EMD在叶绿素光谱信号去噪中应用.docVIP

EMD在叶绿素光谱信号去噪中应用 　　摘要：基于每个IMF自关联函数的特征，提出了一种新的EMD去噪方法。以检测苗期玉米叶片叶绿素含量为例，首先对原光谱信号采用SNV+Detrending方法进行预处理，然后利用该方法对预处理后的信号进行去噪，并与小波去噪方法和EMD融合小波去噪方法进行对比，最后应用偏最小二乘回归方法进行校正模型的建立。结果表明：将该方法应用到实际近红外光谱信号去噪中，其预测集决定系数（r2）达到0.984，残差均方根RMSE为0.075，证明该方法在近红外光谱处理过程中具有很好的去噪效果，建立的校正模型具有较高的鲁棒性和推广性。 　　关键词：经验模态分解;自适应;近红外光谱;叶绿素 　　中图分类号： S126 文献标志码： A 　　文章编号：1002-1302（2015）04-0392-05 　　收稿日期：2014-05-25 　　基金项目：黑龙江八一农垦大学研究生创新科研项目（编号：YJSCX2013-16BYND）。 　　作者简介：翟 哲（1988―），男，黑龙江庆安人，硕士研究生，主要从事数据处理研究。E-mail：zhai_zhe@163.com。 　　通信作者：李伟凯，博士，教授，博士生导师，主要从事光电检测研究。Tel：（0459）6819009;E-mail：bynd@263.。 　　随着计算机科学技术的飞速发展，近红外光谱技术在仪器分析领域受到了有关专家的高度重视[1]。近红外光谱技术之所以能迅速发展并在各个行业都有广泛的应用，是因为它有很多的优越性[2]。但是由于外界环境的影响，近红外光谱仪所采集到的光谱信号，除了包含自身信息外，在测量中还不可避免地得到许多无关的噪声信号[3]。因此在使用化学计量方法建立校正模型时，消除光谱数据无关噪声在光谱数据分析中变得十分关键和必要。本研究将改进经验模态分解（empirical mode decomposition，EMD）方法引入到近红外光谱信号去噪中，旨在探索近红外光谱信号去噪的新方法。 　　1 基本思想 　　EMD方法就是把1个非线性非平稳的信号分解为有限个本征模函数（intrinsic mode function，IMF）分量和1个趋势项[4]，原始信号x（t）可表示为： 　　x（t）=∑ni=1ci（t）+rn（t）。 　　（1） 　　式中：ci（t）为第i个IMF分量;rn（t）为筛选到最后剩下的趋势信息;t为时间;n为分解的IMF个数。各个IMF分量都代表信号从高频到低频的分量，通常情况下阶数较小的IMF代表高频分量和噪声信号，阶数较大的IMF代表低频分量，受噪声影响较小。 　　EMD其实就是把信号的极值特征尺度作为度量而进行筛选的过程，信号从最小特征尺度实行筛选，因此得到周期最短的IMF[5-6]。之后再进行逐层筛选，最终获得周期尺度渐次增大的多个IMF，此过程亦显示出了多分辨辨识的滤波全程。这个途径是依据信号分解的IMF分量建构滤波函数，所以能极大保持信号固有的非线性、非平稳特征。 　　假设x（t）为含噪信号，则经过EMD算法的分解后其高通滤波表达如下： 　　xhp（t）=∑ki=1ci（t），（1 　　（2） 　　带通滤波表达如下： 　　xdp（t）=∑ki=hci（t），（1 　　（3） 　　低通滤波表达如下： 　　xlp（t）=∑ni=kci（t）+rn（t），（1 　　（4） 　　但是，噪声同信号在IMF分量内叠混，可以用EMD阈值去噪的方法[7]。其中在阈值选择方面，根据Donoho等给出的小波去噪中的阈值[8]，其中小波去噪软阈值为： 　　ysoft（t）=sng[x（t）]?[|x（t）|-δ]，|x（t）|gt;δ 　　0，|x（t）|≤δ。 　　（5） 　　式中：δ为通用阈值。 　　在第j层选取δ=σj2lnN。 　　式中：N为信号的长度;σj为噪声在第j层的标准差，可利用σj=media/0.674 5进行估计，media为第j层上小波系数的绝对中值。 　　因此，将这个等式略加改变后运用至IMF去噪上，即获公式： 　　imf ′j=sng[imfj（i）]?[|imfj（i）|-δ]，|imfj（i）|gt;δj 　　0，|imfj（i）|≤δj。 　　（6） 　　式中：δj为第j个分量imfj的阈值，由下式可以计算： 　　δj=σj2lnN=media[abs（imfj）]0.674 5×2lnN。 　　（7） 　　式中：media为第j个imfj分量上的绝对中值。 　　2 基于能量最小原则的EMD自适应去噪方法 　　信号经由EMD算法进行分解后，可获得可数的频率由高至低的IMF，它们中阶数较低的IMF与信号的高频成分相对应，普遍