粒子群优化改进小波阈值函数去噪研究.docVIP

粒子群优化改进小波阈值函数去噪研究 　　摘要：小波阈值去噪在信号处理领域应用非常广泛。针对传统软、硬阈值函数算法存在的缺陷，许多学者提出了介于软、硬阈值之间改进型阈值函数算法。但这些阈值函数在整个小波空间域内高阶不可导，存在临界阈值处不能平滑过渡的现象。因此提出一个带参数的阈值函数，可以实现临界阈值处的平滑过渡。同时，采用粒子群优化算法，针对信号含噪情况，自动优化阈值函数参数，实现去噪过程的自动寻优。采用基准信号仿真结果表明，提出的算法可以获得更小的均方误差和更高的信噪比，达到了去噪实用化的效果。 　　关键词：小波变换；粒子群优化；算法；阈值函数 　　O 引言 　　相关法、模极大值法和阈值法是小波去噪的三种常见方法，其中，阈值法最实用，已广泛应用于信号去噪中。阈值法有硬阈值和软阈值两种基本的去噪算法，但是这两种基本方法各有一定缺陷：一是硬阈值函数整体不连续，容易造成经小波去噪后的信号不平滑；二是软阈值函数整体上虽然连续，但是小波估计系数与含噪声信号的小波系数之间总是存在着恒定的偏差，这直接影响重构信号和原始信号的逼近程度。 　　针对软、硬阈值法存在的缺点，学者提Jq』了许多改进的阈值函数算法，这些算法介于软、硬阈值之间，通过改变阈值函数的参数可以有效避免传统阈值函数的缺陷，在整个小波空间域内，阈值函数虽然连续，但高阶不可导，在临界阈值九处曲线连续但不是平滑过渡。这种缺陷就可能导致在阈值去噪处理时会出现细节系数的过扼杀和信号振荡现象。 　　同时，对于改进的带参数的阈值函数算法，针对变化的实际信号，为了实现最佳的去噪效果，需要手动调节参数来处理新的含噪信号，限制了去噪算法对处理信号的适应性。针对这些问题，本文提出一个改进的阈值函数算法，可以解决阈值函数在临界阈值λ处不平滑过渡的问题，同时引用粒子群优化算法，实现阈值函数参数的自动寻优，让去噪算法自动适应处理信号的变化。 　　1 小波阈值去噪原理 　　小波阈值去噪的过程分为对含噪信号进行小波分解，高频系数的阈值量化处理和用小波逆变换实现信号重构三个步骤。其基本原理如图1所示：。 　　含噪信号经小波分解后，通常信号的系数要大于噪声的系数，选择一个合适的数九作为临界阈值，将小于该阈值的分解系数认为是由噪声引起的，予以舍弃；而大于该阈值的分解系数认为主要是由信号引起的，加以保留，这就是阈值去噪。在阈值去噪中，传统的硬阈值函数去噪之后存在着伪吉布斯（ Pseudo-Gibbs）现象，软阈值去噪则会造成恒定偏差问题，而其它的改进阈值函数算法存在着不平滑过渡等问题。为此，本文将对原有的阈值函数进行改进，以避免以上存在的问题。 　　2 新阈值函数的构造 　　针对硬阈值的不连续性、软阈值造成的恒定偏差、其他改进阈值函数的不平滑过渡现象，本文提出一种新的阈值函数： 　　新阈值函数： 　　其中k和cc为调节因子，且k和Cc为正数。 　　新阈值函数在小波域内和软阈值函数有着相同的连续性，克服了硬阈值函数在阈值处的不连续性，同时也避免了因不连续而导致的伪吉布斯（ Pseudo-Gibbs）现象；随着小波系数的增加，新阈值函数渐渐接近硬阈值函数曲线，这克服了软阈值函数中ωj，k 与ωj，k 之间总是存在着恒定的偏差的缺点；在/ωj，k/λ和/ωj，k/λ 范??内，新阈值函数高阶可导，这种特性可以消除振荡现象，使重构信号显得平滑。 　　当k→∞时，新阈值函数就为阈值函数： 　　在此条件下，当α→O时，新阈值函数为软阈值函数，当a→∞时，新阈值函数为硬阈值函数；因此通过改变α值，新阈值函数可以在硬软阈值之间灵活变化。新阈值函数在硬软阈值之间，其参数k必须大于等于1，参数k决定了小波阈值的逼近程度，调节k使新阈值函数在阈值处理时能够保留一部分有用信号的高频部分，较好地抑制细节系数的过扼杀和信号振荡现象。 　　灵活调节k、α，新阈值函数曲线在硬、软阈值之间变化，如图2所示。对于不同的含噪信号，新阈值函数可以通过调节参数k、α，实现最佳的去噪效果。 　　3 粒子群优化算法 　　采用带参数阈值函数去噪过程中，针对具体含噪信号，可以灵活调节阈值函数的k和cc参数，满足不同信号处理的去噪要求。然而，在实际应用中，待处理信号的含噪情况是不可预测或不可知的。对于这种随机变化的含噪信号进行去噪，阈值函数的参数k、α应该也不可能是固定值。因此对于随机含噪信号的阈值处理，选择适用的优化算法来对阈值函数的参数k、α进行优化，以期能够适应信号的变化是去噪走向实用化的关键。 　　阈值函数有两个参数k、α，函数优化时参数较少，同时对于变化信号的处理则需较短时间内完成优化目标，因此，需要收敛速度相对高的优化算法。对比模拟退火算法、遗传算法、神经网络算法、蚁群算法等优化算法，选取收敛速度快、精度高及易实