EEMD结合改进PCNN模型的气体泄漏信号降噪

摘要：

针对气体泄漏声波信号降噪的问题,提出了一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与改进脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)相结合的降噪方法,对采集到的气体泄漏声波信号进行降噪处理,同时与EEMD和变步长自适应滤波(Least Mean Square)降噪算法进行比较.算法首先对信号做EEMD的分解,将原信号分解为9个模态分量,然后对这些分量做相干性的计算,根据分量各自的含噪情况调整参数分别做PCNN降噪,最后将信号重构.原始信号由NI仪器的cDAQ采用声传感器测得.实验结果表明,上述方法能够有效地剔除气体泄漏信号中包含的各种噪声,降噪后信噪比为16.64,均方根误差为0.0209,为后续信号分析减少了干扰,上述方法为气体泄漏声波信号的特征提取与分析提供了新的思路.

关键词：降噪、集合经验模态分解、脉冲耦合神经网络、气体泄漏、预处理

所属期刊栏目：37

分类号：TP391.9(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;江苏省重点研发计划社会发展项目;无锡市社会发展科技示范工程项目

在线出版日期：2020-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：409-414,455