常用信号去噪与信号回归方法的原理及MATLAB实现

常用信号去噪与回归方法的原理及MATLAB实现

一、应用背景

  “信号去噪”与“信号回归”是信号处理的基本技术。本博客针对一类特殊的问题（峰值缓变函数优化），对这两类技术展开讨论。
  峰值缓变函数是指最值附近的函数值变化十分平稳，当存在噪声干扰时，会导致优化算法的性能十分不稳定。因此，对于这类函数（信号）为了充分发挥优化算法的性能，可在前期进行“去噪”或“回归”处理。

例如：
$$f\left(x\right)=\frac{1}{1+{\left(x-1\right)}^6\text{ + }0.02x}$$

该函数（信号）及其加噪后的最优解如下所示：

原始信号	加噪后信号（${\sigma }^2$ =0.02）
$x_{opt}$=0.68	$x_{opt}$=1.05

接下来，便针对如何从含噪信号最大程度恢复最优解展开讨论与实验。

---

二、信号去噪

1、低通滤波去噪

  由于目标函数在峰值附近的缓变的，故峰值附近的频谱以低频分量为主；而噪声往往分布在高频区域。故直接进行低通滤波可在一定程度上实现去噪，而几乎不会改变峰值的特性。

	原始信号	含噪信号	去噪信号
信号
频谱
最优解	$x_{opt}$=0.68	$x_{opt}$=1.05	$x_{opt}$=0.66

2、小波分解去噪

2.1 Mallat金字塔算法

  Mallat金字塔算法，利用“双尺度关系”，为小波变换赋予了“多分辨率表示”的物理意义。内层分解表示信号的基本（大尺度）信息，而越往外层，分解提供越细节（小尺度）的信息。

2.2 小波基的选取

2.2.1 小波基的种类

MATLAB小波基函数（MathWorks）
MATLAB中的小波基介绍（CSDN）

2.2.2 小波基的选取原则

① 正交性
② 支撑区间
  支撑区间长度是指随 时间/频率 趋于 ∞ 时，小波函数收敛到零所需的长度。
  “紧支撑”是指对于函数 f(x)，如果自变量 x 在 0 附近的取值范围内，f(x) 能取到值；而在此之外，f(x) 取值为 0，那么这个函数 f(x) 就是紧支撑函数，而这个 0 附近的取值范围就叫做紧支撑集。总结为一句话就是“除在一个很小的区域外，函数取值为零，即函数有速降性”。
③ 对称性
  对称性使小波具有线性相移，这对于图像处理具有重要意义。
④ 正则性
  正则性描述小波基函数的平滑程度

2.3 小波分解去噪仿真

这里选取 7 层小波分解，内3层利用软阈值（0.014）处理，外4层利用硬阈值置0；

	原始信号	含噪信号	去噪信号
信号
最优解	$x_{opt}=0.68$	$x_{opt}=1.05$	$x_{opt}=0.71$

3、奇异值分解去噪

3.1 信号奇异值分解去噪原理

  前面所述的傅里叶变换与小波变换，都是从信号能量入手，通过对信号进行某种分解，实现去噪。
  而借助奇异值分解（SVD）我们可以从信号结构层面进行去噪。然而，奇异值分解是针对矩阵的，这里待去噪信号仅有一个一维信号，故我们首先需要构造信号的重构矩阵。

3.1.1 信号的矩阵重构

  对于信号 $y(i),i=1,2,...,N$，基于相空间重构理论，可以由其构造重构矩阵$A$

$$\left[\begin{array}{cccc}y(1)& y(2)& \cdots & y(N-L+1)\\ y(2)& y(3)& \cdots & y(N-L+2)\\ ⋮& ⋮& \ddots & ⋮\\ y(L)& y(L+1)& \cdots & y(N)\end{array}\right]$$

其中，不同的 L 选取，对应着不同尺寸的重构矩阵，一般 L 取为信号长度的一半。

3.1.2 信号奇异值分解去噪流程