基于奇异值分解和SavitzkyGolay滤波器信号降噪方法.docVIP

基于奇异值分解和SavitzkyGolay滤波器信号降噪方法 　　摘要：为降低信号中噪声的干扰，将奇异值分解（SVD）理论和SavitzkyGolay滤波器相结合提出了一种新的降噪方法。该方法首先分析了信号负熵随信噪比变化的规律，而后通过将负熵作为降噪效果的评估参数，确定了SVD降噪过程中构造的Hankel矩阵的最优维数；其次采用SavitzkyGolay滤波器对用于重构信号的奇异值进行了平滑滤波处理，并分析了SavitzkyGolay滤波器结构对降噪效果的影响，最后通过定义误差函数确定了SavitzkyGolay滤波器的最优结构。将该方法应用于线性调频信号和多成分周期信号的降噪实验，结果表明：基于SVD和SavitzkyGolay滤波器的降噪方法能有效降低噪声干扰，是一种有效的信号降噪方法。 　　关键词：降噪；奇异值分解；负熵；SavitzkyGolay滤波器；Hankel矩阵 　　中图分类号： TN911.4 　　文献标志码：A 　　Abstract： In order to reduce the noise of signal， a new denoising approach was proposed based on Singular Value Decomposition （SVD） and SavitzkyGolay filter. The change law of negentropy with SignaltoNoise Ratio （SNR） was analyzed， then the negentropy was treated as an evaluating parameter of noise suppression， and the optimal dimension of the Hankel matrix of the signal was obtained. Then the SavitzkyGolay filter was used to process the singular values which are used to reconstruct the denoised signal， and the effect of SavitzkyGolay filter configuration on denoising result was studied， then the optimal configuration of SavitzkyGolay filter was determined by defining error function. The proposed approach was applied to multicomponent periodic signal and linear frequency modulation signal denoising. The result shows that the proposed approach can reduce the noise effectively， and it is an effective denoising approach. 　　Key words： denoising； Singular Value Decomposition （SVD）； negentropy； SavitzkyGolay filter； Hankel matrix 　　0引言 　　实际检测信号中往往含有大量的噪声，这些噪声将严重影响对信号特征的分析，因此，对信号降噪是对信号进行处理的一个重要前期步骤[1-2]。奇异值分解（Singular Value Decomposition， SVD）降噪方法作为一种非线性滤波法可有效降低信号中的噪声，已在信号降噪领域得到了广泛的应用[3-5]。 　　在采用奇异值分解方法降噪时，由一维检测信号可以构造多种矩阵，如Toeplitz矩阵、Hankel矩阵等，而当采用其中的Hankel矩阵时，奇异值分解方法可有效降低信号中的噪声，因此通常将一维信号构造成Hankel矩阵[6]。然而，该方法的降噪效果会受Hankel矩阵维数的影响，文献[7]构造了时间信号的Hankel矩阵，并采用奇异值方法对信号进行了降噪，但没有具体讨论Hankel矩阵维数对降噪效果的影响；文献[6]通过定义噪声去除量的评价参数，分析了Hankel矩阵维数不同时的降噪效果，但该评价参数的可靠性有待证明；目前，在降噪过程中Hankel矩阵的行数通常选为信号长度的一半[8]，然而，这种确定Hankel矩阵维数的方法缺乏针对性，对于某些特定的信号不一定适合。 　　负熵作为非高斯性的一个度量指标，能够反