基于MRSVD分解的信号降噪

信号在采集和传输过程中不可避免的受到自然和人为的各种干扰，在高精度数据分析中，即使很微弱的噪声干扰也会对分析结果产生巨大的影响，因此在信号处理时首先就要对其进行去噪。能否从受扰动观测信号中去除噪声信号，不仅与干扰的性质和信号形式有关，也与信号的处理方式有关。在实际应用中，针对不同性质的信号和干扰，寻找最佳的处理方法降低噪声，一直是信号处理领域广泛讨论的问题。

MRSVD是将信号构造成一个二阶矩阵来逐层进行奇异值分解来获得信号在不同层次空间、不同分辨下的分解结果，从而实现类似于小波分析那样的可将信号分解到一系列不同层次子空间的多分辨分解。这与以往基于SVD 的信号处理有着本质的区别，通MRSVD将噪声图像分解为不同频带上，对分离的高频详细子带进行重构获取噪声图像，并选取合适的阈值来去除噪声信号。也可对信号进行降噪并利用峭度准则选取故障特征最丰富的细节信号其进行Hilbert 包络谱分析，得到故障信号的特征信息。

本人选取凯斯西储大学轴承振动数据来对MRSVD的降噪效果进行测试，通过MRSVD进行分解分别得到五层近似信号与五层细节信号，最后一层近似信号即降噪后的信号。然后通过提取降噪后信号的包络谱，以其频率确定故障类型。

close all;
clc;

load 105.mat;%导入故障数据  
xdata=X105_DE_time(1:1024);
xdata=(xdata-mean(xdata))/std(xdata,1); %归一化
y=xdata;
%信号时域波形  
N=1024; %采样