Page 116 - 《应用声学》2019年第6期
P. 116
1018 2019 年 11 月
式 (6) 中,s (i,j) 为 U (i,j) 节点的小波包系数。由此可 σ √ 2 ln(N), T 6 U,
得出每层分解后子带的相对能量公式为 th= ( √ √ ) (11)
min σ 2 ln(N), σ λ min , T > U.
E (i,j)
k (i,j) = , (7) (4) 极大极小阈值法 (minimaxi),也是固定阈
j
2 −1
∑
值的一种,产生最小均方误差的极值。
E (i,j)
i=1
0, 其他,
其中,k (i,j) 为节点 i在第 j 层的相对能量,代表有效 th = (12)
N
σ(0.3936 + 0.1829 log ), N > 32.
成分的含量,对每层的节点相对能量 k (i,j) 由大到 2
以上各式中 σ = MAD/0.6745 为噪声标准方差,
小进行排序,k (i,j) 的最大值记为 C (1,j) ,最小值记为
MAD为各高频子带系数的中值;N 为信号长度。
C (n,j) ,即C (1,j) > C (2,j) > · · · > C (n,j) ,其中j 代表
如 1.1 节所述,若 C (1,1) > 0.9、C (2,1) < 0.1 信
层数。首先对信号第一层分解相对能量进行初判:
号能量频段相对集中,只对 C (1,1) > 0.9 进行小波去
C (1,1) > 0.9、C (2,1) < 0.1 信号能量频段相对集中的
噪。其他情况下,信号最优分解层m上,节点相对能
情况,这种情况下对每层的 k (2,j) 进行对比,当第 j
量 k (i,j) > 0.2 的节点系数采用无偏似然估计阈值
层的C (2,j) 大于第 j − 1 层C (2,j−1) 时,将j − 1作为
估计方法;k (i,j) > 0.1、k (i,j) < 0.2 的节点系数采用
最优分解层数。
极大极小阈值法;k (i,j) < 0.1 的节点系数采用统一
其他情况下,对信号逐层分解,将C (1,j) 首次小
阈值法选择。多阈值准则选取表如1所示。
于0.2 的层数 j 进行记录,如果j > 1,最优分层数为
m = (j − 1);如果j = 1,最优分解层数为1。 表 1 多阈值准则选取表
Table 1 Multiple threshold criteria selec-
1.2 小波包分段阈值处理法
tion table
水声信号的频率范围比较广,不能简单地将低
频段作为有用信息、高频段作为噪声信号处理,按 k (i,j) > 0.2 0.1 < k (i,j) 6 0.2 k (i,j) 6 0.1
rigrsure heursure sqtwolog
小波相对能量法实现分段阈值降噪处理,该方法与
单一阈值处理相比充分考虑信号频率段与噪声分 目前常用的阈值函数为硬阈值函数和软阈值
布情况。针对不同的分解系数选取最合适的阈值函 函数。硬阈值将绝对值不大于阈值的元素置零,存
数和阈值th,最大程度去除噪声,保留有效成分 [18] 。 在不连续现象,数学表达式为
目前,常用的阈值估计方法主要有以下几种: x, |x| > th,
(1) 固定阈值估计法 (sqtwolog),在正态高斯噪 y = (13)
0, |x| 6 th.
声模型下,针对多维独立正态变量分布得出的结论。
软阈值函数在式 (13) 的基础上实现连续点收
√
th = σ 2 ln(N). (8) 缩为零,有效避免间断,连续性较好,但小波系数较
大时,系数绝对值与系数之间存在偏差,易造成高频
(2) 无偏似然阈值估计法 (rigrsure),小波分
信息损失,重构信号易产生误差,其表达式为
解系数的平方记为 λ,从小到大的顺序排列,即
{
λ 1 6 λ 2 6 · · · 6 λ n 。设风险向量R,其元素为r i , sign(x)(x − th), |x| > th,
y = (14)
[ ]
∑ 0, |x| 6 th.
r i = N − 2i + (N − i)λ i + λ k /N. (9)
考虑到硬阈值和软阈值函数处理信号细节成
k=1
分的局限性,利用文献[19] 中的新型阈值函数,公式
风险向量R 的最小值 r min 作为风险值,对应求出对
如下:
应的 λ min ,则阈值为
x, |x| > th,
√
th = σ λ min . (10) 2th
tanh( e 4|x| − e ) 1
y = sign(x) 4th 2th , th < |x| < th,
(3) 启 发 式 阈 值 法 (heursure), 是 前 两 种 阈 e − e 2
1
值的综合, 设 S 为 N 个小波系数的平方和。令 0, |x| 6 th,
√ 2
T = (S − N)/N,U = (log (N)) / N, (15)
15
2