小波包去噪与改进HHT的微弱信号特征提取

基于改进HHT的微弱故障信号特征提取方法周小龙;姜振海;马风雷【摘要】针对微弱故障信号故障特征难以提取的问题，提出一种基于改进希尔伯特-黄变换的故障特征提取方法。

该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数，再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析，从中提取故障特征。

仿真和实际试验证明：希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性，为微弱故障信号的特征提取提供了一种切实可行的方法。

%For solving the difficulty in extinction of weak fault signal, a method based on improved Hilbert-Huang transform is proposed. The weak fault signal is decomposed by ensemble empirical mode decomposition, and the intrinsic mode functions are obtained,then the sensitive intrinsic mode functions are selected by the sensitivity evaluation method. Finally,the Hilbert spectrum and marginal spectrum of the signals are obtained by the sensitive intrinsic mode functions,and the characteristics of the weak fault signal are detected. The sim-ulation and actual experiment results show that the Hilbert spectrum and marginal spectrum can display the subtle features corresponding to time and frequency of weak fault signals,and offered a practical method for its feature extraction.【期刊名称】《东北电力大学学报》【年(卷),期】2016(036)005【总页数】5页(P52-56)【关键词】希尔伯特-黄变换;平均总体经验模态分解;微弱信号;特征提取【作者】周小龙;姜振海;马风雷【作者单位】东北电力大学工程训练教学中心，吉林吉林132012;长春工业大学机电工程学院，长春130012;长春工业大学机电工程学院，长春130012【正文语种】中文【中图分类】TH17在机械传动设备中，当某一零件出现早期缺陷时，其振动信号十分微弱，往往被其它零部件的运行振动信号和背景噪声所淹没，为故障的检测和诊断带来困难[1]。

小波变换对语音信号特征提取的性能分析方法近年来，随着语音识别技术的不断发展，对语音信号特征提取的需求也越来越迫切。

而小波变换作为一种有效的信号处理方法，被广泛应用于语音信号特征提取中。

本文将对小波变换在语音信号特征提取中的性能进行分析，并介绍相应的方法。

首先，我们来了解一下小波变换的基本原理。

小波变换是一种时频分析方法，它可以将信号分解成不同频率的子信号，从而实现对信号的多尺度分析。

在语音信号特征提取中，我们可以利用小波变换将语音信号分解成不同频率的子信号，然后提取这些子信号的特征，从而实现对语音的特征提取。

在进行语音信号特征提取时，我们首先需要选择合适的小波基函数。

不同的小波基函数对信号的分解效果有所差异，因此选择合适的小波基函数对于提取语音信号的特征至关重要。

常用的小波基函数包括Daubechies小波、Haar小波等。

选择小波基函数时，需要考虑信号的特点以及对特征的要求，从而选择最适合的小波基函数。

在进行小波变换后，我们可以得到语音信号的小波系数。

这些小波系数反映了信号在不同频率下的能量分布情况。

我们可以利用这些小波系数来提取语音信号的特征。

常用的特征提取方法包括能量特征、频率特征、时域特征等。

通过对小波系数进行统计分析，我们可以得到这些特征的数值，从而实现对语音信号的特征提取。

除了特征提取外，小波变换还可以用于语音信号的压缩和去噪。

在语音信号传输和存储过程中，信号往往会受到噪声的干扰，从而影响信号的质量。

利用小波变换可以将信号分解成不同频率的子信号，然后通过滤波的方式去除噪声，从而实现对语音信号的去噪。

此外，小波变换还可以对语音信号进行压缩，从而减少存储和传输的开销。

在实际应用中，小波变换的性能受到多种因素的影响。

首先，小波基函数的选择对性能有着重要的影响。

不同的小波基函数适用于不同类型的信号，因此在选择小波基函数时需要考虑信号的特点。

其次，小波变换的尺度选择也会影响性能。

尺度选择过大或过小都会导致性能下降，因此需要选择合适的尺度。

生物医学信号处理中的去噪与特征提取方法研究摘要：生物医学信号处理是生物医学工程中的重要研究领域，它涉及到去噪和特征提取等多个方面。

本文将从去噪和特征提取两个方面，介绍在生物医学信号处理中的一些常用方法和技术，并对其优缺点进行讨论。

希望通过本文的介绍，能够为生物医学信号处理研究提供一些参考和启发。

第一部分：去噪方法研究在生物医学信号处理中，去噪是一个非常重要的任务。

由于生物体内的信号往往混合了大量的噪声，正确地去除噪声对于后续特征提取和分析非常关键。

目前，常用的生物医学信号去噪方法主要包括滤波法、小波变换和独立成分分析方法。

滤波法是最常见的去噪方法之一。

通过选择合适的滤波器，可以将具有特定频段的噪声滤除。

常见的滤波器有低通滤波器、高通滤波器和带通滤波器等。

滤波法可以有效地去除高频噪声和低频噪声，但在同时存在多个频带的噪声时，效果不佳。

小波变换是一种基于频域和时域分析的去噪方法。

通过对信号进行小波变换，可以将信号分解为多个频带，并对每个频带的小波系数进行阈值处理。

小波变换去噪的优点在于能够保留信号的时域和频域特征，但对于非平稳信号和噪声变化频率较快的信号，效果较差。

独立成分分析方法是一种基于统计学原理的去噪方法。

通过对信号的独立成分进行分析，可以将信号中的噪声成分与信号成分分离开来。

独立成分分析可以有效地去除噪声，但需要对信号的概率分布和相关性有一定的了解，并且对信号的独立性假设有一定的限制。

第二部分：特征提取方法研究在生物医学信号处理中，特征提取是对信号进行进一步分析和处理的关键步骤。

特征提取的目的是从信号中提取出具有代表性的特征，以便进行分类、识别和判断等任务。

常用的特征提取方法主要包括时域特征、频域特征和小波特征等。

时域特征是指在时域上对信号进行统计和分析得到的特征。

例如，均值、方差、功率等都是常用的时域特征。

时域特征提取简单直观，但对于非平稳信号和周期性变化较大的信号来说，效果较差。

频域特征是指在频域上对信号进行分析得到的特征。

0 引言微弱信号检测和提取是近年来兴起的关于提取和测量强噪声背景下微弱信号的方法，也是信号处理领域中经常遇到的问题。

在工程应用中，往往存在着有用信号较弱，而噪声较强的情况，例如在机械故障检测与诊断中，当机器发生故障时，若机器中潜伏着某一零部件的早期微弱缺陷时，该缺陷信息被其它零部件的运行振动信号和随机噪声所淹没。

为了有效地提取弱故障信息，实现早期诊断，可以用小波分析理论，对信号进行小波分解，把信号分解为各个频段的信号，再根据诊断的目的选取包含所需零部件故障信息的频段序列，进行深层信息处理以查到机器的故障源。

小波变换是一种新的变换分析方法，通过变换能够充分突出问题某些方面的特征，利用小波变换良好的时频特性，可以在低信噪比情况下提取信号的波形信息。

1 小波变换的原理1.1 小波变换的定义设f (t )是平方可积函数，即f (t )L 2(R )，则该连续函数的小波变换定义为[1]：(1)ψ*(t )生成因子。

基于小波去噪的微弱信号提取The extraction of weak signal based on wavelet denoising刘正平，冯召勇，杨卫平LIU Zheng-ping, FENG Zhao-yong, YANG Wei-ping(华东交通大学 机电工程学院，南昌 330013)摘 要: 小波分析理论是近几年来兴起的一种信号处理理论，已经成为信号去噪处理中的一种重要的工具。

介绍了小波分析理论及其在信号去噪中的应用，并主要介绍了三种噪声处理方法：默认阈值法、强制阈值法和独立阈值法，运用小波分解与重构去噪方法，实现含噪信号的去噪处理。

仿真结果证明：在信号分析中，利用小波变换来实现信噪分离提取弱信号是一种非常有效的方法。

关键词:小波分析；小波重构；消噪中图分类号：TN911.6 文献标识码：A 文章编号：1009-0134(2010)08-0098-04Doi: 10.3969/j.issn.1009-0134.2010.08.32小波能够消噪主要由于小波变换具有如下特点：低熵性。

基于改进小波去噪的EEMD—HHT信号处理方法【摘要】传统小波去噪虽然可在一定程度上去除噪声对原始信号的干扰，但去噪效果并不理想。

针对传统小波去噪中存在的问题，提出一种改进的小波去噪方法，并将改进小波去噪与EEMD-HHT有机结合，进而提出一种基于改进小波去噪的EEMD—HHT信号处理新方法。

基于MATLAB软件，分别利用EEMD-HHT方法、基于传统小波去噪的EEMD-HHT信号处理方法和基于改进小波去噪的EEMD-HHT信号处理方法对外圈故障滚动轴承进行故障诊断试验，试验结果与理论计算结果对比分析表明，基于改进小波去噪的EEMD-HHT信号处理方法最为有效。

【关键词】改进小波去噪;EEMD-HHT;改进小波去噪与EEMD-HHT有机结合;滚动轴承故障诊断1.引言Huang N E等人于2007年提出基于聚合经验模态分解EEMD的HHT信号处理方法[1]（简称EEMD-HHT），该方法已在轴承故障诊断、电能质量扰动检测、语音信号处理和地震信号分析等不同领域取得了显著成效。

但在实际信号测试过程中，外界噪声会对原始信号产生干扰，这必将影响所测信号的真实度，单独使EEMD-HHT对信号进行处理，就无法有效解决这一问题。

小波变换具有去噪特性，董文智等人提出了一种基于传统小波去噪的EEMD-HHT信号处理方法[2]，该方法虽然取得了一定的改进效果，但由于采用的是基于软阈值函数或硬阈值函数的小波去噪方法（简称软阈值或硬阈值去噪），其去噪效果并不理想[3，4]。

为了更好地去除外界噪声对原始信号的干扰，张弛等人提出一种改进的小波去噪方法，此方法在一定程度上解决了上述小波去噪方法的缺点[5]。

将此改进的小波去噪与EEMD-HHT有机结合，提出一种基于改进小波去噪的EEMD-HHT 信号处理新方法。

分别利用EEMD-HHT方法、基于传统小波去的EEMD-HHT 信号处理方法和基于改进小波去噪EEMD-HHT信号处理方法对外圈故障滚动轴承进行故障诊断试验，试验结果与理论计算结果对比分析表明，基于改进小波去噪EEMD-HHT信号处理方法最为有效。

用改进的小波变换提取稳定的特征点小波变换被广泛应用于图像特征点的提取中，但由于频谱混叠等噪声及误差的存在，不能保证提取后得到的特征点是稳定的特征点。

本文在此基础上先引入局部熵和阈值即模量极大值对四个频带进行筛选，再用高斯滤波、立方卷积内插、叠加的办法提取出稳定的特征点，实验结果证明了新算法的有效性。

标签：小波变换特征点阈值高斯滤波局部熵特征点的提取在计算机工程与应用、物体跟踪、数字图像处理、实时图像分析、天气预报以及遥感技术等方面有着非常广泛的应用，国内外研究者在特征点提取的算法方面有大量研究，常用的图像提取特征有颜色特征、纹理特征、形状特征、空间关系特征，角点、边缘等，用小波变换提取出来的特征点对在图像发生旋转、拉伸和平移时虽然有较强的鲁棒性。

但在提取中还是存在一些问题。

如一些由于图像的频谱混叠等噪声及存在，使提取出来的特征点容易出现重影等问题。

本文在小波变换算法的基础上做了较好的改进，用局部熵先判断特征点的位置，再引入阈值即模量极大值进行筛选，然后用高斯滤波、立方卷积内插、叠加的办法提取出稳定的特征点，与之前的小波变换算法相比，新算法对图像旋转后频谱混叠引起的重影和计算过程中存在的误差等现象有了很大的改善，通过后文的仿真实验验证了新算法的可靠性。

一、用小波变换提取出稳定的特征点小波变换是一种时频变换，它是在傅立叶变换的基础上产生的。

小波变换具有局部分析能力和多辨分析能力等优点，它能够有效的提取到不变平移、旋转、尺度变换和小变形的图像的有效特征。

二、改进后的小波变换首先利用正交小波变换提取图像f在频域中的边缘轮廓，再利用局部熵在边缘轮廓上检验是否有特征点。

由于图像的噪声很容易引起假边缘现象，而正交小波变换有非常强的去噪能力，其原理是图像的真正边缘轮廓通常集中在小波域中一些较大的小波系数里，而较小的小波系数通常是噪声或者是噪声的值分布在较小的小波系数中，基于此原理，可利用局部熵方法保留图像真正的边缘轮廓，去除它的伪边缘轮廓，即噪声。

基于小波变换的语音信号特征提取方法语音信号是一种重要的信息载体，然而，传统的语音识别技术存在着很多限制和不足，比如噪声、说话人的变化、语速等问题。

因此，如何对语音信号进行有效的特征提取，是语音识别领域的研究热点之一。

本文将介绍一种基于小波变换的语音信号特征提取方法。

一、小波变换简介小波变换是一种时频分析方法，能够将信号分解成低频部分和高频部分，并且在时域和频域上均有良好的局部性质。

小波变换的优点在于其能够保持信号的时域与频域的信息，同时也可以有效地减小噪声的影响，因此，小波变换在音频、图像等领域中得到了广泛的应用，特别是在语音信号的分析和处理方面。

二、语音信号特征提取的方法语音信号的特征提取是语音识别的关键步骤，其目的是尽可能准确地提取出语音信号中的主要特征，为后续的识别和分类提供依据。

常见的语音信号特征包括MFCC、LPCC、LPC等，这些特征提取方法虽然在一定程度上有一定的准确性，但是其仍存在着许多不足之处，例如在语音信号中噪声较大时，特征提取的准确性会大大降低。

基于小波变换的语音信号特征提取方法可以在一定程度上弥补上述不足之处。

其基本原理如下：在利用小波变换将语音信号分解成不同的频率带之后，可以对每个频率带中的信号进行特征提取，使得在不同频率段中的信号特征尽量表现出最大的差异。

常用的小波变换有多种，常见的包括小波变换、小波包变换、过完备小波等。

本文将以小波变换为例进行分析。

三、基于小波变换的语音信号特征提取方法解析在基于小波变换的语音信号特征提取方法中，主要采用以下步骤进行特征提取：1.对语音信号进行预处理，通过去噪等方式降低信号中背景噪声等干扰。

2.对预处理后的语音信号进行小波分解，常用小波分解级数为4-6。

3.按照频段对每个分解系数矩阵进行MFCC特征提取，通常采用倒谱特征提取方法来处理。

4.将提取到的各个分量特征合并起来作为最终的特征向量，进行后续处理。

以上步骤中，去噪是非常关键的一个环节。

基于小波包和HHT变换的声发射信号分析方法引言：声发射技术是一种无损检测方法，通过监测物体表面的声发射信号来评估其结构状况和材料性能。

声发射信号是由物体内部或表面发生变化时产生的应力波引起的，其信号中含有丰富的结构信息。

为了从声发射信号中获取有用的信息，研究者们提出了多种分析方法，其中基于小波包和HHT变换的声发射信号分析方法在近年来得到了广泛的关注。

一、小波包分析小波包分析是一种时频分析方法，能够将信号分解为多个具有不同频带的子信号。

小波包分析通过采用不同频带的小波基函数，对信号进行分解，并得到每个频带的能量和频谱特征。

小波包分析相较于传统的傅里叶变换具有更好的时频局部化性质，可以更准确地分析非平稳和非线性信号。

二、HHT变换HHT (Hilbert-Huang Transform) 变换是一种非线性和非平稳信号分析方法，是由Hilbert变换和经验模态分解（EMD）两部分组成。

HHT变换能够将信号分解为多个固有模态函数（IMFs），每个IMF都具有时频局部化特性。

HHT变换通过对每个IMF进行希尔伯特变换，得到每个IMF的瞬时频率和瞬时振幅，从而得到信号的时频特征。

1.数据采集：通过传感器采集到声发射信号。

2.预处理：对采集到的声发射信号进行预处理，包括去除噪声和滤波等操作。

3.小波包分析：将预处理后的信号进行小波包分解，得到多个具有不同能量和频谱特征的子信号。

4.EMD分解：对每个小波包分解后的子信号进行EMD分解，得到每个子信号的IMFs。

5.希尔伯特变换：对每个IMF进行希尔伯特变换，得到每个IMF的瞬时频率和瞬时振幅。

6.特征提取：提取每个IMF的瞬时频率和瞬时振幅作为声发射信号的时频特征。

7.故障诊断：根据声发射信号的时频特征，对故障进行诊断和判别。

8.结果分析：对诊断和判别结果进行分析和评估。

基于小波包和HHT的声发射信号分析方法能够充分利用声发射信号中的时频信息，对故障进行准确判别和诊断。