[发明专利]基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法

说明书

技术领域

本发明涉及MEMS(Micro Electro Mechanical System，微机电系统)惯性传感器输出信号的实时去噪领域，特别涉及一种基于小波阈值去噪、中值滤波和均值滤波的MEMS传感器的实时混合去噪方法。

背景技术

近年来，随着MEMS技术的发展，MEMS惯性传感器开始在导航定位领域获得越来越广泛的应用。其所具有的体积小、重量轻、成本低的特点符合了大多数商业应用领域对导航系统的基本要求，因此在低成本惯性导航系统中获得了越来越广泛的应用。但受制造工艺及技术水平的限制，目前MEMS传感器的精度较低，其输出信号通常是含有大量的噪声且非平稳的，并包含试验环境等的影响，如不进行有效去除，将使惯性导航系统的精度大大降低，因此研究有效的去噪方法对提高低成本惯性导航系统的精度是至关重要的。

目前常用的信号去噪方法有均值滤波、中值滤波、小波阈值去噪等。

均值滤波算法简单实用，滤波时间短，但只适用于静态及低动态信号的去噪，且用于低动态信号时，均值滤波的窗口长度不应过大。

中值滤波算法也比较简单，在去除信号中的脉冲干扰方面，中值滤波要优于均值滤波且能够很好的保留信号的边界特性，但其随机噪声的抑制能力不如均值滤波。除此之外，由于要进行排序，中值滤波的窗口长度也不宜过大，否则很难满足实时系统的要求。

小波阈值去噪效果优于均值滤波及中值滤波，且静态、动态信号均适用，但由于要进行多层次的信号分解与重构，所需时间较长，很难满足系统的实时性要求。基于此，国内外很多学者致力于对实时小波阈值去噪算法的研究，并取得了一些成果，最具有代表性的是2004年西北工业大学的蒋东方等人提出的实时小波阈值去噪算法，其基本思想是：通过施加滑动数据窗的方式，总剪取实时数据的最新一段，再利用区间小波去噪算法，构造出实时小波去噪算法。此算法通过选用具有正交和紧支撑性质的Daubechies小波和Mallat的多尺度变换算法来提高信号处理速度；通过限制滑动数据窗的长度进一步减少了计算量，但是去噪效果也会明显变差。

除此之外，有关其他实时去噪算法的研究也受到了国内外不少学者的青睐，并取得了一定的成果，如2007年印度Jadavpur大学的D.Dey等针对介电谱信号提出一种混合滤波方案来对信号进行实时去噪，此算法通过判断信号中是否含有阶跃信号或脉冲信号来决定是用加权中值滤波还是用IIR滤波器对信号进行降噪。此算法的使用需要对信号中是否含有脉冲或阶跃信号来做准确判断，这在实际应用中是有难度的。

综上所述，可用于对MEMS传感器进行实时去噪的算法中，小波阈值去噪的去噪效果相对最优，但是如果应用于实时系统，就要减少小波分解的层数和数据的长度，如此以来，去噪效果会大大降低；均值滤波和中值滤波的去噪时间较短，更适合用于实时系统，但是去噪效果不如小波阈值去噪。上述三种方法均有明显的缺点，若单独使用，均不能满足高精度实时系统的需求。

发明内容

本发明的目的在于：克服现有实时去噪算法的不足，提供一种基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法，将三种方法的优点融合为一体，可以在保证系统实时性要求的条件下，改善MEMS传感器输出数据的去噪效果，从而提高MEMS传感器的输出精度。

本发明的目的是通过以下技术方案来实现的：基于小波阈值去噪、中值滤波和均值滤波的实时混合去噪方法，实现步骤如下：

(1)首先，根据系统的实时性要求确定进行小波变换的数据处理长度为n(j₀∈N，N为整数集，j₀≥1)，剪取长度为n的MEMS传感器输出信号的最新一段，并采用小波阈值去噪方法对此长度为n的序列进行处理，滤除噪声，提高信噪比，所述小波阈值去噪方法的步骤如下：

(1.1)分解过程：选定合适的小波作为小波基，并采用基于奇异谱分析的自适应算法和系统的实时性要求确定分解的层次N，对最新一段MEMS传感器的原始输出信号进行N层小波分解；

(1.2)作用阈值过程：针对分解得到的各层小波系数，根据一定的准则选择阈值，模大于阈值的小波系数保留，模小于阈值的小波系数设为零；

(1.3)重建过程：根据去噪处理后的各层系数通过小波重构恢复原始信号，得到去噪后的MEMS传感器输出；

(2)根据系统的实时性要求，截取小波阈值去噪后序列的最新的一段，并对其进行均值滤波，所述均值滤波去噪方法的步骤如下：

(2.1)将截取的序列等分为若干小段，分别求每一小段序列中所有数的均值；