基于小波变换的微弱信息检测研究

王月

摘 要： 传统微弱信息检测方法不能过滤纯噪信号，常因纯噪信号幅值、强度过大，造成信息检测结果失真。为解决此问题，设计基于小波变换的微弱信息检测模型。通过微弱信息小波分解尺度确定、小波作用阈值改进、微弱信息小波变换系数重构，完成微弱信息的小波变换去噪；通过小波Duffing振子重构信号检测、微弱信息待测信号频率确定、微弱信息幅值测量，完成基于小波变换微弱信息检测模型的搭建。模拟该模型的使用环境，设计对比实验。结果表明，应用基于小波变换微弱信息检测模型后，纯噪信号幅值与强度明显降低。

关键词： 小波变换； 微弱信息检测； 去噪分析； Duffing振子； 信号检测； 幅值测量

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2018）19?0071?04

Abstract： The traditional weak information detection method can′t filter the pure noise signal， and may cause the distortion of the information detection result due to the high amplitude and strong intensity of the pure noise signal. Therefore， a weak information detection model based on wavelet transform is designed to solve the above problem. The wavelet transform denoising of the weak information is accomplished by means of determination of wavelet decomposition scale of weak signal， improvement of the wavelet action threshold and reconstruction of the wavelet transform coefficients of weak information. The weak information detection model based on wavelet transform is built by means of detection of wavelet Duffing oscillator reconstruction signal， determination of signal frequency of weak information， and amplitude measurement of weak information. The service environment of the model is simulated. The contrast experimental results show that the amplitude and intensity of the pure noise signal are significantly reduced by using the weak information detection model based on wavelet transform.

Keywords： wavelet transform； weak information detection； denoising analysis； Duffing oscillator； signal detection； amplitude measurement

0 引 言

傳统微弱信号检测方法利用电子学、物理学和信息学基础理论，以小电容、弱磁、微振动等信号作为检测对象，利用相应传感技术，将检测信号转变为恒定的电压、电流或电量。通过检测恒定电力常量的相关参数，进而检测出信号的微弱量。有时待检测信号过于微弱，常被强度过大的纯噪信号掩盖，造成检测结果与真实结果间差距过大[1?2]。为从纯噪信号中提取出完整的微弱信息，引入小波变换原理。小波变换降低了信号检测过程中所设置的目标门限，使检测所得的微弱信号精度得到了有效提升。微弱信号检测是一项在噪声中发现有用信号的新兴技术，在研究过程中通过待测信号与噪声幅度、相位、变化频率等特征的不同，确定噪声的产生原因及规律，并根据确定结果，研究去除纯噪信号的有效方法[3?4]。基于小波变换的微弱信息检测模型利用小波变换的所有优点，提高信号检测系统中的输出信噪比，达到降低纯噪信号幅值与强度的目的，进而提升微弱信息检测结果的真实性。

1 微弱信息小波变换去噪

微弱信息小波变换去噪过程包括微弱信息小波分解尺度确定、小波作用阈值改进、微弱信息小波变换系数重构三阶段。

1.1 微弱信息小波分解尺度确定

2 基于小波变换微弱信息检测模型的搭建

完成微弱信息小波变换去噪处理后，可按照如下步骤，搭建基于小波变换的微弱信息检测模型。

2.1 小波Duffing振子的重构信号检测

小波Duffing振子重构信号的振动幅度可以用于描述微弱信息信号的振动过程。通常情况下，描述小波Duffing振子的振动幅度需要控制阻尼率、韧度、动力的非线性度、驱动力的振幅、驱动力的圆频率等多个物理量，且小波Duffing振子的振动幅度没有具体表达式[8?9]。若小波Duffing振子振动幅度恒大于0，则振子始终保持极限环振动状态；若小波Duffing振子振动幅度恒小于0，则振子所代表的系统进入混沌状态，系统相图也一直保持吸引子形态；因为小波Duffing振子始终维持振动状态，所以小波Duffing振子振动幅度[10]不可能为0。检测到的小波Duffing振子重构信号如图1所示。

of wavelet Duffing oscillator

2.2 微弱信息待测信号频率的确定

通过小波Duffing振子重构后的信号被称为输入信号。当检测模型接收到输入信号后，首先与标准信号进行第一次对比，若输入信号中微弱信息频率过低，则标准信号将代替输入信号与下一个标准信号进行对比；若输入信号中微弱信息频率可被检测，则输入信号直接与下一个标准信号进行对比[11?12]。通过[n]次对比后，确定微弱信息待测信号频率。具体操作流程如图2所示。

2.3 基于小波变换的微弱信息幅值测量

基于小波变换的微弱信息幅值测量，利用混沌振子的信号检测思路，通过Duffing振子的非线性恢复力，有规律地调节周期策动幅值的变化。当小波Duffing振子重构信号的振动幅度确定后，微弱信息待测信号频率也可按照上述步骤确定。当待测信号经过节点位置时，小波变换的幅度会发生改变，微弱信息的幅值也会随之发生改变[13]。每次改变发生时，对节点处微弱信息的具体幅值进行一次测量，整理每次测量结果，即可完成基于小波变换的微弱信息幅值测量。具体测量原理如图3所示。

通过微弱信息小波变换去噪、小波Duffing振子重构信号检测、微弱信息待测信号频率确定、基于小波变换的微弱信息幅值测量，即可完成基于小波变换微弱信息检测模型的搭建。

3 实验结果与分析

为验证基于小波变换微弱信息检测模型的实用价值，以2台频率相同的信号发射器作为实验对象，随机挑选一台作为实验组，另一台作为对照组。实验开始前按照表1完成实验参数的设定。

3.1 实验参数设置

表1中参数名称依次为纯噪信号强度、纯噪信号幅值、信号强度、净信号强度、净信号幅值、微弱信息含量，其中信号强度为Ⅴ级，代表发射器发射出的信号为稳定可接受的。

3.2 纯噪信号幅值对比

完成参数设定后，同时打开2台信号发射器，发射夹杂纯噪信号的微弱信号。令实验组应用基于小波变换的微弱信息检测模型过滤纯噪信号，对照组应用普通方法过滤纯噪信号。完成过滤后，用接收器接收去除纯噪信号的微弱信号。完成信号接收后，对比两组接收到微弱信号中纯噪信号的幅值。纯噪信号幅值与REV曲线存在正比关系，当REV曲线越密集时，纯噪信号幅值越高，反之则越低。分别对比实验组与对照組在低频情况下与高频情况下的纯噪信号幅值，具体结果如图4，图5所示。

分析图4可知，在低频情况下，实验组与对照组REV曲线的极限都能达到1.20 cm，但对照组REV曲线的密集程度明显高于实验组。分析图5可知，在高频情况下，实验组与对照组REV曲线的极限都能达到2.41 cm，但对照组REV曲线的密集程度依然明显高于实验组。所以可以证明应用基于小波变换的微弱信息检测模型可以大幅降低纯噪信号幅值。

3.3 纯噪信号强度对比

完成纯噪信号幅值对比后，保持信号发射器的工作状态，实验组继续使用基于小波变换的微弱信息检测模型过滤纯噪信号，对照组使用普通方法过滤纯噪信号。过滤完成后，对比接收到微弱信号中纯噪信号的强度。纯噪信号强度与FEW曲线存在制约关系，FEW曲线变化幅度越大，纯噪信号强度越小，反之则越大。分别对比实验组与对照组在低频情况下与高频情况下的纯噪信号强度，具体结果如图6，图7所示。

分析图6可知，在低频情况下，实验组FEW曲线最大值为3.04，最小值低于2.07，二者差值大于0.97；对照组最大值与最小值的差值明显低于实验组。分析图7可知，在高频情况下，实验组FEW曲线最大值为6.08，最小值接近1.43，二者差值约等于4.65；对照组最大值与最小值的差值明显低于实验组。所以可证明应用基于小波变换的微弱信息检测模型可以大幅降低纯噪信号强度。

4 结 语

本文针对传统微弱信息检测方法存在的弊端，提出基于小波变换的微弱信息检测模型，通过本文所提方法，可完成基于小波变换微弱信息检测模型的搭建，并通过对比实验的方式验证了该模型的实用性价值。

参考文献

[1] 欧芬兰，郭金泉，钟剑锋，等.基于平稳小波变换的悬臂梁微小缺陷检测方法研究[J].机电工程，2015，32（6）：762?767.

OU Fenlan， GUO Jinquan， ZHONG Jianfeng， et al. Small crack identification in cantilever beams by stationary wavelet transform [J]. Journal mechanical & electrical engineering， 2015， 32（6）： 762?767.

[2] 王锴，刘志国，刘刚，等.基于自适应层数分解的小波变换滤除冲击信号[J].湖南大学学报（自然科学版），2015，42（10）：65?71.

WANG Kai， LIU Zhiguo， LIU Gang， et al. Shock signal filtering based on adaptive decomposition level of wavelet transformation [J]. Journal of Hunan University （natural sciences）， 2015， 42（10）： 65?71.

[3] 蓝和慧，胡浩瀚，孟祥冉，等.基于小波变换滤波算法的便携心电测试仪设计[J].渤海大学学报（自然科学版），2015，36（3）：249?255.

LAN Hehui， HU Haohan， MENG Xiangran， et al. Filtering algorithm based on wavelet transform of the portable ECG test instrument design [J]. Journal of Bohai University （natural science edition）， 2015， 36（3）： 249?255.

[4] 贺利芳，崔莹莹，张天騏，等.基于幂函数型双稳随机共振的故障信号检测方法[J].仪器仪表学报，2016，37（7）：1457?1467.

HE Lifang， CUI Yingying， ZHANG Tianqi， et al. Fault signal detection method based on power function type bistable stochastic resonance [J]. Chinese journal of scientific instrument， 2016， 37（7）： 1457?1467.

[5] 王一丁，买热哈巴·优素甫江.透明液体中低对比度杂质检测方法的研究[J].计算机测量与控制，2016，24（10）：57?60.

WANG Yiding， MAIREHABA Yousufujiang. Study on detection method of low contrast impurities in transparent liquid [J]. Computer measurement & control， 2016， 24（10）： 57?60.

[6] 贾继德，吴春志，贾翔宇，等.基于压缩小波变换与增强的发动机故障特征提取[J].军事交通学院学报，2016，18（12）：43?47.

JIA Jide， WU Chunzhi， JIA Xiangyu， et al. Engine failure feature extraction based on synchrosqueezed wavelet transform and enhancement [J]. Journal of Academy of Military Transportation， 2016， 18（12）： 43?47.

[7] 王友仁，陈伟，孙灿飞，等.基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断[J].中国机械工程，2017，28（12）：1484?1490.

WANG Youren， CHEN Wei， SUN Canfei， et al. Early weak fault diagnosis of gearboxes based on energy aggregation and EWT [J]. China mechanical engineering， 2017， 28（12）： 1484?1490.

[8] 侯新国，牛超，杨忠林.基于最优Morlet小波自适应包络解调的弱故障特征提取方法[J].电机与控制学报，2016，20（10）：88?93.

HOU Xinguo， NIU Chao， YANG Zhonglin. Method to extract weak fault feature based on optimal Morlet wavelet adaptive envelope demodulation [J]. Electric machines and control， 2016， 20（10）： 88?93.

[9] 张炳刚，许四祥，侍海东，等.基于小波变换图像融合的镁熔液弱小目标检测[J].安徽工业大学学报（自然科学版），2015，32（1）：55?59.

ZHANG Binggang， XU Sixiang， SHI Haidong， et al. Weak and dim target detection based on image fusion of wavelet transform in magnesium alloy melt [J]. Journal of Anhui University of Technology （natural science）， 2015， 32（1）： 55?59.

[10] 梁丰，张志利，李向阳，等.基于小波变换和Kalman滤波的虚拟人空间位置处理[J].系统仿真学报，2016，28（1）：213?219.

LIANG Feng， ZHANG Zhili， LI Xiangyang， et al. Processing method of space locations of virtual human based on wavelet transform and Kalman filter [J]. Journal of system simulation， 2016， 28（1）： 213?219.

[11] RAFA? G， KAROL G， PAWE? L， et al. Reasons for the experimental research of gas outflows based on the signals of weak interactions between the tested model of the gas pipeline， and tested equalizer [J]. Journal of Konbin， 2015， 34（1）： 39?48.

[12] QUANDT V I， PACOLA E R， PICHORIM S F， et al. Pulmonary crackle characterization： approaches in the use of discrete wavelet transform regarding border effect， mother?wavelet selection， and subband reduction [J]. Res. biomed. Eng.， 2015， 31（2）： 148?159.

[13] WANG H C， GUO Z Q， XIANG G Q， et al. Time?frequency feature extraction of rolling bearing′s early weak fault based on wavelet de?noising using neighboring coefficients [J]. Journal of aerospace power， 2017， 32（5）： 1266?1272.