小波自適應閾值的混沌去噪方法*

張喬斌 位秀雷 劉樹勇

(海軍工程大學動力工程學院 武漢 430033)

?

小波自適應閾值的混沌去噪方法*

張喬斌 位秀雷 劉樹勇

(海軍工程大學動力工程學院 武漢 430033)

為了提高小波分析方法在混沌去噪中的自適應能力,對不同尺度下的小波信號設定調節因子,根據混沌序列關聯維的大小確定最優閾值。為了提高尋優效率,采用遺傳算法全局自適應搜索最優閾值。利用該方法對Lorenz混沌時間序列進行了去噪分析,結果表明所提方法是非常有效的。

混沌信號; 最優閾值; 小波變換; 去噪

Class Number O322

1 引言

近年來,由確定系統產生的混沌現象在很多學科中得到了廣泛應用[1]。但是,由于受到測量工具以及外界環境等影響,實際采集到的混沌信號不可避免地混有噪聲,掩蓋了混沌信號的真實動力學行為[2]。混沌信號具有功率譜寬帶性和似噪聲性,其頻帶與疊加的其他信號的頻帶往往全部或部分重疊,傳統的線性濾波器方法難以實現有效濾波[3]。

小波分析是近些年來發展起來的一種新的時頻分析方法,在時頻域都有很強的表征信號局部特征的能力[4～5]。用于混沌信號小波去噪的常用方法是閾值法,小波閾值選擇會造成去噪信號畸變,選取不當還會造成部分有用信號的丟失,因此,閾值選擇是小波去噪效果優劣的關鍵問題[6]。目前,大多閾值是采用對目標函數估計的方法進行判定[7],不可避免地存在估計誤差。考慮到混沌去噪是混沌應用的預處理過程,因此,本文分析了混沌信號噪聲水平和關聯維的關系,并結合遺傳算法,提出了一種全局自適應搜索最優閾值的方法,利用該方法對Lorenz混沌時間序列進行了去噪分析,結果表明所提方法是非常有效的。

2 小波閾值去噪原理

假設實際觀測的混沌信號為

x(k)=s(k)+n(k),k=1,…,N

(1)

其中,s(k)表示無噪的混沌信號,n(k)表示高斯白噪聲,N表示序列的長度。則小波閾值可按以下三個步驟實現:

1) 對實測信號x(k)進行離散小波變換,得到小波系數wj,k,j,k表示尺度j上的第k個小波系數。

3 信號噪聲強度和關聯維的關系

噪聲通常是由高維動力系統產生,理想的噪聲維數維無窮大,混沌系統則產生于低維動力學系統。根據這一性質,可將關聯維應用于區分噪聲和混沌信號,以實現對噪聲的濾除。

文獻[8]利用G-P算法計算了4000點的Logistic序列、Lorenz序列、白噪聲序列、椒鹽噪聲序列的關聯維數D,結果如表1所示。

表1 不同序列的關聯維數

由表1可以看出,混沌序列的關聯維相對較小,且表現出分數維,白噪聲的值相對較大,由于白噪聲序列仍然有可數的項數,得到的序列并不是理想的白噪聲,因此關聯維仍然存在。而椒鹽噪聲序列,本身已達到理想狀態,因此,不管用多小的In(r),都無法計算出InC(r)隨In(r)變化的斜率。以上分析可知,用關聯維進行去噪分析具有實際意義。

采樣2000點的Lorenz混沌序列s(k)疊加不同強度的噪聲,然后計算不同信噪比(SNR)信號的關聯維D,結果如表2所示。由表2得知,含噪混沌信號信噪比越大,關聯維數越小。在計算關聯維數時,需要不斷增加嵌入維數以求取飽和的關聯維數,這樣計算比較復雜,考慮到改變嵌入維數并不能改變序列的相對復雜程度。因此,只求取固定嵌入維數所對應的關聯維數來比較就能實現飽和的關聯維數在混沌去噪中的應用,從而減少了計算的復雜度。

表2 不同噪聲強度下Lorenz序列的關聯維數

4 小波自適應閾值

在小波去噪中,閾值的選取是一個關鍵問題,直接影響著去噪效果。閾值選取過高,會過多地將信號當作噪聲去掉;閾值選取過低,則保留的噪聲信號過多,影響信號的進一步分析。傳統的廣義閾值去噪方法大都根據噪聲能量估計信號信噪比來確定閾值大小,估計過程有一定的誤差,其改進的閾值方法也是定量的逼近最優閾值,在小波分解的各個尺度上和最優閾值還有一定的偏差,尚不能實現最優濾波。為了使選取的閾值在各個尺度下都具有最佳的去噪效果,本文利用閾值公式:

(2)

其中,j為小波分解尺度,ti為相應尺度的閾值,N為信號長度,μi為相應尺度調節因子,μi∈(0:0.01:n),鑒于取對數后數值波動較小,因此取步長為0.01,n為正常數,σ為信號在最高尺度上的方差。

調節因子μi的選取根據去噪后序列的關聯維數大小進行評定。為了提高最優閾值的搜索效率,本文利用遺傳算法進行全局搜索,根據噪聲水平和關聯維數的關系設定適應度函數為

(3)

由式(3)可以看出,關聯維數越小,適應度值越大,說明信號噪聲水平越低。

小波去噪過程中,閾值和信噪比(SNR)存在一種單峰規律[9],即閾值從0增加到某一終值時,閾值處理后的結果只有一種是最優濾波。且文獻[10]指出,算法終止準則兼顧優質和高效兩個方面,若連續迭代最優解的改進程度不明顯時,算法終止,否則,進行t=t+1次迭代。

則自適應閾值尋優的步驟如下:

1) 對含噪信號進行j層小波分解,得到小波分解的近似部分an和細節部分d;

2) 保持近似部分不變,對各個細節部分d1,d2,…,dn按式(2)進行閾值量化處理,各尺度的調節因子μi在(0,n)范圍浮動,設定浮動步長為0.01;

3) 計算閾值量化后的信號的關聯維數D,選取D最小時所對應的閾值t1,t2,…,tn作為最優閾值,其所對應的細節部分為d1,d2,…,dn,對細節部分進行重構,重構后的各個尺度上的信號為d11,d22,…,dnn;

4) 去噪后的信號為:s=d11+d22+…dnn+an。

5 仿真分析

實驗信號為Lorenz方程產生的混沌信號,然后疊加白噪聲作為有噪聲污染的信號進行分析。Lorenz方程:

(4)

選取參數的值為σ=10,r=28,b=8/3,用4階龍格-庫塔法進行迭代求值運算,設定積分步長為0.01,刪除前6000個暫態點,對其后2000個穩態點進行分析,如圖1所示,圖1(a)為原始時間序列,圖1(b)為信噪比SNR=-8dB時的含噪序列。

圖1 原始時間序列和含噪時間序列

在相空間重構基礎上,選擇尺度J≤m,m為嵌入維數,τ為重構延遲。m=5,τ=10時,Lorenz系統的混沌特性可以很好地重構于相空間中,因此取J=3,采用正交緊支集(Daubechies)函數的改進小波函數sym8作為小波基函數對混沌序列進行3尺度分解,使用本文方法對每一尺度上的信號進行閾值濾波,其中最小關聯維數D=3.06所對應式(5)中的調節因子分別為0.73,1.51,3.37。去噪后的序列圖如圖2所示,其中‘ⅹ’代表無噪信號,‘-’代表去噪后的信號,可以看出,Lorenz序列和去噪后的序列擬合得很好,證明了本文方法的有效性。

圖2 本文方法去噪效果

分別使用廣義閾值方法[11]、文獻[5]方法和本文提出的最優閾值方法對信噪比為-8dB的混沌信號進行降噪處理,降噪后的信噪比和最小均方誤差如表3所示,可以看出經本文方法處理后的混沌信號信噪比最高,最小均方誤差最小,表明本文方法能夠更加有效地濾除隱藏在混沌信號內的噪聲,提高了信噪比,減小了誤差,更加適合工程需要。

表3 三種方法去噪后結果比較

6 實驗分析

文獻[12]設計了分段線性混沌振動試驗裝置,對該系統裝置的實測信號利用本文方法進行去噪處理,采用sym8小波基函數對信號進行3層分解,實測信號的關聯維數D=3.58,去噪后的關聯維數維D=2.78,其中各層閾值調節因子為1.75,2.03,3.85,去噪前后信號的相平面圖如圖3所示,可以看出,信號中雜波明顯被剔除,顯示了本文方法的工程適用性。

圖3 實測信號去噪效果圖

圖4是實測信號去噪后的最大Lyapunov指數曲線圖,信號經本文方法去噪后,減小了干擾對吸引子的影響,恢復了正常的運行軌道,保證了識別的準確性。計算的最大Lyapunov指數LE>0,證實了所測信號是一種混沌振動信號,也驗證了實驗裝置設計的有效性。

圖4 實測信號去噪后的最大Lyapunov曲線圖

7 結語

本文簡述了小波閾值去噪原理,針對小波去噪中閾值難以有效確定的問題,基于混沌信號關聯維數和噪聲強度的關系,利用遺傳算法對小波信號各個尺度的最優閾值的搜索,克服了以往小波去噪閾值選擇的盲目性,實驗仿真結果表明該方法能夠有效地去除信號中噪聲,并保留序列的混沌特性。

[1] Alexander L F, Robin J E. Control of chaos: Methods and applications in engineering[J]. Annual Reviews in Control,2005,29(1):33-56.

[2] Kostelich E J, Schreiber T. Noise Reduction in Chaotic Time Series: A Survey of Common Methods[J]. Physical Review E(S1063-651X),1993,48(3):1752-1763.

[3] Elshorbagy A, Simonovic S P, Panu U S. Noise reduction in chaotic hydrologic time series: facts and doubts[J]. Journal of Hydrology,2002,256(3-4):147-165.

[4] 代海波,單銳,王換鵬,等.基于改進閾值函數的小波去噪算法研究[J].噪聲與振動控制,2012,32(6):189-193.

[5] 韓敏,劉玉花,史劍輝,等.基于小波變換閾值決策的混沌信號去噪研究[J].信息與控制,2005,34(5):543-547.

[6] 李樹鈺.改進的小波閾值去噪方法及其在MATLAB中的仿真[J].噪聲與振動控制,2010,2:121-124.

[7] 劉艷霞,劉建軍,曹燕燕.一種改進的小波閾值去噪方法[J].河北北方學院學報(自然科學版),2012,28(1):30-33.

[8] 韓貴丞,李鋒.一種改進的混沌序列去噪方法[J].信息與電子工程,2011,9(5):586-590.

[9] Li S Y. Improved wavelet threshold denoising method and its simulation suing MATLAB[J]. Noise and Vibration Control,2010,30(2):121-124.

[10] Wang X, Zhao C H, Rong J G. Wavelet thresholding Denoising based on Simplex-Simulated Annealing algorithm[J]. SIGNAL PROCESSING,2008,24(2):242-246.

[11] 吳偉,蔡培升.基于Matlab的小波去噪仿真[J].信息與電子工程,2008,6(3):220-222.

[12] 劉樹勇,位秀雷,許師凱,楊慶超.非線性混沌振動響應的試驗分析[J].噪聲與振動控制,2014,34(2):5-7.

De-noising for Chaotic Signals Based on Adaptive Thresholding Wavelet

ZHANG Qiaobing WEI Xiulei LIU Shuyong

(College of Power Engineering, Naval University of Engineering, Wuhan 430033)

For the purpose of improving adaptive performance of chaotic signals de-noising with wavelet transform, a floating parameter is set to regulate the threshold of wavelet signal on different scales according to the correlation dimension of chaotic time series. The genetic algorithm is helpful to obtain global optimum thresholds and to reduce much time wasted by the adaptive searching computation. De-noising for Chaotic time series generated by Lorenz system is simulated to compare with other methods, and the results showed that the proposed method is effective.

chaotic signal, optimal threshold, wavelet transform, de-noising

2014年9月1日,

2014年10月16日

國家自然科學基金(編號:51179197);海洋工程國家重點實驗室(上海交通大學)開放課題(編號:1009)資助。

張喬斌,男,副教授,研究方向:艦船裝備綜合保障及非線性動力學。

O322

10.3969/j.issn1672-9730.2015.03.015