基于小波自适应阈值滤波的VMD降噪方法*

0 引 言

非稳态信号中细节部分蕴含着大量有用信息，在进行降噪处理时希望保留这部分有用的细节信息。傅里叶变换降噪方法不能很好地刻画非线性信号的局部细节信息，不适合处理非线性非平稳信号降噪；小波变换在时频域内都有较强的信号局部特征表征能力，但阈值及阈值函数选取会影响降噪效果。

2018年调查显示，感到抑郁情绪的医生认为在对待同事时他们会更少地投入工作(42%)，更容易被激怒(42%)，对周围表达不满(37%)，更难表达友善(36%)，只有不到22%的医生认为沮丧没有带来这些影响；同时，感到抑郁情绪的医生在对待患者时会更易被激怒(33%)，更少投入(32%)，导致医疗差错(14%)，甚至已经造成差错(5%)。

近年来，基于模态分解的非线性非平稳信号降噪方法得到了快速发展，如经验模态EMD降噪、局部均值LMD降噪以及其改进方法降噪等。EMD[1-2]分解方法能将信号按局部时间的特征尺度自适应地将信号从高频到低频顺序分解成一组尺度不同的固有模态函数，用于降噪时通常采用舍弃EMD分解的高频IMF分量、由低频IMF分量重构达到降噪效果，但可能会失去高频IMF分量含有的有用信息。LMD分解降噪原理与EMD类似，且对噪声敏感[3-5]。为了提高EMD降噪效果，文献[6]提出了基于Savitaky-Golay滤波器的一种改进的EMD-SG降噪方法。

2013年，Dragomiretskiy[1]等人提出了变分模式分解(Variational Mode Decomposition，VMD)[2-3]的自适应分解方法，解决了EMD 和LMD在递归模式分解过程中的模态混叠、对频率相近的分量无法正确分离、受采样频率影响等缺点。由于VMD解决了EMD和LMD在递归模式分解过程中的模态混叠、对频率相近的分量无法正确分离、受采样频率影响等缺点。

提出一种基于VMD和自适应小波阈值函数降噪方法，该方法结合了小波自适应阈值技术和VMD分解技术，能对多类信号进行有效的降噪。通过数值实验表明：该方法对非平稳降噪具有良好的降噪效果，且适应性广。

1 变分模式分解

1.1 VMD基本原理

与EMD分解相同，VMD算法也将信号分解为本征模态IMF分量；不同之处在于VMD在分解过程中避免了EMD的循环筛分剥离获取IMF分量的处理方式，而是将信号分解获取IMF过程转化为变分求解过程，即分解问题转移变分框架内处理，通过搜寻约束变分模型最优解实现信号自适应分解获取IMF分量[7-10]。VMD原理简述如下：

显然，除了履行工商经济类、公益慈善类、社会福利类、社会服务类这“四大类”职能的社会组织，其他类别的社会组织就难以得到此优待。总体上看来，民办非企业单位很多都属于这些类别关照的范围；尽管如此，在现实当中，属于“四大类”的社会组织也有不少在登记管理环节依然面临着棘手难题；例如对人数和办公场所的限制，很多规模有限、资源紧张的组织可能依然达不到登记门槛的要求。而且，面临这一问题的组织还不在少数。也就是说，文件规定的门槛虽然在降低，但是离大部分民办非企业单位的实际需求仍有一定距离。

可由当前剩余量经维纳滤波器滤波得到；对于的迭代公式为：

S曲线过零点偏差是对失真信号测距偏差的一个标准度量参数，测距偏差受到多个因素影响，在相关间隔d1的情况下表达式为：

(1)

小波降噪效果好坏的关键是选择合适的阈值函数与最佳阈值[12]。目前，硬阈值和软阈值是常见的两种阈值函数。硬阈值函数因在阈值处函数不连续，容易造成缺乏像原始信号的光滑性；软阈值函数虽连续性较好，但存在恒定的偏差。文中采用文献[13]提出的一种自适应阈值函数，既能降低噪声又保留了信号原有的奇异性，选用的自适应阈值函数为：

(2)

含噪声的多频信号x(t)如下：

图1 VMD的具体实现[4] Fig.1 Concrete implementation of VMD algorithm

利用交替方向乘子法(ADMM)迭代搜索上述扩展的拉格朗日函数的鞍点，即式约束变分模型的最优解，所有模态分量uk为：

2.2.2 噪音 Kahn［18］等认为，噪声主要来自谈话、监护报警、呼吸机等，这3类噪声分别占噪声总量的26%、20%和8%。噪音超过60分贝就会导致患者烦躁不安、刺激患者的交感神经，使心率加快、血压升高、压力感和焦虑感加重，疼痛感加剧，使患者感到抑郁、头痛、幻觉、入睡困难和昼夜睡眠节律倒转［19］。

(3)

假设原始信号f分解成k个IMF分量，则对应的约束变分模型为：

(4)

1.2 VMD分解实例

VMD分解算法具体过程如图1所示。

(5)

式中η代表噪声信号，设信噪比SNR=5 dB，信号时间为1 s，采样频率1 kHz。图2给出多频信号x(t)及其分解结果。

记录观察两组患者的年龄、性别、病理分期、组织学类型、肿瘤部位、合并内科疾病及分化程度。两组患者一般资料比较差异无统计学意义(P>0.05)，具有可比性，见表1。

图2 多频信号分解 Fig.2 Decomposition of multi-frequency signal

式中th为阈值；m为可调参数，可取大于1的连续实数。m决定了函数η(·)形状、性质。当m接近于1时，类似于软阈值函数；当m>10时，类似于硬阈值函数。

图3 VMD各分量边际谱 Fig.3 VMD marginal spectrum of each component

2 基于VMD与自适应小波阈值函数降噪原理

如果能降低高频IMF分量中噪声，在通过与低频分量重构，就可以减低原始信号噪声，这即是文中的降噪原理。小波变换具有表征信号的时频特性，能很好降低信号噪声。文中选用小波变换降低高频IMF分量中的噪声。

基于自适应小波阈值的VMD降噪方法如图4所示。先对原始信号进行VMD分解得到模态分量，然后对含噪声分量大的高频模态分量进行小波自适应阈值滤波，最后将滤波后高频模态分量和低频模态分量重构即得降噪后的信号。需要指出的是：对于高频分量是否需要降噪处理，可由各模态归一化自相关函数判断。

一分部署，九分落实。任何工作部署，关键在于真抓实干，在于狠抓落实。部署是前提，落实是结果；部署是手段，落实是目的。只有拿出真抓的实劲、敢抓的狠劲、善抓的巧劲、常抓的韧劲，强化过程推动，有严的要求，才能不断积小胜为大胜、实现好的结果。

式中 uk为第k个模态分量；ωk为模态分量的中心频率，k=1,2,3…,K。为了求解上述约束变分问题的最优解，将约束性变分问题转变为非约束性变分问题。引入二次惩罚因子α和Lagrange乘法算子λ(t)，得到增广的Lagrange表达式为：

(6)

由图2可见，VMD分解后IMF分量按照频率由低向高依次递增，IMF分量频率单一，分解效果好；同时，高频IMF分量中噪声含量大，VMD分解后噪声主要集中在高频段。对各个分量进行FFT变换，得到如图3所示的IMF分量频谱。由图3可见，u3分量频谱带宽内集中了信号的大部分噪声能量。

函数参数m自适应确定原理为：先计算各尺度下噪声能量大小和各层总能量，然后计算其中，为j尺度下低频小波能量；Enj为j尺度下高频噪声能量。对于高斯白噪声在小波分解尺度j层的能量近似为：

在阈值获取方面，该文献提出的方法存在一些问题，文中阈值基于数据SURE无偏估计自适应获得。

小波降噪过程分为三步[11]：(1)对含噪声的信号进行小波变换；(2)保留最大尺度下的低通滤波分量，对其他尺度分量进行降噪处理，即根据设定阈值函数和阈值对其进行自适应处理；(3)对处理后的小波系数进行小波逆变换，获得降噪后的估计信号。

自主学习通俗的讲就是当学生遇到问题后，可以经过自己独立的思考进行解决，教师只为学生提供一些指导性的线索。

图4 文中降噪流程 Fig.4 De-noising process in this paper

3 仿真实例

为了说明所提出方法的降噪效果，下面选用3个典型的含噪声信号进行降噪数值仿真，3个信号分别为多成分信号、Doppler信号和调制信号，降噪效果评价指标为信噪比(SNR)、和均方根误差(RMSE)。

3.1 多频信号

针对式的含噪声的多频信号，图5给出了降噪后的重构波形，同时还给出了采用传统EMD方法降噪波形、EMD-SG方法降噪波形、EMD-WT方法降噪波形、小波方法和文献方法波形。降噪性能指标如表1所示。上述其他5种降噪方法中，EMD方法采用舍弃部分高频IMF分量的传统EMD去噪方法；EMD-SG方法过程可参考文献[6]和EMD_WT方法可参考文献[7]；小波方法采用symN小波系，分解层数为5，阈值选取基于MinMax极大极小值规则处理。

图5 含噪声的多频信号降噪波形 Fig.5 De-noising waveform of multi-frequency signal with noise

表1 多频信号降噪效果 Tab.1 De-noising effect of multi-frequency signals

性能指标传统EMDEMD-SGEMD-WT小波文献[13]本文SNR3.546 20.107 94.796 43.441 010.796 611.607 8RMSE0.969 11.439 70.839 20.980 90.420 60.383 1

3.2 Doppler信号

图6给出了Doppler信号和含噪声的Doppler信号，含噪声信号SNR为5 dB，信号采样点数为1 000。图7给出了6种方法降噪后的波形图，表2给出了降噪性能指标。

图6 Doppler信号 Fig.6 Doppler signal

图7 含噪声的多频信号降噪波形 Fig.7 De-noising waveform of multi-frequency signal with noise

由图7可见，EMD-SG方法和小波方法与文中方法降噪效果差不多；由表2可见，对于Doppler信号降噪，文中方法降噪性能指标略优于EMD-SG方法和小波方法。说明文中方法能有效降低Doppler信号中的噪声。

表2 Doppler信号降噪效果 Tab.2 De-noising effect of Doppler signals

性能指标传统EMDEMD-SGEMD-WT小波文献[13]本文SNR8.683 312.834 69.576 912.904 010.061 413.819 6RMSE0.107 50.066 70.097 00.066 20.091 80.059 5

3.3 调制信号

为了进一步EMD-SG方法和小波方法与文中方法降噪效果，对如下调制信号进行降噪处理，调制信号为：

y(t)=0.45[1+25sin(30πt)]sin(160πt)+η

信号采样频率为1 kHz，信号时间为1 s，信噪比SNR为5。表3给出了EMD-SG方法和小波方法、文中方法以及其他3种方法的降噪性能指标值。由表3可见，对于含噪声调制信号降噪，文中方法明显优于EMD-SG方法和小波方法。说明文中方法可适用于更多信号的降噪，适应性广。

表3 调制信号降噪效果 Tab.3 De-noising effect of modulated signals

性能指标传统EMDEMD-SGEMD-WT小波文献[13]本文SNR7.847 80.340 19.046 14.888 25.009 211.607 8RMSE2.282 65.417 61.988 43.209 33.164 90.383 1

4 结束语

提出一种基于小波自适应阈值的VMD降噪方法。该方法结合了小波自适应阈值技术和VMD分解技术，能对多类信号进行有效的降噪。通过对多频信号、Doppler信号、多成分信号和调制信号进行降噪数值实验表明：该方法对非平稳降噪具有良好的降噪效果，且适应性广。。

囊性棘球蚴病（cystic echinococcosis，CE）是由于感染细粒棘球蚴绦虫（Echinococcus granulosus，Eg）的幼虫而导致的一种严重危害人类健康和畜牧业生产的人畜共患寄生虫病［1］。囊性棘球蚴病是一个慢性感染过程，其对宿主的作用也是慢性长久的过程，两者之间的相互作用及其致病免疫机制十分复杂。

参 考 文 献

[1] NU Rehman,MW Safdar,UU Rehman,DP Mandic.Dynamically Sampled Bivariate Empirical Mode Decomposition[J].IEEE Signal Processing Letters,2014,21(7): 857-861.

[2] D Camarena-Martinez,M Valtierra-Rodriguez,CA Perez-Ramirez,JP Amezquita-Sanchez,RDJ Romero-Troncoso,Garcia-Perez.Novel Down-Sampling Empirical Mode Decomposition Approach for Power Quality Analysis [J].2016,63(4): 2369-2378.

[3] WENSI C,CHUNJIN H,GUOZHI Z.Research for power quality disturbing detection based on LMD algorithm [J].Journal of Applied Sciences,2013,13(22): 5043-5049.

[4] JIA X-F,AN H-Q,ZHANG S-G,et al.A method of voltage flicker envelope tracking based on the local mean decomposition[J].Journal of North China Electric Power University (Natural Science Edition),2014,41(3): 10-16.

[5] FAN X,ZHU Y.Fault Location Using Local Mean Decomposition on Traveling Waves with Three Current Measurements in an Overhead Conductor[J].Electric Power Components and Systems,2015,43(19): 2196-2204.

[6] 赵志宏,杨绍普,申永军.一种改进的EMD降噪方法[J].振动与冲击,2009,28(12): 35-37.

Zhao Zhihong,Yang Shaopu,Shen Yongjun.Improved EMD based de-noising method[J].Journal of Vibration and shock,2009,28(12): 35-37.

[7] 邵忍平,曹精明,李永龙.基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断[J].振动与冲击,2012,31(8): 96-101.

Shao Renping,Cao Jingming,Li Yonglong.Gear Fault pattern Identi -fication and Diagnosis Using Time-Frequency Analysis and wavelet threshold de-noising based on EMD[J].Journal of Vibration and shock,2012,31(8): 96-101.

[8] ABDOOS A A,KHORSHIDIAN MIANAEI P,RAYATPANAH GHADIKOLAEI M.Combined VMD-SVM based feature selection method for classification of power quality events[J].Applied Soft Computing,2015,38(C): 637-646.

[9] 赵磊,朱永利,等.基于变分模态分解和小波分析的变压器局部放电去噪研究[J].电测与仪表,2016,53(11): 13-18.

Zhao Lei,Zhu Yongli,et al.Research on denoising of transformer partial discharge based on variational mode decomposition and wavelet analysis[J].Electrical Measurement & Instrumentation,2016,53(11): 13-18.

[10]贾亚飞,朱永利,王刘旺,李莉.基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类[J].电工技术学报,2016,31(19): 208-217.

Jia Yafei Zhu Yongli Wang Liuwang,Li Li.Feature Extraction and Classification on Partial Discharge Signals of Power Transformers Based on VMD and Multiscale Entropy[J].Transactions of China Electrotechnical Society,2016,31(19): 208-217.

[11]NASRI M,NEZAMABADI-POUR H.Image denoising in the wavelet domain using a new adaptive thresholding function[J].Neurocomputing,2009,72(4): 1012-1025.

[12]SANAM T F,SHAHNAZ C.Noisy speech enhancement based on an adaptive threshold and a modified hard thresholding function in wavelet packet domain[J].Digital Signal Processing,2013,23(3): 941-951.

[13]吴光文,王昌明,等.基于自适应阈值函数的小波阈值去噪方法[J].电子与信息学报,2014,36(6): 1340-1347.

Wu Guangwen,Wang Changming,et al.A Wavelet Threshold De-noising Algorithm Based on Adaptive Threshold Function[J].Journal of Electronics and Information Technology,2014,36(6): 1340-1347.