基于ICEEMD-ICA与MDP准则的变形监测数据去噪方法

许承权, 范千

许承权, 范千. 基于ICEEMD-ICA与MDP准则的变形监测数据去噪方法[J]. 武汉大学学报 ( 信息科学版), 2021, 46(11): 1658-1665. DOI: 10.13203/j.whugis20190174
引用本文: 许承权, 范千. 基于ICEEMD-ICA与MDP准则的变形监测数据去噪方法[J]. 武汉大学学报 ( 信息科学版), 2021, 46(11): 1658-1665. DOI: 10.13203/j.whugis20190174
XU Chengquan, FAN Qian. Denoising Method for Deformation Monitoring Data Based on ICEEMD-ICA and MDP Principle[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1658-1665. DOI: 10.13203/j.whugis20190174
Citation: XU Chengquan, FAN Qian. Denoising Method for Deformation Monitoring Data Based on ICEEMD-ICA and MDP Principle[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1658-1665. DOI: 10.13203/j.whugis20190174

基于ICEEMD-ICA与MDP准则的变形监测数据去噪方法

基金项目: 

国家自然科学基金 41404008

福建省自然科学基金 2020J01834

福建省交通运输科技项目 202103

厦门市建设局科技计划 XJK2020-1-7

福建省住建厅科技研究开发计划 2020-K-73

龙岩市科技计划 2020LYF9005

广西空间信息与测绘重点实验室开放基金 19-185-10-03

详细信息
    作者简介:

    许承权,博士,副教授,主要研究方向为GNSS变形监测、无人机摄影测量技术。30418388@qq.com

    通讯作者:

    范千,博士,副教授。fanqian@fzu.edu.cn

  • 中图分类号: P207;P237

Denoising Method for Deformation Monitoring Data Based on ICEEMD-ICA and MDP Principle

Funds: 

The National Natural Science Foundation of China 41404008

the Natural Science Foundation of Fujian Province 2020J01834

Fujian Provincial Transport Science and Technology Project 202103

Science and Technology Project of Xiamen Construction Bureau XJK2020-1-7

Science and Technology Research and Development Project of Fujian Provincial Housing and Construction Department 2020-K-73

Science and Technology Project of Longyan City 2020LYF9005

Open Fund of Guangxi Key Laboratory of Spatial Information and Geomatics 19-185-10-03

More Information
    Author Bio:

    XU Chengquan, PhD, associate professor, majors in GNSS deformation monitoring, UAV photogrammetry technology. E-mail: 30418388@qq.com

    Corresponding author:

    FAN Qian, PhD, associate professor. E-mail: fanqian@fzu.edu.cn

  • 摘要: 针对经验模态分解(empirical mode decomposition,EMD)方法存在信噪分离不准确的缺陷,以及独立分量分析(independent component analysis,ICA)存在不确定性的问题,提出了一种改进完备集成经验模态分解(improved complete ensemble empirical mode decomposition, ICEEMD)、ICA与最小失真准则(minimal distortion principle,MDP)相结合进行变形数据去噪的方法。首先,使用ICEEMD方法对变形监测数据进行有效分解,并以此构建虚拟噪声信号;其次,对虚拟噪声进行二次ICEEMD分解,提取更接近真实噪声的二次虚拟噪声信号,再以二次虚拟噪声和原变形数据组成输入观测通道,使用ICA进行处理;然后,通过计算ICA处理后的独立分量与输入信号的相关系数,解决独立分量的排序不确定性与相位不确定性问题;最后,使用MDP准则有效解决了独立分量的幅值不确定性。对加噪仿真数据和实际桥梁GNSS变形监测数据进行详细分析,结果表明,所提方法可取得良好的去噪效果,有效提升去噪的性能指标,充分验证了所提方法在变形监测数据去噪中具备的可行性和有效性。
    Abstract:
      Objectives  Considering the inaccurate separation of signal and noise of empirical mode decomposition (EMD) method and the uncertainty of independent component analysis (ICA), a new method for denoising deformation data with improved complete ensemble empirical mode decomposition (ICEEMD), independent component analysis (ICA) and minimal distortion principle (MDP) is proposed.
      Methods  Firstly, ICEEMD method is used to decompose the deformation monitoring data effectively, and the virtual noise signal is constructed. Secondly, ICEEMD decomposition of virtual noise is carried out to extract twice virtual noise signal which is closer to real noise. The input observation channel is composed of twice virtual noise and original deformation data and processed by ICA. Then, by calculating the correlation coefficient between the independent components and the input signal after ICA processing, the sorting uncertainty and phase uncertainty of independent components can be solved. Finally, the MDP criterion is used to effectively solve the amplitude uncertainty of independent components.
      Results  Through the detailed analysis of noisy simulation data and actual bridge GNSS deformation monitoring data, the results show that the proposed method has achieved good denoising effect and can effectively improve the performance of denoising.
      Conclusions  It also fully verified the feasibility and effectiveness of the proposed method indenoising of deformation monitoring data.
  • 在对工程建筑物、构筑物进行变形监测时,由于仪器自身观测精度、外部环境干扰等多种因素,使得获取的变形监测数据总是会受到噪声的影响。为此,需要对变形监测数据进行去噪处理,并在此基础上准确地提取出变形特征信息。随着现代信号处理方法的发展,小波分析、小波包分析已在变形监测领域取得了较多的成功应用[1-3]。但在使用小波分析、小波包分析进行数据去噪时,都需提前设置小波基和分解层数。而不同的小波基和分解层数对去噪效果有较大的影响,所以小波、小波包分析并不具备自适应去噪能力。

    近年来,一种自适应信号处理方法——经验模态分解(empirical mode decomposition,EMD)方法被广泛研究[4],并在变形监测数据去噪中取得了一定的应用[5-7]。但EMD方法在信号分解过程中易产生模态混叠、端点效应等问题,在一定程度上影响了变形数据的去噪效果。文献[8]提出的集成经验模态分解(ensemble EMD,EEMD)有效解决了模态混叠问题;文献[9]在EEMD的基础上,提出了完备集成经验模态分解(complete EEMD,CEEMD)方法,进一步提高了信号重构的精度和计算效率;由于CEEMD方法也存在模态残余噪声及冗余模态的问题,因此文献[10]提出了改进的CEEMD(improved CEEMD,ICEEMD)方法,可有效地解决CEEMD方法的缺陷。

    独立分量分析(independent component analysis,ICA)是一种可以实现信号盲源分离的方法。文献[11-14]提出了利用EMD联合ICA的信号去噪方法,都取得了较好的去噪效果。但ICA方法在去噪过程中存在幅值不确定性、排序不确定性、相位不确定性等问题,上述文献中并没有给出解决的办法。

    为此,本文提出一种ICEEMD结合ICA的变形监测数据去噪方法,使用最小失真准则(minimal distortion principle,MDP)有效解决了ICA处理中出现的幅值不确定性问题。通过对加噪仿真数据和实际桥梁的全球导航卫星系统(global navigation satellite system,GNSS)变形监测数据进行去噪分析,发现所提方法取得了良好的去噪效果,有效验证了其可行性和优越性。

    ICEEMD方法以CEEMD方法为基础,通过直接估算局部均值并从原始信号中将其减去,以降低信号分解后模态中的残余噪声。此外,其利用Ek(ωi)Ek()表示利用EMD处理得到的第k阶模态的算子;ωi为零均值单位方差高斯白噪声变量)而不是直接使用白噪声来提取第k阶模态函数,减少了冗余模态的影响[10]。ICEEMD具体分解步骤如下:

    1)利用EMD对信号进行I次分解,获得第1个余项如下:

    r1=M(xi)

    式中,表示对整体求平均;xi=x+β0E1(ωi)x为原始信号,βi=ε0std(ri)ri为第i个余项,ε0为噪声标准差;M()为产生信号局部均值的算子。

    2)计算第1阶模态(intrinsic mode functions,IMF)为:

    IMF1=x-r1

    3)计算第2个余项和第2阶模态为:

    r2=M(r1+β1E2(ωi))
    IMF2=r1-r2

    4)当k=3, 4KK为固有模态总量)时,计算第k个余项和第k阶模态为:

    rk=M(rk-1+βk-1Ek(ωi))
    IMFk=rk-1-rk

    5)重复步骤4)可得到所有模态。

    ICA方法的作用是把观测信号线性分解为若干个相互独立的源信号分量,可以表示为:

    X=AS

    式中,Xm维观测信号;Sn维源信号分量矩阵;Am×n(mn)维混合矩阵。

    ICA的目标就是寻找混合矩阵A的逆矩阵,即分离矩阵W,使输出矩阵Y=WX为源信号S的最优估计。考虑观测信号中含有噪声的情形,则X变为:

    X=S+i=1daini

    式中,ai为噪声向量ni在观测中的权重;d为噪声的个数。为了利用ICA处理这种一维信号,需构建适当的虚拟噪声,将一维观测信号扩展到多维观测信号[15]。设构建的虚拟噪声为n=[n1,n2nd]T,则式(7)可表示为:

    X=S+i=1dainin1n2ndT=1a1a2ad0100001000001Sn1n2nd=AS

    从式(9)可以看出,通过虚拟噪声的引入,ICA可求取A的逆矩阵来估计分离矩阵W,以分离得到一维源信号,从而实现对观测信号进行去噪的目的[16]。本文采用的是基于负熵最大化的快速ICA(FastICA)算法,具体流程可参考文献[17]。

    由于缺少源信号的先验知识,将导致ICA产生幅值不确定性、排序不确定性与相位不确定性,因此在信号去噪的过程中,这3个不确定问题必须予以解决。

    在§1的基础上,本文提出了一种新的变形监测数据噪声分离方法,其实现流程如下:

    1)对含有噪声的变形监测数据x(t)使用ICEEMD方法进行有效分解,计算分解后的各个IMF分量与x(t)之间的相关系数。根据文献[18],在K1-1阶处相关系数产生局部极小值时,判定前K1-1阶IMF分量为噪声分量。

    2)将判定的前K1-1阶IMF分量进行重构作为虚拟观测噪声,计算如下:

    noise=m=1K1-1IMFm(t)

    3)从式(9)可知,虚拟噪声与真实噪声越接近,则分离出来的源信号越准确。考虑到经ICEEMD一次分解后的高频分量中还可能包含有源信号的有效成分,为此,本文采用ICEEMD方法对式(10)中的noise信号进行二次分解,并去除noise信号中有效成分,重构二次分解后的高频噪声分量,以获取更接近真实噪声的noise2信号。

    4)将noise2信号与原变形监测数据序列x(t)组成多维观测通道作为ICA的输入,使用FastICA算法进行信噪分离,获取包含有效信号的独立分量x'(t)

    为了解决ICA存在的三大不确定性问题,本文采用相关系数法与MDP准则对经ICA分离后的独立分量进行处理,具体步骤如下:

    1)计算ICA分离后的独立分量x'(t)和ICA输入信号x(t)之间的相关系数为:

    ρx'x=i=1Nx'(i)x(i)i=1Nx2(i)i=1Nx'i2(i)

    一般0ρx'x1。当ρx'x越大时,独立分量x'(t)x(t)相似度越高,可据此判断ICA分离后的独立分量是否需要进行重新排序,以消除排序不确定性问题。

    由于经ICA分离后的独立分量与原输入信号间还存在有相位不确定问题,即两者之间可能同相或反相,反相时相位差为180°。当x'(t)x(t)反相时,即-1ρx'x0,其波形将互为镜像。可以看出,根据ρx'x也可解决相位不确定性问题,反相时独立分量直接取负值即可。

    2)ICA分离后的独立分量如何恢复幅值是众多文献中没有明确解决的一大难点。本文根据文献[19]提出的MDP准则,用于修正ICA的分离矩阵W,有效地解决了幅值不确定问题。首先,根据相关系数对独立分量进行排序,原分离矩阵W对应的行数根据独立分量排序的调整也进行相应的调整,记排序后的分离矩阵为W1;然后,根据MDP准则,可得到修正幅值的分离矩阵W2=diag(diag(W1-1))W1

    W2乘以ICA的输入观测信号,可得到消除幅值不确定性的ICA独立分量。本文仅使用虚拟噪声加原始数据序列的双观测通道作为ICA的输入,如果使用多个虚拟观测噪声通道,上述算法依然可行。另外,本文不需对独立分量进行相位处理,仅根据相关系数法对分离矩阵进行重新排序后利用MDP准则即可消除三大不确定性的影响。

    为了对模型的去噪效果进行定量的分析,设置评价指标为:信噪比(signal-to-noise ratio,SNR)和均方根误差(root mean squared error,RMSE),计算公式如下:

    SNR=10lgi=1N(x(i))2/i=1N(x(i)-x'(i))2
    RMSE=1Ni=1N(x(i)-x'(i))2

    式中,x为原始信号;x'为去噪后信号。

    以标准测试Bumps信号作为仿真信号,信号采样长度取值为4 096。以其为基础,加入5 dB的噪声信号以形成加噪仿真信号,如图 1所示。

    图  1  加噪Bumps信号与各组成成分
    Figure  1.  Noisy Bumps Signals and the Components

    对加噪Bumps信号使用ICEEMD方法进行分解,其总体平均次数设置为100,噪声标准差设置为0.2,此参数为文献[810]推荐的默认设置。经过ICEEMD方法的有效分解,可以获得11个IMF分量及1个余项。计算各个IMF分量(包含最后1个余项)与加噪Bumps信号之间的相关系数,结果如图 2所示。

    图  2  各个IMF分量与原加噪Bumps信号的相关系数
    Figure  2.  Correlation Coefficient of Each IMF and Original Noisy Bumps Signal

    图 2中可以看出,前4阶IMF分量处的相关系数呈现单调递减趋势,从第5个IMF分量开始相关系数增大,所以判定前4个IMF分量为噪声分量。对其应用式(10)进行重构以获得虚拟噪声noise信号。

    考虑到经高频IMF分量重构的虚拟噪声noise信号中仍可能包含有一定的有效成分,本文继续使用ICEEMD方法对noise信号进行分解,并与上述处理步骤类似,本文将其称之为二次噪声处理。计算二次分解后的各个IMF分量与noise信号之间的相关系数,结果如图 3所示。从图 3可以看出,二次分解后前3个IMF分量为噪声分量,将其进行重构获得noise2信号。noise2信号与noise信号中包含的有效信号如图 4所示。

    图  3  二次分解后各个IMF分量与noise信号的相关系数
    Figure  3.  Correlation Coefficient Between IMF Components and Noise Signal After Two Decomposition
    图  4  noise2信号及noise信号中的有效成分
    Figure  4.  Noise2 Signal and Effective Components in Noise Signal

    将noise2信号与原Bumps加噪信号组成ICA输入通道,使用FastICA算法进行处理,结果如图 5所示。由于只有两个输入信号,仅需计算第1个独立分量IC1(图 5(c))与原ICA输入信号(图 5(b))之间的相关系数,其相关系数为0.896 1,相关程度非常高,因此需对ICA分离出的独立分量进行重新排序,分离矩阵也需作出相应排序调整。由于相关系数为正值,从图 5中可以看出,IC1分量与原加噪Bumps信号波形同相;ICA独立分量与原加噪Bumps信号间的幅值变化明显,如不对其进行幅值修正,去噪将变得没有任何意义。使用MDP准则,消除不确定性后的ICA分量如图 6所示。

    图  5  ICA分离结果
    Figure  5.  ICA Separation Results
    图  6  消除不确定性后ICA分离结果
    Figure  6.  ICA Separation Results After Eliminating Uncertainties

    为了对比验证本文所提方法的去噪效果,还采用了以下3种对比方法对加噪Bumps信号进行处理:(1)ICEEMD强制去噪法,即在判断出噪声层数后,直接舍去高频IMF分量,对其余分量进行重构;(2)ICEEMD分解后构建虚拟噪声时,不进行二次噪声提取,其余与本文方法一致,将其称之为ICEEMD-ICA方法;(3)参考文献[11]使用的EMD-ICA方法,另外增加MDP准则进行幅值恢复。计算4种方法的去噪性能指标如表 1所示,4种去噪方法的结果对比如图 7所示。

    表  1  4种方法的去噪指标
    Table  1.  Denoising Indexes of Four Methods
    去噪方法 SNR/dB RMSE
    ICEEMD 10.727 3 0.209 8
    EMD-ICA 9.514 7 0.241 3
    ICEEMD-ICA 10.152 1 0.224 2
    本文方法 12.765 7 0.165 9
    下载: 导出CSV 
    | 显示表格
    图  7  4种方法的去噪结果对比
    Figure  7.  Comparison of Denoising Results Using Four Methods

    表 1图 7中可以看出,本文所提方法的信噪比最大,均方根误差最小,达到了最优的去噪效果;ICEEMD强制去噪法的性能次之,表明ICEEMD方法可以取得较好的分解结果并准备对噪声分量进行重构;EMD-ICA方法的去噪性能较差,原因在于使用EMD方法对信号分解时其质量较差,难以消除模态混叠等问题,以此重构高频分量提取的虚拟噪声与真实噪声有较大差异,此时采用ICA处理难以分离出有效信号;ICEEMD-ICA方法的去噪性能稍优于EMD-ICA方法,但由于一次虚拟噪声也并不能很好地接近真实噪声,所以其表现也不佳。

    本文采用某大型悬索桥GNSS动态健康监测系统2017-03-03的SHM3监测点实际变形数据进行实例分析,其采样频率为10 Hz,截取已投影到桥梁独立坐标系x方向上的1 024个历元位移变形量作为研究对象,如图 8所示。该健康监测系统设置了8个监测站与1个基准站,在各站上都安装了Leica GR10专业型接收机,其数据解算采用实时动态测量(real-time kinematic,RTK)模式,其中SHM3监测点位于桥梁中跨上游位置[20]

    图  8  x方向变形序列
    Figure  8.  x Direction Deformation Series

    x方向变形时间序列应用ICEEMD分解,其参数设置采用与仿真信号一致的默认设置。在判定噪声层数后构建虚拟噪声,并进行二次噪声处理,进而构成ICA双输入通道,使用FastICA进行信号分离处理,其分离结果如图 9所示。

    图  9  实例数据中ICA分离结果
    Figure  9.  ICA Separation Results of Instance Data

    图 9(d)中IC2独立分量与原变形序列之间的相关系数为-0.997 5,因此无需对独立分量进行排序调整。但由于相关系数为负值,可以看出IC2独立分量与原变形序列的波形互为镜像。通过使用MDP准则,消除不确定性后的ICA分量如图 10所示。

    图  10  实例数据中消除不确定性后ICA分离结果
    Figure  10.  ICA Separation Result After Eliminating Uncertainties of Instance Data

    与仿真信号分析类似,计算得到4种方法的去噪性能指标如表 2所示。从表 2可以看出,本文所提方法的去噪效果仍然最优;ICEEMD-ICA方法的去噪性能要稍优于ICEEMD强制去噪方法,表明在一次分解重构后即可以获得质量稍优的虚拟噪声;EMD-ICA的去噪性能仍然不佳,这是受到了EMD方法的分解能力所限。图 11给出了给出了4种方法的去噪结果对比。从图 11可看出,ICEEMD强制去噪后曲线最为光滑,这是因为其直接剔除了噪声分量的缘故;其余3种方法由于采用了ICA进行分离,其去噪效果与所构建的虚拟噪声的质量有关。

    表  2  实例数据中4种方法的去噪指标
    Table  2.  Denoising Indexes of Four Methods in Instance Data
    去噪方法 SNR/dB RMSE/10-4m
    ICEEMD 24.964 2 7.768 8
    EMD-ICA 23.263 4 9.449 1
    ICEEMD-ICA 25.518 0 7.288 9
    本文方法 29.129 8 4.809 2
    下载: 导出CSV 
    | 显示表格
    图  11  实例数据中4种方法的去噪结果对比
    Figure  11.  Comparison of Denoising Results of Instance Data Using Four Methods

    本文提出了一种结合ICEEMD、ICA、MDP准则的变形监测数据去噪新方法。该方法充分利用ICEEMD优良的分解特性,以其建立准确的虚拟噪声信号,在此基础上利用ICA对变形数据进行了信噪分离,并通过使用相关系数法与MDP准则,有效解决了原ICA分离后存在的三大不确定性问题。应用所提方法对加噪仿真信号与实际桥梁GNSS变形监测数据进行了详细的去噪分析,其研究结果表明本文方法具有良好的去噪性能。在去噪效果上,本文方法要优于不进行二次虚拟噪声处理的直接ICEEMD-ICA方法,也要优于EMD-ICA方法、ICEEMD强制去噪方法。这证明了本文所提方法在变形监测数据去噪领域具备的可行性和有效性。

  • 图  1   加噪Bumps信号与各组成成分

    Figure  1.   Noisy Bumps Signals and the Components

    图  2   各个IMF分量与原加噪Bumps信号的相关系数

    Figure  2.   Correlation Coefficient of Each IMF and Original Noisy Bumps Signal

    图  3   二次分解后各个IMF分量与noise信号的相关系数

    Figure  3.   Correlation Coefficient Between IMF Components and Noise Signal After Two Decomposition

    图  4   noise2信号及noise信号中的有效成分

    Figure  4.   Noise2 Signal and Effective Components in Noise Signal

    图  5   ICA分离结果

    Figure  5.   ICA Separation Results

    图  6   消除不确定性后ICA分离结果

    Figure  6.   ICA Separation Results After Eliminating Uncertainties

    图  7   4种方法的去噪结果对比

    Figure  7.   Comparison of Denoising Results Using Four Methods

    图  8   x方向变形序列

    Figure  8.   x Direction Deformation Series

    图  9   实例数据中ICA分离结果

    Figure  9.   ICA Separation Results of Instance Data

    图  10   实例数据中消除不确定性后ICA分离结果

    Figure  10.   ICA Separation Result After Eliminating Uncertainties of Instance Data

    图  11   实例数据中4种方法的去噪结果对比

    Figure  11.   Comparison of Denoising Results of Instance Data Using Four Methods

    表  1   4种方法的去噪指标

    Table  1   Denoising Indexes of Four Methods

    去噪方法 SNR/dB RMSE
    ICEEMD 10.727 3 0.209 8
    EMD-ICA 9.514 7 0.241 3
    ICEEMD-ICA 10.152 1 0.224 2
    本文方法 12.765 7 0.165 9
    下载: 导出CSV

    表  2   实例数据中4种方法的去噪指标

    Table  2   Denoising Indexes of Four Methods in Instance Data

    去噪方法 SNR/dB RMSE/10-4m
    ICEEMD 24.964 2 7.768 8
    EMD-ICA 23.263 4 9.449 1
    ICEEMD-ICA 25.518 0 7.288 9
    本文方法 29.129 8 4.809 2
    下载: 导出CSV
  • [1] 章浙涛, 朱建军, 匡翠林, 等. 一种小波包混合滤波方法及其应用[J]. 武汉大学学报·信息科学版, 2014, 39(4): 471-475 doi: 10.13203/j.whugis20120141

    Zhang Zhetao, Zhu Jianjun, Kuang Cuilin, et al. A Hybrid Filter Method Based on Wavelet Packet and Its Application[J]. Geomatics and Information Science of Wuhan University, 2014, 39(4): 471- 475 doi: 10.13203/j.whugis20120141

    [2] 栾元重, 栾亨宣, 李伟, 等. 桥梁变形监测数据小波去噪与Kalman滤波研究[J]. 大地测量与地球动力学, 2015, 35(6): 1 041-1 045 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201506031.htm

    Luan Yuanzhong, Luan Hengxuan, Li Wei, et al. Research on Wavelet Denoising and Kalman Filter in Bridge Deformation Data[J]. Journal of Geodesy and Geodynamics, 2015, 35(6): 1 041-1 045 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201506031.htm

    [3]

    Yi T H, Li H N, Gu M. Wavelet Based Multi-step Filtering Method for Bridge Health Monitoring Using GPS and Accelerometer[J]. Smart Structures and Systems, 2013, 11(4): 331-348 doi: 10.12989/sss.2013.11.4.331

    [4]

    Huang N E, Shen Z, Long S R, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceeding of the Royal Society: A Mathematical Physical & Engineering Sciences, 1998, 454 (1): 903-995 http://www.ccpo.odu.edu/~klinck/Reprints/PDF/huangPRSLA1998.pdf

    [5] 罗亦泳, 黄城, 张静影. 基于变分模态分解的变形监测数据去噪方法[J]. 武汉大学学报·信息科学版, 2020, 45(5): 784-790 doi: 10.13203/j.whugis20180437

    Luo Yiyong, Huang Cheng, Zhang Jingying. Denoising Method of Deformation Monitoring Data Based on Variational Mode Decomposition[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5): 784-790 doi: 10.13203/j.whugis20180437

    [6] 范千. 单历元GPS变形信息特征提取的EMD方法[J]. 山东科技大学学报(自然科学版), 2011, 30(5): 78-82 https://www.cnki.com.cn/Article/CJFDTOTAL-SDKY201105016.htm

    Fan Qian. Empirical Mode Decomposition Method for Single Epoch GPS Deformation Information Characteristic Extracting[J]. Journal of Shandong University of Science and Technology, 2011, 30 (5): 78-82 https://www.cnki.com.cn/Article/CJFDTOTAL-SDKY201105016.htm

    [7] 罗飞雪, 戴吾蛟. 小波分解与EMD在变形监测应用中的比较[J]. 大地测量与地球动力学, 2010, 30(3): 137-141 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201003034.htm

    Luo Feixue, Dai Wujiao. Comparison of EMD with Wavelet Decomposition for Dynamic Deformation Monitoring[J]. Journal of Geodesy and Geodynamics, 2010, 30(3): 137-141 https://www.cnki.com.cn/Article/CJFDTOTAL-DKXB201003034.htm

    [8]

    Wu Z H, Huang N E. Ensemble Empirical Mode Decomposition: A Noise Assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis, 2009, 1 (1): 1-41 doi: 10.1142/S1793536909000047

    [9]

    Torres M E, Colominas M A, Schlotthauer G, et al. A Complete Ensemble Empirical Mode Decom position with Adaptive Noise[C]// International Conference on Acoustics, Speech and Signal Processing(ICASSP), Prague, Czech Republic, 2011

    [10]

    Colominas M A, Schlotthauer G, Torres M E. Improved Complete Ensemble EMD: A Suitable Tool for Biomedical Signal Processing[J]. Biomedical Signal Processing and Control, 2014, 14(1): 19-29 http://download.xuebalib.com/n2fU9SncaWt.pdf

    [11] 吴金斌, 周世健. 经验模式分解联合独立分量分析降噪研究[J]. 测绘科学, 2016, 41(7): 197-201 https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD201607035.htm

    Wu Jinbin, Zhou Shijian. The De-noising Study Based on Empirical Mode Decomposition and Independent Component Analysis[J]. Science of Surveying and Mapping, 2016, 41(7): 197-201 https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD201607035.htm

    [12] 于帅, 刘超, 李盟盟, 等. EMD-WaveletICA耦合模型及其在GPS坐标序列降噪中的应用[J]. 测绘科学技术学报, 2016, 33(2): 139-144 https://www.cnki.com.cn/Article/CJFDTOTAL-JFJC201602006.htm

    Yu Shuai, Liu Chao, Li Mengmeng, et al. EMDWavelet-ICA Coupled Model and Its Application in GPS Coordinate Series De-noising[J]. Journal of Geomatics Science and Technology, 2016, 33(2): 139-144 https://www.cnki.com.cn/Article/CJFDTOTAL-JFJC201602006.htm

    [13] 赫彬, 张雅婷, 白艳萍. 基于ICA-CEEMD小波阈值的传感器信号去噪[J]. 振动与冲击, 2017, 36(4): 226-232 https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ201704036.htm

    He Bin, Zhang Yating, Bai Yanping. A Method for Sensor Signal De-noising Based on ICA-CEEMD Wavelet Threshold[J]. Journal of Vibration and Shock, 2017, 36(4): 226-232 https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ201704036.htm

    [14] 王胜, 李磊. 加权优选方法在信号分解中的应用与软件研制[J]. 测绘地理信息, 2020, 45(5): 54-58 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202005013.htm

    Wang Sheng, Li Lei. Application and Software Development of Weighted Optimization Method Used on Signal Decomposition[J]. Journal of Geomatics, 2020, 45(5): 54-58 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG202005013.htm

    [15] 徐信, 李志华, 杨越. 基于EMD-ICA的激电数据降噪处理方法[J]. 计算机应用研究, 2017, 34(6): 1 737-1 741 https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201706031.htm

    Xu Xin, Li Zhihua, Yang Yue. De-noising of IP Data Based on EMD-ICA[J]. Application Research of Computers, 2017, 34(6): 1 737-1 741 https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201706031.htm

    [16] 谢将剑, 张军国, 董方舟, 等. 基于虚拟观测的FastICA的坠砣位移的风荷载分量去除[J]. 铁道学报, 2014, 36(7): 44-50 https://www.cnki.com.cn/Article/CJFDTOTAL-TDXB201407008.htm

    Xie Jiangjian, Zhang Junguo, Dong Fangzhou, et al. FastICA Remove of Windload Component from Balance Weight Displacement Based on Virtual Observation[J]. Jouranl of the China Railway Society, 2014, 36(7): 44-50 https://www.cnki.com.cn/Article/CJFDTOTAL-TDXB201407008.htm

    [17]

    Hyvarinen A. Fast and Robust Fixed-Point Algorithms for Independent Component Analysis[J]. IEEE Transactions on Neural Networks, 1999, 10 (3): 626-634 http://www.cs.helsinki.fi/u/ahyvarin/papers/TNN99_reprint.pdf

    [18] 刘东瀛, 邓艾东, 刘振元, 等. 基于EMD与相关系数原理的故障声发射信号降噪研究[J]. 振动与冲击, 2017, 36(19): 71-77 https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ201719011.htm

    Liu Dongying, Deng Aidong, Liu Zhenyuan, et al. De-noising Method for Fault Acoustic Emission Signals Based on the EMD and Correlation Coefficient[J]. Journal of Vibration and Shock, 2017, 36 (19): 71-77 https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ201719011.htm

    [19]

    Matsuoka K. Minimal Distortion Principle for Blind Source Separation[C]// The 41st SICE Annual Conference, New York, USA, 2002

    [20]

    Meng X L, Nguyen D T, Xie Y L, et al. Design and Implementation of a New System for Large Bridge Monitoring-GeoSHM[J]. Sensors, 2018, 18(1): 775-797 http://www.mdpi.com/1424-8220/18/3/775/pdf

  • 期刊类型引用(9)

    1. 张西广,张龙飞,马钰锡,樊银亭. 基于密度峰值的海量云数据模糊聚类算法设计. 吉林大学学报(工学版). 2024(05): 1401-1406 . 百度学术
    2. 曹石磊,方猛,焦元冰. GNSS变形监测数据降噪方法研究. 测绘与空间地理信息. 2024(06): 209-213 . 百度学术
    3. 徐莎莎,胡靖,吕牡丹. 基于ICA改进ICEEMD的UDS重采样数学模型. 计算机仿真. 2024(07): 535-539 . 百度学术
    4. 石佳晨,岳春芳,朱明远,皮李浪. 基于CEEMDAN-改进小波阈值的大坝变形数据处理方法. 水利水电科技进展. 2024(05): 80-86+102 . 百度学术
    5. 罗玉婷,熊秋娥. 动态网络舆情异常数据准确监测算法仿真. 计算机仿真. 2024(09): 470-474 . 百度学术
    6. 潘志安,王茂发,陈亚睿. 含噪声混合云大数据流量SDN控制方法仿真. 计算机仿真. 2023(08): 478-482 . 百度学术
    7. 马琳. 基于ICEEMD-ICA准则进行数据处理的基坑变形组合预测研究. 地质与勘探. 2023(05): 1074-1082 . 百度学术
    8. 毛建中,朱小峰,兰丽景. 大跨径桥梁变形监测数据的组合降噪方法研究. 测绘与空间地理信息. 2023(12): 101-104+108 . 百度学术
    9. 赵雪冬,许承权,张磊,王小斌,李世勇. 变分模态分解的高层建筑振动特征提取与分析. 安徽地质. 2022(S2): 44-46 . 百度学术

    其他类型引用(7)

图(11)  /  表(2)
计量
  • 文章访问数:  1248
  • HTML全文浏览量:  550
  • PDF下载量:  93
  • 被引次数: 16
出版历程
  • 收稿日期:  2020-04-24
  • 发布日期:  2021-11-04

目录

/

返回文章
返回