Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thuật Toán Khử Ồn Thích Nghi Cho Tín Hiệu Hỗn Loạn Dựa Trên Phân Tích Mô Hình Nhân Dân Cải Tiến
Tóm tắt
Việc xác định ngưỡng của mô hình tế bào trong thuật toán ngưỡng- khoảng là một thách thức khi áp dụng để khử ồn cho các tín hiệu hỗn loạn. Trong bài báo này, một thuật toán khử ồn thích nghi được đề xuất dành cho các tín hiệu hỗn loạn dựa trên phân tích mô hình nhân dân cải tiến. Đầu tiên, tín hiệu hỗn loạn có ồn được phân tích thành các hàm mô hình nội tại (IMFs) thông qua phương pháp phân tích mô hình nhân dân tập hợp toàn bộ cải tiến. Sau đó, thuật toán khử ồn ngưỡng theo tỷ lệ điểm giao cắt được sử dụng để loại bỏ ồn cho các IMFs với các ngưỡng khác nhau. Ngưỡng tối ưu được xác định bằng tiêu chí Durbin–Watson. Với ngưỡng tối ưu này, tín hiệu hỗn loạn cuối cùng được khử ồn sẽ được thu được. Thuật toán được đề xuất đã giải quyết hiệu quả vấn đề nêu trên. Kết quả thực nghiệm cho thấy thuật toán đề xuất có khả năng khử ồn cho các tín hiệu hỗn loạn trong nhiều điều kiện khác nhau một cách hiệu quả và tốt hơn so với các thuật toán hiện có khác.
Từ khóa
#khử ồn #tín hiệu hỗn loạn #phân tích mô hình nhân dân #ngưỡng tối ưu #hàm mô hình nội tạiTài liệu tham khảo
C. Bandt, B. Pompe, Permutation entropy: a natural complexity measure for time series. Phys. Rev. Lett. 88(17), 174102 (2002)
A.O. Boudraa, J.C. Cexus, EMD-Based Signal Filtering. IEEE Trans. Instrum. Meas. 56(6), 2196–2202 (2007)
G. Chen, T. Ueta, Yet another chaotic attractor. Int. J. Bifurcat. Chaos. 9(7), 1465–1466 (1999)
K. Chen, X.C. Zhou, J.Q. Fang, P.F. Zheng, J. Wang, Fault feature extraction and diagnosis of gearbox based on EEMD and deep briefs network. Int. J. Rotat. Mach. 2017, 9602650 (2017)
Y. Chen, C.T. Wu, H.L. Liu, EMD self-adaptive selecting relevant modes algorithm for FBG spectrum signal. Opt. Fiber Technol. 36, 63–67 (2017)
M.A. Colominas, G. Schlotthauer, M.E. Torres, Improved complete ensemble EMD: a suitable tool for biomedical signal processing. Biomed. Signal Process. Control 14, 19–29 (2014)
D.L. Donoho, De-noising via soft thresholding. IEEE Trans. Inf. Theory 41(3), 613–627 (1995)
Y.N. Guo, S.H. Huang, Y.T. Li, G.R. Naik, Edge effect elimination in single-mixture blind source separation. Circ. Syst. Signal Process. 32(5), 2317–2334 (2013)
Y.N. Guo, Q.J. Liu, A.H. Wang, C.L. Sun, W.Y. Tian, G.R. Naik, A. Abraham, Optimized phase-space reconstruction for accurate musical-instrument signal classification. Multimed. Tools Appl. 76(20), 20719–20737 (2017)
Y.N. Guo, G.R. Naik, S. Huang, A. Abraham, H.T. Nguyen, Nonlinear multiscale maximal Lyapunov exponent for accurate myoelectric signal classification. Appl. Soft Comput. 36, 633–640 (2015)
Y.N. Guo, G.R. Naik, H. Nguyen, Single channel blind source separation based local mean decomposition for Biomedical applications, in The 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society Osaka, Japan Jul 03–07, pp. 6812–6815 (2013)
M. Han, Y.H. Liu, J.H. Xi, G. Wei, Noise smoothing for nonlinear time series using wavelet soft threshold. IEEE Signal Process. Lett. 14(1), 62–65 (2007)
H. Hao, H.L. Wang, N.U. Rehman, A joint framework for multivariate signal denoising using multivariate empirical mode decomposition. Signal Process. 135, 263–273 (2017)
N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shin, Q. Zheng, N.C. Yen, C.C. Tung, H.H. Liu, The empirical mode decomposition method and the Hilbert spectrum for non-stationary time series analysis. Proc. Roy. Soc. London A. 454, 903–995 (1998)
Y. Kopsinis, S. Mclaughlin, Development of EMD-based denoising methods inspired by wavelet thresholding. IEEE Trans. Signal Process. 57(4), 1351–1362 (2009)
G. Li, B. Zhang, A novel weak signal detection method via chaotic synchronization using Chua’s circuit. IEEE Trans. Ind. Electron. 64(3), 2255–2265 (2017)
Y. Ma, W.B. Shi, C.K. Peng, A.C. Yang, Nonlinear dynamical analysis of sleep electroencephalography using fractal and entropy approaches. Sleep Med. Rev. 37, 85–93 (2018)
G.R. Naik, S.E. Selvan, H.T. Nguyen, Single-channel EMG classification with ensemble-empirical-mode-decomposition-based ICA for diagnosing neuromuscular disorders. IEEE Trans. Neur. Sys. Reh. 24(7), 734–743 (2016)
D.N. Rutledge, A.S. Barros, Durbin–Watson statistic as a morphological estimator of information content. Anal. Chim. Acta 454(2), 277–295 (2002)
R.W. Schafer, What Is a Savitzky–Golay filter? IEEE Signal Process. Mag. 28(4), 111–117 (2011)
J.S. Smith, The local mean decomposition and its application to EEG perception data. J. R. Soc. Interface 2(5), 443–454 (2005)
J.W. Sun, Y. Shen, Q. Yin, C.J. Xu, Compound synchronization of four memristor chaotic oscillator systems and secure communication. Chaos. 23(1), 013140 (2013)
M.E. Torres, M.A. Colominas, G. Schlotthauer, P. Flandrin, A complete ensemble empirical mode decomposition with adaptive noise, in The 36th IEEE International Conference on Acoustics, Speech, and Signal Processing, (ICASSP 2011) May 2011, pp. 4144–4147
K. Urbanowicz, J.A. Hołyst, Noise-level estimation of time series using coarse-grained entropy. Phys. Rev. E 67(4), 046218 (2003)
G. Vivó-Truyols, P.J. Schoenmakers, Automatic selection of optimal Savitzky–Golay smoothing. Anal. Chem. 78(13), 4598–4608 (2006)
M.J. Wang, Y.C. Zeng, C.Q. Xie, G.F. Zhu, S.H. Tang, Application of Chen’s system to detecting weak harmonic signals. Acta Phys. Sin. 61(18), 180502 (2012)
X.Y. Wang, X.M. Bao, A novel image block cryptosystem based on a spatiotemporal chaotic system and a chaotic neural network. Chin. Phys. B 22(5), 050508 (2013)
Z. Wu, N.E. Huang, Ensemble empirical mode decomposition: a noise-assisted data analysis method. Adv. Adapt. Data Anal. 1(1), 1–41 (2009)