基于改进集合经验模态分解的陀螺信号降噪方法 下载: 962次
1 引言
微机电系统(MEMS)陀螺仪具有体积小、成本低、质量轻、功耗小等特点[1],在光学图像拼接、手持设备运动检测、车辆导航、室内定位导航等领域得到广泛应用[2]。MEMS陀螺仪的精度会受到随机漂移的影响,而随机漂移是弱非线性、非平稳的,且容易受到环境温度波动和外界振动的影响。因此,如何有效地抑制漂移是提高陀螺仪精度的关键。小波滤波技术作为一种强大的非平稳信号处理工具,已被成功应用于陀螺噪声的去除[3-5]和拉曼散射信号的平滑等[6]。但是,小波滤波的分解参数一经确定,降噪结果容易受到信号特性的影响,因此小波滤波实质上是一种非自适应的降噪方法。此外,基于卡尔曼滤波的算法也被用于研究陀螺信号降噪[7-8]。然而卡尔曼滤波的收敛速度较慢,且初始参数的确定较复杂,适用性有待进一步研究。
由Huang等[9]提出的经验模态分解(EMD)方法是一种基于数据驱动的自适应时域分解方法,可用于分析非线性、非平稳数据。EMD方法能够依据信号本身的特性将信号分解为有限个固有模态函数(IMF),而无需信号的先验信息。基于这种优势,很多基于EMD的降噪算法被提出,例如EMD阈值降噪[10]、基于连续均方误差(CMSE)准则的EMD降噪[11]、基于相似性准则的EMD降噪[12]等。文献[ 13]提出一种基于EMD的阈值滤波方法(EMD-LWT),将EMD与提升小波变换相结合,避免了第一个IMF分量覆盖频段较宽的不足,然而其降噪效果受提升小波的参数影响较大。文献[ 14]提出一种基于改进EMD和正向线性预测的降噪算法,并将其成功应用于光纤陀螺降噪。Pan等[15]提出一种基于集合经验模态分解(EEMD)的降噪方法,将其应用于分布式拉曼温度传感器的降噪,信噪比提高了8.8 dB。文献[ 16]将EMD应用于含噪语音信号的分解,并引入Hurst指数对IMF分量进行识别,进而进行重构以实现降噪。文献[ 17]提出一种基于去趋势波动分析(DFA)和EMD的降噪算法,用于对光纤陀螺漂移信号进行降噪,DFA用于筛选IMF分量。文献[ 18]提出一种基于EMD的改进算法,用于对三维荧光光谱的降噪处理。文献[ 19]将EEMD与神经网络相结合,用于对光纤入侵信号特征的提取与识别。
以上基于EMD的降噪算法要解决的首要问题就是计算出区分噪声主导的IMF分量和信息主导的IMF分量的临界点,进而丢弃噪声分量。然而在实际处理过程中,每一个IMF分量都携带原信号的部分有用信息,直接舍弃噪声分量会影响降噪性能。针对以上问题,本文提出一种基于EEMD的降噪方法EEMD-M,采用二次分解进一步提取信号的细节信息进而实现降噪。Peng等[20]于1994年提出的DFA方法被广泛用于分析非平稳时间序列。EEMD-M将DFA方法引入到降噪处理中,针对初步阈值滤波中被丢弃的成分,在充分利用EEMD优势的基础上,对被丢弃成分进行再次分解,结合DFA法对其进行二次筛选、重构。利用仿真信号和实测数据进行实验,实验结果证明本文提出的EEMD-M与常用的几种降噪方法相比可以取得较好的降噪效果,提高了MEMS陀螺的稳定性和可靠性,进而使得陀螺仪在光学图像处理中得到更可靠的应用。本文提出的算法对光纤陀螺、激光陀螺等的降噪也具有一定的意义和价值。
2 基本原理
2.1 EEMD滤波原理
EMD方法自20世纪90年代末被提出以来,广泛应用于语音处理[21]、抑制噪声[22-23]、故障诊断[24]等领域。EEMD方法是Wu等[25]针对EMD方法的模态混叠而提出的一种改进算法。EEMD方法实质上是一种噪声辅助的方法,算法充分利用了白噪声功率谱密度均匀分布的特征,使原始信号在加入白噪声后在不同的尺度上具有连续性。EEMD的步骤如下:
1) 在原始的信号x(t)中添加高斯白噪声ni(t),第i次添加白噪声后得到的信号为
2) 对第i次添加白噪声后所得信号yi(t)进行EMD分解,得到EMD分解的IMF分量cij(t);
3) 加入不同的高斯白噪声,重复N次步骤1)和2),对N次重复步骤所得的各IMF分量进行平均:
以消除添加白噪声的影响,(2)式中cj(t)为经EEMD后得到的第j个分量。
为了更好地理解信号分解的过程,
研究人员在EMD或EEMD的基础上发展出很多降噪算法。但这些基于EMD、EEMD的降噪算法用于对信号的降噪处理时,通常直接舍弃高频分量,这样会造成有用信息的丢失。本文在此基础上,提出一种改进算法EEMD-M,进一步提取高频分量的有用信息,进而提高降噪性能。
图 1. 信噪比为5 dB的Blocks信号经EEMD后的结果。(a)含噪信号;(b)IMF分量;(c)残余分量和部分IMF分量
Fig. 1. Results of Blocks signal obtaiend by EEDM with RSN=5 dB. (a) Noisy signal; (b) IMF components; (c) residual component and partial IMF components
2.2 DFA理论
DFA理论自从被提出后,被广泛应用到不同领域的时间序列的分析中,例如金融市场数据的分析[26-27]和地震信号的分析[28]等。在进行DFA之前,要对给定的时间序列x(i)进行以下处理:
式中:
1) 将上述所得时间序列y(k)划分成Nn=[N/n]个子空间序列段,[·]为取整函数,n为子区间的长度。
2) 对于每个子空间序列段,通过k阶多项式,用最小二乘法实现极值点间的非线性拟合,得到各个序列段的局部趋势,则子空间个数为s的k阶多项式拟合ys(i)可表示为
式中:an为拟合多项式系数。
3) 消除各子区间的波动趋势,求出每个子空间滤去子空间趋势的方差:
4) 计算该数据序列的二阶波动函数:
5) 改变步骤1)中的子区间的长度n,重复步骤1)~4),得到全序列波动随子区间的长度n的变化曲线,绘制曲线的双对数坐标图,分析该图,拟合得到的函数斜率即为去趋势波动分析法求得的Hurst指数。
从以上分析可以看出,DFA是一种计算时间序列的长程相关性标度指数的方法。标度指数可看作衡量信号序列粗糙度的指标,其值越大,信号越平滑或趋于缓慢波动。
2.3 本文提出的改进算法EEMD-M
对于传统的基于EMD或EEMD的降噪方法,第一个高频IMF分量含有最少的原始信号的信息,因此在降噪处理时,高频分量通常被舍弃。尽管众多学者已研究出很多方法来寻找IMF各分量有用信号和噪声信号的临界点位置,但一旦某IMF分量被认定为噪声主导的分量,通常会被舍弃。在充分利用EEMD优势的基础上,考虑到被丢弃的IMF分量中可能包含原信号的有用信息,如直接将噪声主导的IMF分量丢弃,其中包含的有用成分也将被丢弃,进而影响降噪效果。本文提出的EEMD-M通过对信号进行进一步分解,提取尚存的有用信息,引入DFA方法,再次筛选重构信号,以提高降噪效果。
由
式中:N代表信号的长度;c(i)代表第i个IMF分量与原始信号y(n)的相关系数。
根据相关系数原理,按下述思路进行初步降噪处理:当信号的信噪比很高时,第一个相关系数较小,从第二个相关系数开始其值明显增大,此时进行重构,舍弃第一阶分量;当信号的信噪比不是很大时,从第1阶到第k-1阶的IMF对应的相关系数呈递减趋势,从第k阶开始,相关系数会慢慢增大,此时进行重构,舍弃前k-1阶分量。至此,初步降噪过程结束。
接着对第一次分解中得到的噪声占主要成分的IMF分量进行二次EEMD,将DFA引入第二次分解中,利用DFA作为筛选二级分量的指标,将DFA作用于第二次分解得到的IMF分量u2i(n),得到尺度指数α2i。用于区分第二次滤波中噪声分量和有用分量的IMF序数值
式中:λ是第一次分解中被丢弃的IMF分量的序号,它的取值在1和q之间,q表示第一次分解中区分噪声分量和有用信号分量的IMF序号;kλ为各个IMF分量的序数值。为了研究第二次分解中的IMF分量与第一次分解中的IMF分量的尺度分量之间的关系,(9)式的θλ根据第一次分解中的IMF分量的尺度指数
其中,
式中:
EEMD-M的具体步骤可总结为:
1) 对含噪信号y(n)=x(n)+η(n)进行EEMD,得到第一次分解的IMF分量,其中x(n)和η(n)分别表示纯净信号和噪声信号;
2) 依据相关系数原理,对步骤1)所得的分解结果进行筛选,获得第一次分解中信号和噪声占主导的IMF分量u1i(n),实现对信号的初步处理;
3) 将EEMD应用于上一次分解所得的噪声占主要成分的IMF分量,获得第二次分解的IMF分量u2i(n);
4) 将DFA应用于第二次分解所得的所有IMF分量u2i(n),计算每一个分量对应的尺度分量α,然后用(8)、(9)式获得第二次分解中有用信号占主要部分的IMF分量;
5) 按(10)、(11)式重构出降噪后的信号y'(n)。
3 分析与讨论
3.1 测试信号实验分析
本文用测试信号Blocks对所提算法进行了仿真实验测试。实验中,含噪信号为添加了白噪声、输入信噪比为1~15 dB、信号长度为2048的测试信号。
实验流程如下:首先对信号进行第一次EEMD,基于相关系数原理,对第一次分解得到的各个IMF分量进行初步筛选,相关系数值见
由
图 3. 信噪比为5 dB的Blocks信号经EEMD后各IMF分量与原信号的相关系数值
Fig. 3. Correlation coefficient of IMF components and original signal after EEMD for Blocks signal with RSN=5 dB
本文将EEMD-M与小波软阈值降噪、基于CMSE理论的EMD降噪[11]、DFA-EMD降噪[17]和EEMD降噪进行对比。为评价本文提出的EEMD-M,
表 1. 本文EEMD-M与其他几种算法对Blocks信号降噪的结果对比
Table 1. Comparison of de-noising results for Blocks signal using proposed EEMD-M and some other algorithms
|
由
3.2 实测信号实验分析
本实验采用某低成本MEMS惯性传感器进行实验数据采集。实验数据采集系统集成了测量单元,包含三轴加速度计和三轴陀螺仪,使用I2C总线与测量单元实现通信。设备通过USB接口与计算机连接,进行数据传输与处理。在室温(25 ℃)下采集5 h的静态数据,采样频率设定为100 Hz。为了尽量避免温度波动对所采集数据的影响,本文选取了温度波动小于阈值ε的50000个数据点进行分析。这里,选定阈值ε=0.05 ℃/min。分别采用小波软阈值降噪、基于CMSE的EMD降噪、DFA-EMD降噪、EEMD降噪和本文的EEMD-M对实测信号进行降噪。以陀螺仪z轴角速度信号为例,探究提出的改进降噪算法的有效性。数据处理原理和流程与前文所述测试信号的实验处理一致。
图 4. 原始信号及不同算法对陀螺信号的降噪结果(以z轴为例)。(a)原始噪声;(b)小波去噪;(c) EMD去噪;(d) DFA-EMD去噪;(e) EEMD去噪;(f)所提算法
Fig. 4. Original signal and de-noising results of gyroscope signal using different algorithms (taking z-axis as an example). (a) Original signal; (b) wavelet denoising; (c) EMD denoising; (d) DFA-EMD denoising; (e) EEMD denoising; (f) proposed algorithm
Barnes和Allan提出了一种时频分析技术,也就是Allan方差(AVAR)分析方法,这是分析陀螺仪、加速度计、原子钟等精密仪器的噪声的经典方法。
均方误差(MSE)、平均绝对误差(MAE)和最大误差是反映信号降噪效果的重要指标。
表 2. 本文算法与其他几种算法对陀螺信号的降噪结果对比
Table 2. Comparison of de-noising results of gyroscope signal using proposed algorithm and some other algorithms
|
图 5. 原始信号及不同算法降噪后信号的Allan方差结果
Fig. 5. Allan variance results of original signal and de-noising signals obtained by different algorithms
4 结论
对MEMS陀螺信号的降噪展开了深入的研究。在现有的几种非平稳信号降噪算法的基础上,针对现有算法可能会丢弃原始信号的有用信息的问题,提出优化方案。通过进一步提取已经分解信号的细节信息,获得有用分量,改善了降噪的效果。所提出的EEMD-M应用于实测MEMS陀螺信号时,表现出较好的降噪效果。在实测信号中,EEMD-M可以有效地抑制陀螺的随机漂移,信号的MSE降低了82.9%,MAE降低了48.4%,所提方法提高了陀螺在光学图像处理中的可靠性和稳定性。
[1] Gu H Y, Liu X X, Zhao B L, et al. The in-operation drift compensation of MEMS gyroscope based on bagging-ELM and improved CEEMDAN[J]. IEEE Sensors Journal, 2019, 19(13): 5070-5077.
[2] Guo X T, Sun C K, Wang P, et al. Hybrid methods for MEMS gyro signal noise reduction with fast convergence rate and small steady-state error[J]. Sensors and Actuators A: Physical, 2018, 269: 145-159.
[3] Zhang Q, Wang L, Gao P Y, et al. An innovative wavelet threshold denoising method for environmental drift of fiber optic gyro[J]. Mathematical Problems in Engineering, 2016, 2016: 9017481.
[4] El-Sheimy N, Nassar S, Noureldin A. Wavelet de-noising for IMU alignment[J]. IEEE Aerospace and Electronic Systems Magazine, 2004, 19(10): 32-39.
[5] Qian H M, Ma J C. Research on fiber optic gyro signal de-noising based on wavelet packet soft-threshold[J]. Journal of Systems Engineering and Electronics, 2009, 20(3): 607-612.
[6] 虞历尧, 曹念文, 沈吉. Rayleigh-Raman-Mie激光雷达探测南京北郊对流层气溶胶光学特性[J]. 激光与光电子学进展, 2018, 55(11): 110102.
[7] Narasimhappa M, Sabat S L, Nayak J. Fiber-optic gyroscope signal denoising using an adaptive robust Kalman filter[J]. IEEE Sensors Journal, 2016, 16(10): 3711-3718.
[8] Narasimhappa M, Sabat S L, Nayak J. Adaptive sampling strong tracking scaled unscented Kalman filter for denoising the fibre optic gyroscope drift signal[J]. LET Science Measurement & Technology, 2015, 9(3): 241-249.
[9] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of The Royal Society A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995.
[10] Boudraa A O, Cexus J C, Saidi Z. EMD-based signal noise reduction[J]. International Journal of Signal Processing, 2004, 1(1): 33-37.
[11] Boudraa A O, Cexus J C. EMD-based signal filtering[J]. IEEE Transactions on Instrumentation and Measurement, 2007, 56(6): 2196-2202.
[12] Yang G L, Liu Y Y, Wang Y Y, et al. EMD interval thresholding denoising based on similarity measure to select relevant modes[J]. Signal Processing, 2015, 109: 95-109.
[13] Dang S W, Tian W F, Qian F. EMD- and LWT-based stochastic noise eliminating method for fiber opticgyro[J]. Measurement, 2011, 44(10): 2190-2193.
[14] Shen C, Cao H L, Li J, et al. Hybrid de-noising approach for fiber optic gyroscopes combining improved empirical mode decomposition and forward linear prediction algorithms[J]. Review of Scientific Instruments, 2016, 87(3): 033305.
[15] Pan L, Liu K, Jiang J F, et al. A de-noising algorithm based on EEMD in Raman-based distributed temperature sensor[J]. IEEE Sensors Journal, 2017, 17(1): 134-138.
[16] Zão L, Coelho R, Flandrin P. Speech enhancement with EMD and Hurst-based mode selection[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2014, 22(5): 899-911.
[17] HuangM, LiuYY, Yang GL, et al. An innovation based DFA and EMD method for denoising fiber optic gyroscope drift signal[C]∥2016 3rd International Conference on Information Science and Control Engineering (ICISCE), July 8-10, 2016, Beijing, China. New York: IEEE, 2016: 1262- 1266.
[18] 王玉田, 刘凌妃, 王书涛, 等. 基于交替三线性分解的芳烃类化合物荧光光谱[J]. 激光与光电子学进展, 2018, 55(9): 093001.
[19] 曲洪权, 宫殿君, 张常年, 等. 光纤入侵信号的特征提取与识别算法[J]. 激光与光电子学进展, 2019, 56(13): 130601.
[20] Peng C K, Buldyrev S V, Havlin S, et al. Mosaic organization of DNA nucleotides[J]. Physical Review E, 1994, 49(2): 1685-1689.
[21] Roark R M. Frequency and voice: perspectives in the timedomain[J]. Journal of Voice, 2006, 20(3): 325-354.
[22] 郭心骞, 邱选兵, 季文海, 等. 基于经验模态分解的可调谐半导体激光吸收光谱中干涉条纹的抑制[J]. 激光与光电子学进展, 2018, 55(11): 113001.
[23] Kopsinis Y. McLaughlin S. Development of EMD-based denoising methods inspired by wavelet thresholding[J]. IEEE Transactions on Signal Processing, 2009, 57(4): 1351-1362.
[25] Wu Z H, Huang N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.
[26] Lahmiri S. Long memory in international financial markets trends and short movements during 2008 financial crisis based on variational mode decomposition and detrended fluctuation analysis[J]. Physica A: Statistical Mechanics and Its Applications, 2015, 437: 130-138.
[27] Thompson J R, Wilson J R. Multifractal detrended fluctuation analysis: practical applications to financial time series[J]. Mathematics and Computers in Simulation, 2016, 126: 63-88.
[28] MaK, GuoL, Liu WH. Investigation of the spatial clustering properties of seismic time series: a comparative study from shallow to intermediate-depth earthquakes[J]. Complexity, 2018( 3): 7169482.
Article Outline
吴倩, 刘昱. 基于改进集合经验模态分解的陀螺信号降噪方法[J]. 激光与光电子学进展, 2020, 57(15): 150601. Qian Wu, Yu Liu. De-Noising Method for Gyroscope Signal Based on Improved Ensemble Empirical Mode Decomposition[J]. Laser & Optoelectronics Progress, 2020, 57(15): 150601.