首页/文章/ 详情

信号处理基础之噪声与降噪(二) | 时域降噪方法(平滑降噪、SVD降噪)python代码实现

故障诊断与python学习

11月前浏览3178

接上期信号处理基础之噪声与降噪(一) | 噪声分类及python代码实现，本期为大家介绍噪声评价指标，并且讲解两种降噪方法——平滑降噪、SVD降噪，并给出python代码。

1 噪声评价指标

1.1 信噪比

信噪比（Signal-to-noise ratio, SNR），指信号功率与噪声功率的比，也为幅度平方的比，信噪比是衡量降噪程度最直观的量，信噪比越大，信号中包含的噪声越少，降噪效果越明显。对于信号

，SNR可表示为：

一般地，用分贝对信噪比进行度量，可表示为

注：

①上述

指准备求信噪比的有用信号，有用信号通常指的是纯净信号；

②上述

指纯噪声，指的是滤波后的信号减去纯净信号，并不是滤波后的信号减去滤波前的信号。

1.2 波形相似参数

波形相似系数（Normalized Correlation Cofficient, NCC）反映去噪前后信号波形的整体相似度，不能表征波形震荡变化的细节，NCC越接近1，信号之间的相关性越高，其可表示为：

1.3 均方误差

均方误差（Mean-Square Error, MSE）是衡量”平均误差“的较为方便的方法，可以评价数据的变化程度，均方误差可反应去噪前后信号的差异程度，MSE越小，说明降噪效果越好。MSE可表示为：

1.4 均方根误差

均方根误差（Root Mean Square Error, RMSE）也称方均根偏移，是一种常用的测量数值之间差异的量度，RMES越小，降噪效果越好。RMSE可表示为：

1.5 python代码实现

import numpy as npdef denoise_evaluate(signal_pure, noise, signal_denoised):    value = {}    # SNR计算    p_signal = np.sum(signal_pure**2) / len(signal_pure)        p_noise = np.sum(noise**2) / len(noise)        SNR = 10 * np.log10(p_signal / p_noise)        value['SNR'] = SNR        # NCC计算        NCC = np.correlate(signal_pure, signal_denoised) / (np.linalg.norm(signal_pure) * np.linalg.norm(signal_denoised))    value['NCC'] = NCC[0]        # MSE计算        MSE = np.mean((signal_pure - signal_denoised) ** 2)        value['MSE'] = MSE        # RMSE计算        RMSE = np.sqrt(MSE)        value['RMSE'] = RMSE        return value

注：上述四个指标的计算均依赖于”纯净信号“，对于只知道真是含噪信号，不知道纯净信号的情况，无法进行计算，即对于工程实际中的随机信号，无法直接用上述四个指标进行衡量。

2 平滑降噪

2.1 滑动平均的基本原理

滑动平均（Moving Average）是一种时域滤波方法，其基本原理是设定一个滑动窗口，该滑动窗口沿着原始数据时序方向移动，每次移动时计算当前窗口的平均值作为滤波值，最终得到滑动平均序列，其过程可表示为下图。

记滑动窗口长度为N（N为奇数），则滑动平均可表示为：

滑动窗口为对称窗口，防止出现相位偏差，窗口长度一般为奇数。特别地，滑动平均的滤波效果取决于滑动窗的长度，一般长度越大平滑效果越好，但窗口选择过大可能出现过平滑，湮没有效信号，且滑动平均滤波对边缘数据的处理效果不佳。

注：也可通过卷积的方式实现滑动滤波，此处不展开讨论

2.2 SG滤波基本原理

SG(Savitzky-Golay)滤波是一种广泛使用的数据平滑滤波降噪方法，其基于曲线局部特征进行多项式拟合，应用最小二乘法确定加权系数进行移动窗口加权平均，重构的数据能够较好保留局部特征，不受时间及空间尺度的影响。SG滤波的基本公式可表示为：

具体地，记滤波窗口长度为

（

为奇数），测量点记为

，采用

次多项式对窗口内的数据点进行拟合，记拟合常数为

，则有滤波结果

不难发现，在使用SG滤波进行降噪时，窗口长度

，多项式拟合阶次

对降噪结果起着至关重要的作用。窗口长度越长，单次参与拟合的数据量越多，多项式拟合阶次越高，单次拟合的结果越接近原始信号，保留的细节越多，但是过高的阶次可能出现过拟合，产生新的噪声。

注：限于篇幅，不对完整过程进行推导，详细过程请参考文献[3]。

2.3 python实现

本文给出了3种方法，常规方法滤波、卷积平滑滤波、SG滤波。

def moving_average(data, window_size):    # 常规方法进行平滑滤波        smoothed_data = []        for i in range(len(data)):            start = max(0, i - window_size // 2)            end = min(len(data), i + window_size // 2 + 1)            window = data[start:end]            smoothed_data.append(sum(window) / len(window))        return smoothed_data

import numpy as npdef moving_average_conv(data, window_size):    # 卷积平滑滤波        window = np.ones(window_size) / window_size        smoothed_data = np.convolve(data, window, mode='same')        return smoothed_data

import numpy as npfrom scipy import signaldef moving_average_sg(data, window_size, order):        # SG滤波    sg_data = signal.savgol_filter(data, window_size, order)        return sg_data

3 SVD降噪

3.1 SVD降噪的基本原理

奇异值分解(Singular Value Decomposition, SVD)能够对矩阵进行分解，得到代表矩阵最本质变化的矩阵元素。作为信号处理的重点研究方向之一，其主要功能是去除信号中的随机噪声，降噪后的信号不存在时间延迟且相移较小。

记一个含噪声的时间序列

，

表示为理想信号

和噪声信号

的和，表示为

将

构造成Hankel矩阵（含噪矩阵

），表示为：

式中，当

为偶数时，

，

为奇数时，

，

。

对含噪矩阵

进行奇异值分解可得：

其中

矩阵

的奇异值，

，

为零矩阵，

为正交矩阵。

选取有效奇异值个数

，保留主对角矩阵

的前

个较大的奇异值，将其余奇异值全部置为0，得到新的对角矩阵：

于是可以通过左右正交矩阵U和V得到新的信号矩阵

，将重构的矩阵

恢复成一维信号，此时便完成了SVD降噪处理。

3.2 python实现

import numpy as npfrom numpy.linalg import svddef denoised_with_svd(data, nlevel=8):    """    :param data: 需要降噪的原始数据，1D-array        :param nlevel: 阶次        :return:重构后的信号        """        N = len(data)        A = np.lib.stride_tricks.sliding_window_view(data, (N//2,))        U, S, Vh = svd(A)        # 重构信号        X = np.zeros_like(A)        for i in range(nlevel):            X += Vh[i, :] * S[i] * U[:, i:i+1]            X = X.T    data_recon = np.zeros(N)            for i in range(N):                a = 0                    m = 0                    for j1 in range(N//2):                       for j2 in range(N//2+1):                               if i == j1 + j2:                                         a = a + X[j1, j2]  # 把矩阵重构回一维信号                                           m = m + 1                     if m != 0:                            data_recon[i] = a / m          return data_recon

4 算例测试

4.1 测试用例

import matplotlib.pyplot as pltimport matplotlib# 测试用例n = 500  # 生成500个点的信号t = np.linspace(0, 30*np.pi, n, endpoint=False)s = np.cos(0.1*np.pi*t) + np.sin(0.3*np.pi*t) + np.cos(0.5*np.pi*t) + np.sin(0.7*np.pi*t)  # 原始信号r = np.random.randn(n)y = s + r  # 加噪声data_smooth_avg = moving_average(y, 5)data_smooth_conv = moving_average_conv(y, 5)data_smooth_sg = moving_average_sg(y, 5, 3)data_svd = denoised_with_svd(y)fig = plt.figure(figsize=(16, 9))plt.subplots_adjust(hspace=0.5)font = {'family': 'Times New Roman', 'size': 16, 'weight': 'normal',}matplotlib.rc('font', **font)plt.subplot(6, 1, 1)plt.plot(s, linewidth=1.5, color='b')plt.title('原始模拟信号', fontname='microsoft yahei', fontsize=16)plt.subplot(6, 1, 2)plt.plot(y, linewidth=1.5, color='r')plt.title('原始模拟信号+高斯噪声', fontname='microsoft yahei', fontsize=16)plt.subplot(6, 1, 3)plt.plot(data_smooth, linewidth=1.5, color='g')plt.title('降噪信号-均值法', fontname='microsoft yahei', fontsize=16)plt.subplot(6, 1, 4)plt.plot(data_smooth, linewidth=1.5, color='g')plt.title('降噪信号-卷积法', fontname='microsoft yahei', fontsize=16)plt.subplot(6, 1, 5)plt.plot(data_smooth, linewidth=1.5, color='g')plt.title('降噪信号-SG滤波', fontname='microsoft yahei', fontsize=16)plt.subplot(6, 1, 6)plt.plot(data_svd, linewidth=1.5, color='g')plt.title('降噪信号-SVD', fontname='microsoft yahei', fontsize=16)

4.2 降噪结果

4.3 降噪指标对比

5 参考文献

[1]https://zhuanlan.zhihu.com/p/558808890

[2]https://zhuanlan.zhihu.com/p/579187348

[3]https://blog.csdn.net/weixin_36815313/article/details/121238628

[4]刘子涵. 噪声背景下基于时频分析的滚动轴承微弱故障诊断方法研究[D]. 河北:燕山大学,2021.

编辑：陈凯歌

校核：李正平、张泽明、张勇、王畅、陈凯歌、赵栓栓

该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除。

来源：故障诊断与python学习

python

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2023-10-14

最近编辑：11月前