噪法有更高的SNR和更低的MSE，有效地去除了噪声，重构后的信号更接近原始信号，适用于含噪信号的分析和处理。