基于ica算法的集合经验模态分解去噪方法.pdfVIP

软件 2014 年第 35 卷 第 7 期 基金项目论文 基于ICA算法的集合经验模态分解去噪方法 * 周先春,嵇亚婷，孙文荣 (南京信息工程大学电子与信息工程学院，江苏南京210044) 摘要：针对非线性非平稳信号的去噪问题，提出了一种基于独立分量分析（Decomposition Components Analysis, 简称 ICA） 算法的集合经验模态分解去噪方法。首先利用白噪声辅助数据分析方法——集合经验模态分解（Ensemble Empirical Mode Decomposition，简称 EEMD）有效的抑制了经验模态分解（Empirical Mode Decomposition，简称 EMD）中存在的端点效应和模态 混叠现象，然后利用 ICA 算法对含噪信号经过 EEMD 分解后的有限个固有模态函数（Intrinsic Mode Function，简称 IMF）进行去噪 处理，有效的分离出若干个有效的语音信号分量，并对其进行语音重构，最后与小波阈值去噪方法进行比较，通过仿真可以看出， 该方法对于信号去噪较为理想。 关键词：小波阈值去噪；EEMD；端点效应；ICA 中图分类号：TN912.3　　　　　　文献标识码：A　　　　　　DOI：10.3969/j.issn.1003-6970.2014.07.003 本文著录格式：[1] 周先春 , 嵇亚婷，孙文荣 . 基于 ICA 算法的集合经验模态分解去噪方法 [J]. 软件，2014，35（7）：13-17, 22 Methods based on EEMD-ICA in signal de-noising 1 2 2 Zhou Xian-chun , Ji Ya-ting , Sun Wen-rong (College of Electronic and Information Engineering, NUIST, Nanjing 210044, China) Abstract In order to focus on the denoise of Nonlinear nonstationary signals, we first use the white noise assisted data 【 】 analysis called EEMD (ensemble empirical mode decomposition) based on the ICA (decomposition Components Analysis) to suppress the end effect and effect and aliasing which appear in the empirical mode decomposition in the process of empirical mode decomposition(EMD). And then, we use ICA to denoise the noise signals which have been decomposed by EEMD into IMF, and we can efficiently decompose some effective speech signals components and reconstruct them. Finally, compared with the waved threshold method, the effect of this solution is ideal. Keywords EMD;EEMD;end effect;ICA 【 】 0　引言 人们在进行语音通信中不可避免地会受到来 自外界环境的干扰，由于这些噪声的存在，以至于我们不能接受到较 为纯净的语音信号，而是带有噪声干扰的语音信号。所以为了得到较为纯净的语音信号，就必