超声信号降噪处理的创新融合算法

1.GWO-VMD

核心：使用灰狼优化算法优化VMD参数提升分解效率

将灰狼算法引入VMD分解中，以多尺度排列熵作为灰狼算法的自适应函数，对VMD小波阈值分解后IMF分量的噪声分量去噪，采用相关系数法将VMD分解的IMF分量区分为有用分量和噪声分量，然后利用小波阈值函数对噪声分量进一步去噪。

2.SE-PSO-VMD

核心：引入SE优化VMD的参数结合PSO进行自适应分解

通过VMD将USM振动信号分解为IMF，使用样本熵作为PSO的适应度函数，评估IMF分量的复杂度，并结合粒子群优化算法来优化IMF的数量和惩罚因子，确保分解效果最佳。

3.CEEMDAN-wavelet packet

核心：结合CEEMDAN与小波包分解提高分解精度

利用CEEMDAN对超声回波信号进行分解，得到IMF分量，利用相关系数法提取噪声成分，利用小波包阈值法对高频噪声成分进行处理。

4.ICEEMDAN-MMSV-WT

核心：改进的CEEMDAN结合多尺度奇异值分解与WT

ICEEMDAN将信号分解为IMF，MMSVC通过ICEEMDAN识别所有IMF，并将IMF分为高频和低频分量，高频IMF分量首先由WT进行去噪，然后与低频分量重构得到去噪信号。

四种算法对比总结

方法	优化算法	分解方法	去噪方法	优点
GWO-VMD	灰狼优化算法（GWO）	VMD	小波阈值去噪	全局搜索能力强，适合优化VMD参数
SE-PSO-VMD	粒子群优化（PSO）	VMD	样本熵优化	局部搜索能力强，适应信号复杂性
CEEMDAN-wavelet	无	CEEMDAN	小波包阈值去噪	减少模态混叠，适合处理高频噪声
ICEEMDAN-MMSV-WT	无	ICEEMDAN	多尺度奇异值分解+小波变换	进一步减少模态混叠，精确处理高频噪声

适用场景：

• GWO-VMD：适合需要全局优化VMD参数的场景，尤其是信号复杂度较高的情况。

• SE-PSO-VMD：适合需要局部精细优化VMD参数的场景，尤其是信号复杂度较高且噪声较多的情况。

• CEEMDAN-wavelet：适合需要减少模态混叠并处理高频噪声的场景。

• ICEEMDAN-MMSV-WT：适合需要进一步减少模态混叠并精确处理高频噪声的场景。