振動信號的稀疏去噪研究與應用.pdf

1、信號去噪是信號處理中重要的步驟之一，例如在對大型結構的健康監(jiān)測中等。在不同的環(huán)境和采集設備下使得采集的信號包含不同分布形態(tài)的噪聲，這些噪聲會破壞和淹沒有用信號的結構特征，若直接使用和處理這些信號，會影響研究人員對大型建筑健康判斷的準確度，甚至造成嚴重的經濟損失、危害社會公共安全。所以信號去噪是分析信號預處理的重要步驟。
　　稀疏去噪是當前新興的一種去噪方法，其主要去噪理論是根據信號在合適的字典上稀疏表示，而噪聲在此字典上的展開系數

2、不稀疏，用稀疏分解算法求解稀疏展開系數，并去除噪聲映射，完成去噪。稀疏去噪中冗余字典能否很好的保留信號結構特征是稀疏去噪的關鍵點之一。根據振動信號符合 AR模型，本文將 AR模型與稀疏去噪相結合，通過一種改進稀疏去噪中的冗余字典方法，提高了振動信號稀疏去噪效果。首先根據振動信號的結構特征及 AR模型的數學表達式，構建自適應過完備稀疏基及冗余字典，然后用現有的稀疏分解算法計算對應信號在冗余字典上的稀疏展開系數也就是振動信號 AR模型的自回

3、歸系數，最后利用過完備稀疏基及稀疏展開系數來重構去噪后信號。
　　K-SVD字典訓練是一種更新冗余字典算法，其提高信號與冗余字典的匹配度，從而提高去噪效果，目前常用于圖像稀疏去噪。本文先對采集的多條同一振動信號序列，然后根據振動信號序列對某一固定基做字典訓練，然后用更新的字典對其中一列或者多列振動信號進行稀疏去噪。
　　綜上述，本文主要是對振動信號的稀疏去噪算法中稀疏域進行了改進，增加了冗余字典的自適應性，使得稀疏去噪適用于