基于小波變換的微弱信息檢測研究

王月

摘 要： 傳統微弱信息檢測方法不能過濾純噪信號，常因純噪信號幅值、強度過大，造成信息檢測結果失真。為解決此問題，設計基于小波變換的微弱信息檢測模型。通過微弱信息小波分解尺度確定、小波作用閾值改進、微弱信息小波變換系數重構，完成微弱信息的小波變換去噪；通過小波Duffing振子重構信號檢測、微弱信息待測信號頻率確定、微弱信息幅值測量，完成基于小波變換微弱信息檢測模型的搭建。模擬該模型的使用環境，設計對比實驗。結果表明，應用基于小波變換微弱信息檢測模型后，純噪信號幅值與強度明顯降低。

關鍵詞： 小波變換； 微弱信息檢測； 去噪分析； Duffing振子； 信號檢測； 幅值測量

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2018）19?0071?04

Abstract： The traditional weak information detection method can′t filter the pure noise signal， and may cause the distortion of the information detection result due to the high amplitude and strong intensity of the pure noise signal. Therefore， a weak information detection model based on wavelet transform is designed to solve the above problem. The wavelet transform denoising of the weak information is accomplished by means of determination of wavelet decomposition scale of weak signal， improvement of the wavelet action threshold and reconstruction of the wavelet transform coefficients of weak information. The weak information detection model based on wavelet transform is built by means of detection of wavelet Duffing oscillator reconstruction signal， determination of signal frequency of weak information， and amplitude measurement of weak information. The service environment of the model is simulated. The contrast experimental results show that the amplitude and intensity of the pure noise signal are significantly reduced by using the weak information detection model based on wavelet transform.

Keywords： wavelet transform； weak information detection； denoising analysis； Duffing oscillator； signal detection； amplitude measurement

0 引 言

傳統微弱信號檢測方法利用電子學、物理學和信息學基礎理論，以小電容、弱磁、微振動等信號作為檢測對象，利用相應傳感技術，將檢測信號轉變為恒定的電壓、電流或電量。通過檢測恒定電力常量的相關參數，進而檢測出信號的微弱量。有時待檢測信號過于微弱，常被強度過大的純噪信號掩蓋，造成檢測結果與真實結果間差距過大[1?2]。為從純噪信號中提取出完整的微弱信息，引入小波變換原理。小波變換降低了信號檢測過程中所設置的目標門限，使檢測所得的微弱信號精度得到了有效提升。微弱信號檢測是一項在噪聲中發現有用信號的新興技術，在研究過程中通過待測信號與噪聲幅度、相位、變化頻率等特征的不同，確定噪聲的產生原因及規律，并根據確定結果，研究去除純噪信號的有效方法[3?4]。基于小波變換的微弱信息檢測模型利用小波變換的所有優點，提高信號檢測系統中的輸出信噪比，達到降低純噪信號幅值與強度的目的，進而提升微弱信息檢測結果的真實性。

1 微弱信息小波變換去噪

微弱信息小波變換去噪過程包括微弱信息小波分解尺度確定、小波作用閾值改進、微弱信息小波變換系數重構三階段。

1.1 微弱信息小波分解尺度確定

2 基于小波變換微弱信息檢測模型的搭建

完成微弱信息小波變換去噪處理后，可按照如下步驟，搭建基于小波變換的微弱信息檢測模型。

2.1 小波Duffing振子的重構信號檢測

小波Duffing振子重構信號的振動幅度可以用于描述微弱信息信號的振動過程。通常情況下，描述小波Duffing振子的振動幅度需要控制阻尼率、韌度、動力的非線性度、驅動力的振幅、驅動力的圓頻率等多個物理量，且小波Duffing振子的振動幅度沒有具體表達式[8?9]。若小波Duffing振子振動幅度恒大于0，則振子始終保持極限環振動狀態；若小波Duffing振子振動幅度恒小于0，則振子所代表的系統進入混沌狀態，系統相圖也一直保持吸引子形態；因為小波Duffing振子始終維持振動狀態，所以小波Duffing振子振動幅度[10]不可能為0。檢測到的小波Duffing振子重構信號如圖1所示。

of wavelet Duffing oscillator

2.2 微弱信息待測信號頻率的確定

通過小波Duffing振子重構后的信號被稱為輸入信號。當檢測模型接收到輸入信號后，首先與標準信號進行第一次對比，若輸入信號中微弱信息頻率過低，則標準信號將代替輸入信號與下一個標準信號進行對比；若輸入信號中微弱信息頻率可被檢測，則輸入信號直接與下一個標準信號進行對比[11?12]。通過[n]次對比后，確定微弱信息待測信號頻率。具體操作流程如圖2所示。

2.3 基于小波變換的微弱信息幅值測量

基于小波變換的微弱信息幅值測量，利用混沌振子的信號檢測思路，通過Duffing振子的非線性恢復力，有規律地調節周期策動幅值的變化。當小波Duffing振子重構信號的振動幅度確定后，微弱信息待測信號頻率也可按照上述步驟確定。當待測信號經過節點位置時，小波變換的幅度會發生改變，微弱信息的幅值也會隨之發生改變[13]。每次改變發生時，對節點處微弱信息的具體幅值進行一次測量，整理每次測量結果，即可完成基于小波變換的微弱信息幅值測量。具體測量原理如圖3所示。

通過微弱信息小波變換去噪、小波Duffing振子重構信號檢測、微弱信息待測信號頻率確定、基于小波變換的微弱信息幅值測量，即可完成基于小波變換微弱信息檢測模型的搭建。

3 實驗結果與分析

為驗證基于小波變換微弱信息檢測模型的實用價值，以2臺頻率相同的信號發射器作為實驗對象，隨機挑選一臺作為實驗組，另一臺作為對照組。實驗開始前按照表1完成實驗參數的設定。

3.1 實驗參數設置

表1中參數名稱依次為純噪信號強度、純噪信號幅值、信號強度、凈信號強度、凈信號幅值、微弱信息含量，其中信號強度為Ⅴ級，代表發射器發射出的信號為穩定可接受的。

3.2 純噪信號幅值對比

完成參數設定后，同時打開2臺信號發射器，發射夾雜純噪信號的微弱信號。令實驗組應用基于小波變換的微弱信息檢測模型過濾純噪信號，對照組應用普通方法過濾純噪信號。完成過濾后，用接收器接收去除純噪信號的微弱信號。完成信號接收后，對比兩組接收到微弱信號中純噪信號的幅值。純噪信號幅值與REV曲線存在正比關系，當REV曲線越密集時，純噪信號幅值越高，反之則越低。分別對比實驗組與對照組在低頻情況下與高頻情況下的純噪信號幅值，具體結果如圖4，圖5所示。

分析圖4可知，在低頻情況下，實驗組與對照組REV曲線的極限都能達到1.20 cm，但對照組REV曲線的密集程度明顯高于實驗組。分析圖5可知，在高頻情況下，實驗組與對照組REV曲線的極限都能達到2.41 cm，但對照組REV曲線的密集程度依然明顯高于實驗組。所以可以證明應用基于小波變換的微弱信息檢測模型可以大幅降低純噪信號幅值。

3.3 純噪信號強度對比

完成純噪信號幅值對比后，保持信號發射器的工作狀態，實驗組繼續使用基于小波變換的微弱信息檢測模型過濾純噪信號，對照組使用普通方法過濾純噪信號。過濾完成后，對比接收到微弱信號中純噪信號的強度。純噪信號強度與FEW曲線存在制約關系，FEW曲線變化幅度越大，純噪信號強度越小，反之則越大。分別對比實驗組與對照組在低頻情況下與高頻情況下的純噪信號強度，具體結果如圖6，圖7所示。

分析圖6可知，在低頻情況下，實驗組FEW曲線最大值為3.04，最小值低于2.07，二者差值大于0.97；對照組最大值與最小值的差值明顯低于實驗組。分析圖7可知，在高頻情況下，實驗組FEW曲線最大值為6.08，最小值接近1.43，二者差值約等于4.65；對照組最大值與最小值的差值明顯低于實驗組。所以可證明應用基于小波變換的微弱信息檢測模型可以大幅降低純噪信號強度。

4 結 語

本文針對傳統微弱信息檢測方法存在的弊端，提出基于小波變換的微弱信息檢測模型，通過本文所提方法，可完成基于小波變換微弱信息檢測模型的搭建，并通過對比實驗的方式驗證了該模型的實用性價值。

參考文獻

[1] 歐芬蘭，郭金泉，鐘劍鋒，等.基于平穩小波變換的懸臂梁微小缺陷檢測方法研究[J].機電工程，2015，32（6）：762?767.

OU Fenlan， GUO Jinquan， ZHONG Jianfeng， et al. Small crack identification in cantilever beams by stationary wavelet transform [J]. Journal mechanical & electrical engineering， 2015， 32（6）： 762?767.

[2] 王鍇，劉志國，劉剛，等.基于自適應層數分解的小波變換濾除沖擊信號[J].湖南大學學報（自然科學版），2015，42（10）：65?71.

WANG Kai， LIU Zhiguo， LIU Gang， et al. Shock signal filtering based on adaptive decomposition level of wavelet transformation [J]. Journal of Hunan University （natural sciences）， 2015， 42（10）： 65?71.

[3] 藍和慧，胡浩瀚，孟祥冉，等.基于小波變換濾波算法的便攜心電測試儀設計[J].渤海大學學報（自然科學版），2015，36（3）：249?255.

LAN Hehui， HU Haohan， MENG Xiangran， et al. Filtering algorithm based on wavelet transform of the portable ECG test instrument design [J]. Journal of Bohai University （natural science edition）， 2015， 36（3）： 249?255.

[4] 賀利芳，崔瑩瑩，張天騏，等.基于冪函數型雙穩隨機共振的故障信號檢測方法[J].儀器儀表學報，2016，37（7）：1457?1467.

HE Lifang， CUI Yingying， ZHANG Tianqi， et al. Fault signal detection method based on power function type bistable stochastic resonance [J]. Chinese journal of scientific instrument， 2016， 37（7）： 1457?1467.

[5] 王一丁，買熱哈巴·優素甫江.透明液體中低對比度雜質檢測方法的研究[J].計算機測量與控制，2016，24（10）：57?60.

WANG Yiding， MAIREHABA Yousufujiang. Study on detection method of low contrast impurities in transparent liquid [J]. Computer measurement & control， 2016， 24（10）： 57?60.

[6] 賈繼德，吳春志，賈翔宇，等.基于壓縮小波變換與增強的發動機故障特征提取[J].軍事交通學院學報，2016，18（12）：43?47.

JIA Jide， WU Chunzhi， JIA Xiangyu， et al. Engine failure feature extraction based on synchrosqueezed wavelet transform and enhancement [J]. Journal of Academy of Military Transportation， 2016， 18（12）： 43?47.

[7] 王友仁，陳偉，孫燦飛，等.基于能量聚集度經驗小波變換的齒輪箱早期微弱故障診斷[J].中國機械工程，2017，28（12）：1484?1490.

WANG Youren， CHEN Wei， SUN Canfei， et al. Early weak fault diagnosis of gearboxes based on energy aggregation and EWT [J]. China mechanical engineering， 2017， 28（12）： 1484?1490.

[8] 侯新國，牛超，楊忠林.基于最優Morlet小波自適應包絡解調的弱故障特征提取方法[J].電機與控制學報，2016，20（10）：88?93.

HOU Xinguo， NIU Chao， YANG Zhonglin. Method to extract weak fault feature based on optimal Morlet wavelet adaptive envelope demodulation [J]. Electric machines and control， 2016， 20（10）： 88?93.

[9] 張炳剛，許四祥，侍海東，等.基于小波變換圖像融合的鎂熔液弱小目標檢測[J].安徽工業大學學報（自然科學版），2015，32（1）：55?59.

ZHANG Binggang， XU Sixiang， SHI Haidong， et al. Weak and dim target detection based on image fusion of wavelet transform in magnesium alloy melt [J]. Journal of Anhui University of Technology （natural science）， 2015， 32（1）： 55?59.

[10] 梁豐，張志利，李向陽，等.基于小波變換和Kalman濾波的虛擬人空間位置處理[J].系統仿真學報，2016，28（1）：213?219.

LIANG Feng， ZHANG Zhili， LI Xiangyang， et al. Processing method of space locations of virtual human based on wavelet transform and Kalman filter [J]. Journal of system simulation， 2016， 28（1）： 213?219.

[11] RAFA? G， KAROL G， PAWE? L， et al. Reasons for the experimental research of gas outflows based on the signals of weak interactions between the tested model of the gas pipeline， and tested equalizer [J]. Journal of Konbin， 2015， 34（1）： 39?48.

[12] QUANDT V I， PACOLA E R， PICHORIM S F， et al. Pulmonary crackle characterization： approaches in the use of discrete wavelet transform regarding border effect， mother?wavelet selection， and subband reduction [J]. Res. biomed. Eng.， 2015， 31（2）： 148?159.

[13] WANG H C， GUO Z Q， XIANG G Q， et al. Time?frequency feature extraction of rolling bearing′s early weak fault based on wavelet de?noising using neighboring coefficients [J]. Journal of aerospace power， 2017， 32（5）： 1266?1272.