[发明专利]一种去除强趋势项及瞬态脉冲干扰的微弱信号提取方法

说明书

技术领域

本发明涉及弱信号处理领域，具体涉及一种强干扰背景下去除强趋势项及瞬态脉冲干扰的微弱信号提取方法。

背景技术

理想情况下，高灵敏度的测量系统需要一个绝热、隔振的环境，以避免环境因素如：振动、温度、湿度、气压等对测量的影响。然而，在实际的测量环境中，接收系统很难达到绝热真空处理，并且由于高灵敏度接收系统对空气扰动、低频振动等极其敏感，这些随机干扰将直接影响接收系统的接收效果。常见的两种干扰主要包括：强趋势项干扰和瞬态脉冲干扰。所谓趋势项就是在接收信号中存在缓慢变化的、周期大于记录长度的非线性成份。趋势项干扰的存在，会使时域中的相关分析和频率中的功率谱产生大的误差，甚至使低频谱完全失去真实性。瞬态干扰在时间和能量上都表现为随机性，只在信号的若干周期存在，持续时间很短(相对于脉冲信号持续时间)，强度却非常大，一般比期望信号强度高约十几dB，而所感兴趣的信号一般是连续且相对稳态的。

现有的趋势项消除方法有几种，如平均斜率法、差分法、低通滤波法及最小二乘拟合方法等。这些方法通常需要预先假定信号中趋势项的类型，如线性趋势或指数趋势等等，不适用于具有复杂变化趋势或随即变化趋势的信号，因此不具有普遍的适用性。瞬态脉冲干扰的去除可以通过设置门限来检测出瞬态干扰的位置，然而直接将干扰位置处的数据置零会引起信号波形的畸变。

经验模态分解（EMD：Empirical Mode Decomposition）方法是一种全新的处理方法，该方法依据信号本身的固有特征自然的将信号在不同分量下展开，无需设置先验的分解基函数，因而适用于处理各种多分量的信号。其结果是将含有强干扰的微弱信号中不同尺度的波动或趋势逐级分解，产生一系列具有不同特征尺度的数据序列，从而达到分离趋势项的目的。有的方法在借鉴传统的经验模态分解的基础上，设计出了判断缓慢变化趋势项的评价准则，在不损失原信号的基础上有效地提取趋势项的成份，但没有考虑对瞬态脉冲干扰的去除。本专利提供一种能够完整保留原弱信号信息的同时去除强趋势项干扰和瞬态脉冲干扰的方法，这种方法适用于任何多分量信号的处理。

发明内容

本发明的目的在于提供一种弱信号保存更完整的去除强趋势项及瞬态脉冲干扰的微弱信号提取方法。

本发明的目的是这样实现的，本发明包括如下步骤：

(1)对强干扰背景下的微弱信号进行经验模态分解；

(2)对分解的d阶模态，构造强干扰判决准则：

定义前d个基本模态分量的和为在R_imf(d)偏离零点时的阶次为D，其中imf_j(t)为分解得到的各阶模态分量、t为时间变量、N为信号长度、j为分解阶数；

(3)对存在脉冲干扰的模态分量进行包络检波，将瞬态脉冲干扰位置数据置零；

(4)利用自回归-滑动平均模型恢复被置零的数据；

(5)合并前D阶基本模式分量x(t)即去除强干扰后的微弱信号。

经验模态分解的方法如下：

对信号进行经验模态分解，原始数据序列由固有模态函数以及一个均值或趋势项表示为：

x(t)=Σi=1nimfi(t)+rn(t),]]>

信号的缓慢趋势项为：