搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

混沌信号自适应协同滤波去噪

王梦蛟 周泽权 李志军 曾以成

混沌信号自适应协同滤波去噪

王梦蛟, 周泽权, 李志军, 曾以成
PDF
导出引用
导出核心图
  • 混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.
      通信作者: 王梦蛟, wangmj@xtu.edu.cn
    • 基金项目: 国家自然科学基金(批准号:61471310,11747087)、湖南省教育厅科学研究基金(批准号:17C1530)和湘潭大学自然科学基金(批准号:15XZX33)资助的课题.
    [1]

    L J H, Lu J A, Chen S H 2002 The Analysis and Applications of Chaotic Time Series (Wuhan:Wuhan University Press) pp1-8 (in Chinese) [吕金虎, 陆君安, 陈士华 2002 混沌时间序列分析及其应用(武汉:武汉大学出版社)第1–8页]

    [2]

    Han M, Xu M L 2013 Acta Phys. Sin. 62 120510 (in Chinese) [韩敏, 许美玲 2013 物理学报 62 120510]

    [3]

    Sun J W, Shen Y, Yin Q, Xu C J 2013 Chaos 23 013140

    [4]

    Li G Z, Zhang B 2017 IEEE Trans. Ind. Electron. 64 2255

    [5]

    Peng G Y, Min F H 2017 Nonlinear Dynam. 90 1607

    [6]

    Urbanowicz K, Hołyst J A 2003 Phys. Rev. E 67 046218

    [7]

    Feng J C 2012 Chaotic Signals and Information Processing (Beijing:Tsinghua University Press) pp32-35 (in Chinese) [冯久超 2012 混沌信号与信息处理(北京:清华大学出版社)第32–35页]

    [8]

    Badii R, Broggi G, Derighetti B, Ravani M 1988 Phys. Rev. Lett. 60 979

    [9]

    Cawley R, Hsu G H 1992 Phys. Rev. A 46 3057

    [10]

    Schreiber T, Richter M 1999 Int. J. Bifurcat. Chaos 9 2039

    [11]

    Donoho D L 1995 IEEE Trans. Inf. Theory 41 613

    [12]

    Han M, Liu Y H, Xi J H, Guo W 2007 IEEE Signal Process. Lett. 14 62

    [13]

    Kopsinis Y, McLaughlin S 2009 IEEE Trans. Signal Process. 57 1351

    [14]

    Wang W B, Zhang X D, Wang X L 2013 Acta Phys. Sin. 62 050201 (in Chinese) [王文波, 张晓东, 汪祥莉 2013 物理学报 62 050201]

    [15]

    Tung W W, Gao J B, Hu J, Yang L 2011 Phys. Rev. E 83 046210

    [16]

    Gao J B, Sultan H, Hu J, Tung W W 2010 IEEE Signal Process. Lett. 17 237

    [17]

    Chen Y, Liu X Y, Wu Z T, Fan Y, Ren Z L, Feng J C 2017 Acta Phys. Sin. 66 210501 (in Chinese) [陈越, 刘雄英, 吴中堂, 范艺, 任子良, 冯久超 2017 物理学报 66 210501]

    [18]

    Dabov K, Foi A, Katkovnik V, Egiazarian K 2007 IEEE Trans. Image Process. 16 2080

    [19]

    Yadav S K, Sinha R, Bora P K 2015 IET Signal Process. 9 88

    [20]

    Hou W, Feng G L, Dong W J, Li J P 2006 Acta Phys. Sin. 55 2663 (in Chinese) [侯威, 封国林, 董文杰, 李建平 2006 物理学报 55 2663]

    [21]

    Sun K H, He S B, Yin L Z, A D L·Duo L K 2012 Acta Phys. Sin. 61 130507 (in Chinese) [孙克辉, 贺少波, 尹林子, 阿地力·多力坤 2012 物理学报 61 130507]

    [22]

    Yu M Y, Sun K H, Liu W H, He S B 2018 Chaos Solitons Fractals 106 107

    [23]

    Donoho D L, Johnstone I M 1994 Biometrika 81 425

    [24]

    He S B, Sun K H, Wang H H 2016 Physical A 461 812

    [25]

    Bandt C, Pompe B 2002 Phys. Rev. Lett. 88 174102

    [26]

    Lorenz E N 1963 J. Atmos. Sci. 20 130

    [27]

    Chen G R, Ueta T 1999 Int. J. Bifurcat. Chaos 9 1465

  • [1]

    L J H, Lu J A, Chen S H 2002 The Analysis and Applications of Chaotic Time Series (Wuhan:Wuhan University Press) pp1-8 (in Chinese) [吕金虎, 陆君安, 陈士华 2002 混沌时间序列分析及其应用(武汉:武汉大学出版社)第1–8页]

    [2]

    Han M, Xu M L 2013 Acta Phys. Sin. 62 120510 (in Chinese) [韩敏, 许美玲 2013 物理学报 62 120510]

    [3]

    Sun J W, Shen Y, Yin Q, Xu C J 2013 Chaos 23 013140

    [4]

    Li G Z, Zhang B 2017 IEEE Trans. Ind. Electron. 64 2255

    [5]

    Peng G Y, Min F H 2017 Nonlinear Dynam. 90 1607

    [6]

    Urbanowicz K, Hołyst J A 2003 Phys. Rev. E 67 046218

    [7]

    Feng J C 2012 Chaotic Signals and Information Processing (Beijing:Tsinghua University Press) pp32-35 (in Chinese) [冯久超 2012 混沌信号与信息处理(北京:清华大学出版社)第32–35页]

    [8]

    Badii R, Broggi G, Derighetti B, Ravani M 1988 Phys. Rev. Lett. 60 979

    [9]

    Cawley R, Hsu G H 1992 Phys. Rev. A 46 3057

    [10]

    Schreiber T, Richter M 1999 Int. J. Bifurcat. Chaos 9 2039

    [11]

    Donoho D L 1995 IEEE Trans. Inf. Theory 41 613

    [12]

    Han M, Liu Y H, Xi J H, Guo W 2007 IEEE Signal Process. Lett. 14 62

    [13]

    Kopsinis Y, McLaughlin S 2009 IEEE Trans. Signal Process. 57 1351

    [14]

    Wang W B, Zhang X D, Wang X L 2013 Acta Phys. Sin. 62 050201 (in Chinese) [王文波, 张晓东, 汪祥莉 2013 物理学报 62 050201]

    [15]

    Tung W W, Gao J B, Hu J, Yang L 2011 Phys. Rev. E 83 046210

    [16]

    Gao J B, Sultan H, Hu J, Tung W W 2010 IEEE Signal Process. Lett. 17 237

    [17]

    Chen Y, Liu X Y, Wu Z T, Fan Y, Ren Z L, Feng J C 2017 Acta Phys. Sin. 66 210501 (in Chinese) [陈越, 刘雄英, 吴中堂, 范艺, 任子良, 冯久超 2017 物理学报 66 210501]

    [18]

    Dabov K, Foi A, Katkovnik V, Egiazarian K 2007 IEEE Trans. Image Process. 16 2080

    [19]

    Yadav S K, Sinha R, Bora P K 2015 IET Signal Process. 9 88

    [20]

    Hou W, Feng G L, Dong W J, Li J P 2006 Acta Phys. Sin. 55 2663 (in Chinese) [侯威, 封国林, 董文杰, 李建平 2006 物理学报 55 2663]

    [21]

    Sun K H, He S B, Yin L Z, A D L·Duo L K 2012 Acta Phys. Sin. 61 130507 (in Chinese) [孙克辉, 贺少波, 尹林子, 阿地力·多力坤 2012 物理学报 61 130507]

    [22]

    Yu M Y, Sun K H, Liu W H, He S B 2018 Chaos Solitons Fractals 106 107

    [23]

    Donoho D L, Johnstone I M 1994 Biometrika 81 425

    [24]

    He S B, Sun K H, Wang H H 2016 Physical A 461 812

    [25]

    Bandt C, Pompe B 2002 Phys. Rev. Lett. 88 174102

    [26]

    Lorenz E N 1963 J. Atmos. Sci. 20 130

    [27]

    Chen G R, Ueta T 1999 Int. J. Bifurcat. Chaos 9 1465

  • [1] 王梦蛟, 吴中堂, 冯久超. 一种参数优化的混沌信号自适应去噪算法. 物理学报, 2015, 64(4): 040503. doi: 10.7498/aps.64.040503
    [2] 陈越, 刘雄英, 吴中堂, 范艺, 任子良, 冯久超. 受污染混沌信号的协同滤波降噪. 物理学报, 2017, 66(21): 210501. doi: 10.7498/aps.66.210501
    [3] 李广明, 吕善翔. 混沌信号的压缩感知去噪. 物理学报, 2015, 64(16): 160502. doi: 10.7498/aps.64.160502
    [4] 戴远东, 王福仁, 李壮志, 马 平, 谢飞翔, 杨 涛, 聂瑞娟, 刘新元, 谢柏青. 射频SQUID心磁图数据自适应滤波研究. 物理学报, 2005, 54(4): 1937-1942. doi: 10.7498/aps.54.1937
    [5] 陈赓华, 张利华, 黄旭光, 翟光杰, 李俊文, 汤玉林, 冯 稷, 赵 莉. 互补型自适应滤波器在心磁信号处理中的应用. 物理学报, 2004, 53(12): 4420-4427. doi: 10.7498/aps.53.4420
    [6] 张家树, 肖先赐. 混沌时间序列的自适应高阶非线性滤波预测. 物理学报, 2000, 49(7): 1221-1227. doi: 10.7498/aps.49.1221
    [7] 韦保林, 罗晓曙, 郭维, 傅金阶, 汪秉宏, 全宏俊. 一种基于三阶Volterra滤波器的混沌时间序列自适应预测方法. 物理学报, 2002, 51(10): 2205-2210. doi: 10.7498/aps.51.2205
    [8] 张家树, 肖先赐. 用于混沌时间序列自适应预测的一种少参数二阶Volterra滤波器. 物理学报, 2001, 50(7): 1248-1254. doi: 10.7498/aps.50.1248
    [9] 张家树, 肖先赐. 用一种少参数非线性自适应滤波器自适应预测低维混沌时间序列. 物理学报, 2000, 49(12): 2333-2339. doi: 10.7498/aps.49.2333
    [10] 王国光, 王丹, 何丽桥. 混沌中信号的投影滤波. 物理学报, 2010, 59(5): 3049-3056. doi: 10.7498/aps.59.3049
    [11] 刘柏年, 皇群博, 张卫民, 任开军, 曹小群, 赵军. 集合背景误差方差中小波阈值去噪方法研究及试验. 物理学报, 2017, 66(2): 020505. doi: 10.7498/aps.66.020505
    [12] 陆金桂, 杜杰, 刘志坚, 徐立中, 江全元, 郭创新, 曹一家. 混沌时间序列的局域高阶Volterra滤波器多步预测模型. 物理学报, 2009, 58(9): 5997-6005. doi: 10.7498/aps.58.5997
    [13] 李雄杰, 周东华. 一种基于强跟踪滤波的混沌保密通信方法. 物理学报, 2015, 64(14): 140501. doi: 10.7498/aps.64.140501
    [14] 胡进峰, 张亚璇, 李会勇, 杨淼, 夏威, 李军. 基于最优滤波器的强混沌背景中谐波信号检测方法研究. 物理学报, 2015, 64(22): 220504. doi: 10.7498/aps.64.220504
    [15] 张玉, 谢映海, 杨维. 离散空间上的最小能量框架及其在矩形脉冲信号去噪中的应用研究. 物理学报, 2010, 59(11): 8255-8263. doi: 10.7498/aps.59.8255
    [16] 王云才, 李艳丽, 王安帮, 王冰洁, 张耕玮, 郭 萍. 激光混沌通信中半导体激光器接收机对高频信号的滤波特性. 物理学报, 2007, 56(8): 4686-4693. doi: 10.7498/aps.56.4686
    [17] 须文波, 徐振源, 闵富红. 用多凹槽滤波器控制混沌系统. 物理学报, 2002, 51(8): 1690-1695. doi: 10.7498/aps.51.1690
    [18] 肖先赐, 张家树, 李恒超. 连续混沌信号的离散余弦变换域二次实时滤波预测. 物理学报, 2004, 53(3): 710-716. doi: 10.7498/aps.53.710
    [19] 吕善翔, 冯久超. 一种混沌映射的相空间去噪方法. 物理学报, 2013, 62(23): 230503. doi: 10.7498/aps.62.230503
    [20] 陈卫东, 刘要龙, 朱奇光, 陈颖. 基于改进雁群PSO算法的模糊自适应扩展卡尔曼滤波的SLAM算法. 物理学报, 2013, 62(17): 170506. doi: 10.7498/aps.62.170506
  • 引用本文:
    Citation:
计量
  • 文章访问数:  411
  • PDF下载量:  194
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-11-17
  • 修回日期:  2018-01-06
  • 刊出日期:  2018-03-20

混沌信号自适应协同滤波去噪

  • 1. 湘潭大学信息工程学院, 湘潭 411105;
  • 2. 湘潭大学物理与光电工程学院, 湘潭 411105
  • 通信作者: 王梦蛟, wangmj@xtu.edu.cn
    基金项目: 

    国家自然科学基金(批准号:61471310,11747087)、湖南省教育厅科学研究基金(批准号:17C1530)和湘潭大学自然科学基金(批准号:15XZX33)资助的课题.

摘要: 混沌信号协同滤波去噪算法充分利用了混沌信号的自相似结构特征,具有良好的信噪比提升性能.针对该算法的滤波参数优化问题,考虑到最优滤波参数的选取受到信号特征、采样频率和噪声水平的影响,为提高该算法的自适应性使其更符合实际应用需求,基于排列熵提出一种滤波参数自动优化准则.依据不同噪声水平的混沌信号排列熵的不同,首先选取不同滤波参数对含噪混沌信号进行去噪,然后计算各滤波参数对应重构信号的排列熵,最后通过比较各重构信号的排列熵,选取排列熵最小的重构信号对应的滤波参数为最优滤波参数,实现滤波参数的优化.分析了不同信号特征、采样频率和噪声水平情况下滤波参数的选取规律.仿真结果表明,该参数优化准则能在不同条件下对滤波参数进行有效的自动最优化,提高了混沌信号协同滤波去噪算法的自适应性.

English Abstract

参考文献 (27)

目录

    /

    返回文章
    返回