小波包和自适应滤波的去噪研究.docx

《小波包和自适应滤波的去噪研究.docx》由会员分享，可在线阅读，更多相关《小波包和自适应滤波的去噪研究.docx（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、小波包和自适应滤波的去噪研究（中国测试杂志）2014年第三期1超声信号的小波包分析小波包分析waveletpacketanalysis技术是一种先进的信号时频分析方法，在表征信号的时频特征时具有独特的优点，不但能反映信号的频率成分，而且能反映信号的频率成分随时间变化的趋势和规律6。小波包相对于小波的主要优点是：小波包能够对信号的高频部分做愈加细致的刻画，对信号的分析能力更强。小波包分解是采用给定的小波函数对信号进行分解，生成一组小波包基，每个基都提一种特定的信号编码方法，它能保留信号的全部能量，并对信号特征进行准确重构。3层小波包分解后树状构造如图2所示。图2中，点i，j表示第i层第j个节点i

2、=0，1，2，3；j=0，1，2，7，每个节点代表一定的信号特征。其中节点0，0代表原始信号S，节点1，0代表小波包分解的第1层低频系数10，节点1，1代表小波包分解的第1层高频系数11，其他依此类推。定义子空间Ujn是函数unt的闭包空间，而Uj2n是函数u2nt的闭包空间，并令unt知足下面的双尺度方程：综合考虑小波基函数的性质和超声回波信号的特点，本文采用db40作为小波包变换。在Matlab下将超声信号进行3层小波包分解后的信号分量如图3所示。2LMS自适应滤波自适应滤波利用前一时刻获得滤波器参数的结果调节现时刻的滤波器参数，以适应信号和噪声未知或随时间变化的统计特性，进而实现最优滤波

3、。自适应滤波器的特性变化是由自适应算法通过调整滤波器系数来实现的。一般而言，自适应滤波器由参数可调的数字滤波器和自适应算法两部分组成。参数可调数字滤波器能够是FIR数字滤波器或IIR数字滤波器。自适应滤波器的一般构造如图4所示。图4中xn为输入信号，通过参数可调的数字滤波器后产生输出信号yn，将输出信号yn与期望信号dn进行比拟，得到误差信号en。en和xn通过自适应算法对滤波器的参数进行调整，进而使误差信号en最小8。LMS算法即最小均方误差leastmeansquares算法，是线性自适应滤波算法，包括滤波经过和自应经过。LMS自适应滤波器使滤波器的输出信号与期望响应之间的误差均方值为最小

4、，因而称为最小均方LMS自适应滤波器。由于LMS算法具有构造简单、计算复杂度小、性能稳定等特点，因此被广泛应用于自适应平衡、语音处理、自适应噪音消除、雷达、系统辨识及信号处理等领域。LMS算法设法使yn接近dn，理想信号dn与滤波器输出yn之差en的期望值最小，并且根据这个判据来修改权系数win。均方误差表示为求解最佳权系数W*有两种方法，其中一种是最陡梯度法9。其思路为：设计初始权系数W0，用Wn+1=Wn-un迭代公式计算，直到Wn+1与Wn误差小于规定范围。其中n的E计算可用估计值表达为LMS算法收敛的条件为：01/max，max是输入信号自相关矩阵的最大特征值。3超声信号去噪实例由于超

5、声回波信号频带较宽，干扰信号和有用信号有一定程度的频率重叠，且超声波在铝合金材料中的传播特性比拟复杂，希望小波包分解重构后保留尽可能多的有用信号信息。将原始信号3层小波包分解后，对各分量信号分别选用不同的滤波参数进行自适应滤波处理10，分别经LMS自适应滤波器去噪后，再将分量信号进行小波包逆变换，重构的信号与原始信号比照如图5所示。原始信号中的噪声和突变等得到了抑制，信号明显变得平滑，滤波后的信号保留了超声回波的特征，为后续提取信号的包络、特征提取和缺陷识别打下了基础。能够较好地解决由于随机噪声干扰而造成提取的包络信号轮廓信息粗糙的问题，改善包络提取精度如图6所示。4结束语基于小波包分析和LMS自适应滤波的超声信号去噪方法参数设置少，易于控制，不涉及小波阈值降噪中阈值的选取问题且能保留信号的高频部分信号能量完好无缺。该方法在实际检测中有利于将信号分解为位于不同频段和时段内的子带能量谱，进而在复杂信号中分离出故障特征；同时便于准确提取信号包络，为缺陷的定量超声检测奠定基础。