思路:借鉴其在最优小波基、分解层数的应用
[1]任海军,韦冲,谭志强等.基于CEEMDAN-IAWT方法的滚动轴承振动信号降噪[J].振动与冲击,2023,42(13):199-207+268.DOI:10.13465/j.cnki.jvs.2023.13.024.
CEEMDAN不再介绍
他这个改进的IAWT有两个创新,第一:提出指标来帮助选择小波基和分解层数;第二:在软阈值降噪中提出了一种新的阈值函数
第二个应该是算炼丹、调参的范畴,所以我不知道有多牛逼
但是第一个还是有感觉的,小波基的优选在于使用近似系数能量占比和能量熵这两个指标,做一个比值的优化函数
近似系数代表的是低频,细节系数代表的是高频分量,往往认为噪声是高频的,小波分解后低频系数的低频信息是有用的,所以要求近似系数的能量占比越大,就是原始有用信号被这个小波基更好的留下来。
能量熵代表着能量的集聚程度,信号越集中在低频近似系数,说明集聚程度越好,因此能量熵越小
除了这个小波基的选择,还生成了这个分解层数的判定,分解层数超过理想值就会在有用的低频信息中引入高频,或者说高频中有用的信息被忽略。
因为认为噪声都是满足高斯分布的,所以用细节系数在白噪声中的占比来看到底这个分解层数设计的好与否
当这个自相关系数越接近0,说明白噪声和细节系数越不相关,说明该分解层下细节部分已经被有效提取
阈值函数
从偏差性、连续性来评价
算法策略
相关度太小的就是没用的,说明噪声太多,相关度大的就先拿着用,中间骑墙的就处理一下再用
降噪效果衡量指标
信噪比( signal noise ratio,SNR) ,均方根误差( root mean square error,RMSE) 以及相关系数(R)
跟我研究的一大区别——这轴承能自己整出来干净的信号,我研究的目前我不知道如何靠仿真整出来干净的信号