2025《基于EMD算法的光谱去噪方法分析案例》3500字.docxVIP

基于EMD算法的光谱去噪方法分析案例

目录

TOC\o1-3\h\u20227基于EMD算法的光谱去噪方法分析案例 1

141421.1.1EMD算法介绍 1

259631.1.2光谱数据的去噪处理 3

278301.1.3EMD算法的去噪性能评价 10

EMD算法介绍

经验模态分解（EmpiricalModeDecomposition,EMD）经常被用于解决非线性处理问题，他的发明者Huang教授认为任何信号都是由若干个IMF组成的，IMF即本征模态函数（IntrinsicModeFunction,IMF）。而EMD算法的主要任务就是找到IMF分量，并对它们进行相应的分析区分。

EMD算法从根本上解决了小波变换中小波基和分解尺度选择的难题。在本文的研究中，考虑到大米光谱数据的信号特征，使用本文规定好的阈公式对信号进行分析分解。EMD算法具体步骤如下，其中是由两个信号tone（有用信号）和chirp（噪声信号）叠加而成，如下图所示，对于信号而言。

图3-9信号组成光谱示意图

利用三次样条插值法顺序连接局部最大值数据点，可以获得上包络线；同理，连接局部最小值数据点，可以获得下包络线。

将上下包络线的均值定义为。

提取瞬时局部振荡值。

重复步骤(1)-(3)直到接近于零，则即为一个IMF，定义为。

计算余项。

将余项赋值于，重复步骤(1)-(5)直到下一个余项为单调函数。

因此，原始信号可以重构为：

(3-1)

式中为第个IMF，为余项。

通过EMD算法对实际信号进行分析时，迭代次数可能就无限进行，这就需要对IMF的迭代次数进行限定，公式如下：

(3-2)

其中，为信号长度，当小于某值时（通常为0.2~0.3间），筛选动作停止进行。

图3-10信号原始数据及各IMF分量数据图

图3-11前n个IMF重构信号图

图3-12后n个IMF重构信号图

从图中分解后的IMF分量可以看出，IMF2分量和有用信号在形状上最为相近，而从代表倒序（从后向前重组）的后n个IMF分量重构后的光谱图中可以看到，c2f6重构信号与原本数据中的有用信号基本一致，即IMF2与IMF3、IMF4、IMF5、IMF6以及余项RES组合重构后的c2f6即为去噪结果。

光谱数据的去噪处理

本论文中大米数据如下图所示，绿色为五常、洋红色为响水、蓝色为越光、红色为银水，从图中可以看出大米近红外光谱数据普遍存在噪声，且噪声集中分布，个别波段区间几乎不含噪声，光谱数据混叠严重，受噪声影响较大，分析产生该现象的原因如下：

由于本课题研究中使用的近红外光谱仪器是偏中红外波段的仪器，所以对应的光谱数据图左端也即波数较小处（靠近8000cm-1处）的噪声较大，主要是由仪器本身造成，后期特征波段选取时的意义不大（不过在下一章也证实了该区间波段用于产地分类的用处不大）；而光谱图中间区段（即5200cm-1左右处），通过前述光谱分析可知，该区间有一较明显的吸收峰，可用于表征水分含量，所以该处噪声产生的主要原因是水分含量不稳定造成的。

本文中使用的是MATLABR2016a版本，该版本软件中本身不包含EMD算法，首先需要下载EMD算法工具箱以及时频工具箱，将下载好的package_emd和tftb-0.2文件添加到MATLAB的toolbox文件夹中，并将其添加到工作路径中，完成编译。

图3-13大米数据原始光谱图

根据上一节文章内容阐述可知，被处理信号为，其中是对于后续数据处理有用的部分，而为噪声干扰的部分。EMD算法将被测信号分解成n个本征模态分量和一个余项式，分解后得到的结果是将所有的IMF分量按照频率高低进行顺序排列的结果。通常认为噪声是一种高频信号，因此构成噪声信号的IMF分量主要集中在高频部分；相反地，对后续处理数据有用的信号主要集中在低频部分。因此，只要找到一个临界阈值序号，将IMF分量分为低频和高频两部分，有用信号和噪声信号分别由这两部分重构组成，如下式所示：

(3-3)

所以想要获得去噪后的有用信号，主要的目的就是寻找分解过后的各相关模态的分界阈值序号，以此来可以区分噪声信号模态和纯净信号模态，其中EMD算法中的取值可以通过MATLAB语句获得，语句如下：

imf=emd(y);

[m,n]=size(imf);

k=ceil(m/2)+1;

通常曲线波形的突变主要集中在分解序数的一半以右，分界序号可以用来区分噪声模态和信号模态，以单独的一个五常大米近红外光谱数据来看，通过EMD算法进行分解并重构。其中，f2cn表示将分解后的前n个IMF分量进行组合重构，c2fn表示将将分解后的后