EEMD结合改进PCNN模型的气体泄漏信号降噪

作者：孙烨辰; 李鹏; 常思婕; 史峰

来源：计算机仿真, 2020, 37(09): 409-455.

• 降噪
• 集合经验模态分解
• 脉冲耦合神经网络
• 气体泄漏
• 预处理

针对气体泄漏声波信号降噪的问题,提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与改进脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的降噪方法,对采集到的气体泄漏声波信号进行降噪处理,同时与EEMD和变步长自适应滤波(Least Mean Square)降噪算法进行比较。算法首先对信号做EEMD的分解,将原信号分解为9个模态分量,然后对这些分量做相干性的计算,根据分量各自的含噪情况调整参数分别做PCNN降噪,最后将信号重构。原始信号由NI仪器的cDAQ采用声传感器测得。实验结果表明,上述方法能够有效地剔除气体泄漏信号中包含的各种噪声,降噪后信噪比为16.64,均方根误差为0.0209,为后续信号分析减少了干扰,上述方法为气体泄漏声波信号的特征提取与分析提供了新的思路。

• 单位
  南京信息工程大学; 南京信息工程大学滨江学院