在生物体拉曼光谱快速采集或低功率采集过程中, 往往会获得低信噪比拉曼光谱。 针对低信噪比光谱数据, 提出应用补充总体经验模态方法(CEEMD)分解拉曼光谱, 并且依据特征模态分量的归一化排列熵值(NPE)按比例扣除噪声成分的方法, 称为局部补充总体均值经验模分解方法(LCEEMD)。 LCEEMD方法不仅解决了经验模态(EMD)分解中高频信号与噪声的模态混叠问题, 还有效降低了总体经验模态分解法(EEMD)中的残留噪声。 仿真数据实验显示, LCEEMD方法在处理10db信噪比模拟光谱时获得了39.615 0 db信噪比, 0.001 17标准差和0.999 9相关系数。 在人体皮肤拉曼光谱试验中, LCEEMD方法滤波后数据准确呈现出角质层脂质酰胺I带激发拉曼强谱峰以及甘油三酸酯中(CO)酯微弱谱峰。 在水稻叶片可溶性糖定量预测模型中, LCEEMD方法取得了0.871 7预测相关系数和0.912 0预测标准误差, 优于EMD和EEMD软阈值去噪(0.511 4, 1.647 8和0.638 2, 1.508 8)。 LCEEMD方法实施过程中, 根据去噪性能指标反馈调整归一化排列熵阈值, 直至获得最佳去噪效果, 滤波过程无需参数设置, 可以自适应实现。

微量物质拉曼光谱测量精度的提高是拉曼分析技术的难点之一, 特别是高荧光背景下生物体中微量物质的测量。 根据拉曼谱峰突发、 离散特点, 分别给出荧光背景和噪声拟合函数, 通过监测总体拟合偏差A类不确定度函数实现拉曼谱峰定位和干扰信号滤波; 进一步根据谱峰位置划分光谱区间, 在单调区间内弱化非谱峰信号, 实现谱峰信号增强。 与其他光谱处理方法比较, 可以准确拆分重叠特征峰, 不会降低特征峰高度, 提供更加灵敏的半谱峰面积指标。 实验表明, 该方法在处理皮肤拉曼光谱时, 可以准确得到螺旋构象的酰胺I带、 神经酰胺和CO的归属拉曼谱峰; 另外经过该方法处理后数据建立水溶性糖（水稻叶片）含量测量模型, 其精度优于小波分解、 多项式拟合和非线性最小二乘法。

用时频方法分析拉曼光谱和近红外光谱。 经验模态分解光谱成为特征模态分量, 模态分量比重计算显示拉曼光谱能量均匀分布于各个分量, 而近红外光谱的低阶特征模态分量只承载了较少的原光谱有效信息。 真实光谱和数值实验均显示, 经验模态分解视拉曼光谱为调幅信号, 具有高频能量吸附特性; 视近红外光谱为调频信号, 在一阶特征模态分量中可以较好实现高频窄带解调。 一阶特征模态分量希尔伯特变换显示, 经验模态分解拉曼光谱时易出现模态混叠现象。 进一步在时频域分析玉米叶片近红外光谱, 经验模态分解后截掉低能量的一、 二阶分量, 用剩余特征模态分量重构光谱信号, 均方根误差为1.001 1, 相关系数为0.981 3, 两个指标反映出重构精度较高; 分解趋势项表明在近红外光波段, 吸光度随着波长的减小呈现递增趋势; 特征模态分量的希尔伯特变换显示, 657 cm-1是碱胁迫光谱特有频率, 可作为碱胁迫光谱特征频率来辨识。

二代小波是公认较好的降噪手段, 但是降噪效果依赖于基函数、 分解层数和阈值等参数设置。 经验模态分解(empirical mode decomposition, EMD)无需参数设定, 按照频率特性将信号分解成本征模函数(intrinsic mode function, IMF), 对IMF滤波, 实现了信号自适应去噪。 拉曼光谱中信号和噪声交叠集中在极高频段, EMD产生模态混叠问题, 影响去噪效果。 应用总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)拉曼光谱克服了模态混叠, 有效区分出高频信号和噪声, 获得了与小波函数相似去噪效果。 文中首先对一段非线性非平稳豆油脂拉曼光谱EMD分解, 可见模态混叠, EEMD分解出清晰模态的特征分量。 然后分别用快速傅里叶变换(fast Fourier transform, FFT)、 小波变换(Wavelet)、 EMD和EEMD处理含噪光谱, 信噪比、 均方根误差、 相关系数三个方面指标表明FFT高频去噪效果最差, 其次是EMD, 恰当的Wavelet同EEMD效果相当, EEMD的优势是降噪过程的自适应。 最后提出光谱时频分析方法和IMF噪声属性判别准则研究趋势。