← أحدث الأبحاث
⚡ electrical engineering

A Classification-Based Adaptive Bayesian Wavelet Packet Denoising Method for Additive Gaussian-Impulse Mixed Noise in Industrial Sensor and Measurement Signals

تقترح هذه الورقة طريقة تحويل حزمة المويجات البايزية التكيفية القائمة على التصنيف (CABWPT) التي تستخدم تصنيف الضوضاء، والعتبة الهجينة المتكيفة مع نسبة الإشارة إلى الضوضاء (SNR)، والتحسين البايزي لإزالة الضجيج بفعالية من إشارات الاستشعار والقياس الصناعية الملوثة بضوضاء مختلطة من ضوضاء غاوسية نبضية مضافة غير مستقرة.

المؤلفون الأصليون: hao ying, zhou zhou, yangsen wen, pengpeng he

نُشر 2026-09-11
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: hao ying, zhou zhou, yangsen wen, pengpeng he

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم الضجيج المليء بالآلات الصناعية والكلام البشري، نادراً ما تكون الإشارات نقية. فمستشعر الاهتزاز في أرضية مصنع أو ميكروفون يسجل محادثة غالباً ما يلتقط مزيجاً فوضوياً من الصوت المرغوب والتداخل غير المرغوب فيه. وعادة ما يأتي هذا التداخل في شكلين: ضجيج خلفية ثابت يشبه الطنين، ونبضات مفاجئة وحادة من السكون تظهر بشكل غير متوقع. وعندما يحاول المهندسون تنظيف هذه الإشارات للعثور على الأعطال الخفية في الآلات أو لجعل الكلام أكثر وضوحاً، فإنهم يواجهون مشكلة صعبة. فقد بُنيت الأدوات التقليدية لتنظيف الإشارات على افتراض أن الضجيج هو دائماً ذلك الطنين الثابت. وعندما يتضمن الضجيج تلك النبضات الحادة وغير المتوقعة، فإن هذه الأدوات القديمة غالباً ما تفشل، فإما تترك الكثير من الضجيج خلفها أو تقطع عن طريق الخطأ أجزاءً من الإشارة الحقيقية التي كان من المفترض أن تحميها.

لقد طور باحثون في جامعة "بيبو غلف" (Beibu Gulf University) طريقة جديدة لحل هذه المشكلة المحددة المتعلقة بالضجيج المختلط. ويتعامل نهجهم، الموصوف في دراسة حديثة، مع الضجيج ليس كمشكلة واحدة موحدة، بل كحالة تتغير بناءً على نوع الضجيج الموجود. وبدلاً من استخدام قاعدة واحدة جامدة لتنظيف الإشارة، يقوم نظامهم أولاً بأخذ لحظة للاستماع وتحديد طبيعة الضجيج؛ حيث يتحقق مما إذا كان الضجيج من النوع الثابت، أو النوع النبضي، أو مزيجاً من كليهما. وبمجرد معرفة ما يتعامل معه، ينتقل إلى أداة التنظيف المحددة الأنسب لذلك النوع من الضلق. وهذا يسمح للنظام بأن يكون أكثر دقة، حيث يزيل السكون غير المرغوب فيه مع الحفاظ على التفاصيل المهمة للصوت الأصلي سليمة، سواء كان ذلك الصوت اهتزاز آلة أو صوتاً بشرياً.

إن جوهر هذه الطريقة الجديدة هو عملية التصنيف والتكيف. تخيل الإشارة كنسيج معقد من الخيوط؛ ينظر نظام الباحثين أولاً إلى خيوط التردد العالي، وهي الأماكن التي يختبئ فيها الضجيج غالباً. ومن خلال قياس مدى كون الضجيج "نبضياً" ومدى كونه "غير متماثل"، يمكن للنظام فرز الضجيج إلى واحدة من أربع فئات: ثابت، أو نبضي، أو غير متماثل، أو مزيج. ولكل فئة، يمتلك النظام استراتيجية مختلفة. فإذا كان الضجيج ثابتاً، فإنه يستخدم نوعاً واحداً من المرشحات الرياضية. وإذا كان الضجيماً نبضياً، فإنه يستخدم مرشحاً مختلفاً يكون أفضل في تجاهل تلك النبضات المفاجئة. وإذا كان الضجيج مزيجاً، فإنه يمزج بين هذه الاستراتيجيات. وهذا يمنع النظام من ارتكاب خطأ شائع يتمثل في الارتباك بسبب النبضات وبالتالي قطع الإشارة الحقيقية، أو على العكس من ذلك، ترك النبضات دون معالجة لأنه يعتقد أنها جزء من الإشارة.

ولضمان أن تكون عملية التنظيف فعالة قدر الإمكان، دمج الباحثون طريقتين مختلفتين لاتخاذ القرار بشأن مقدار الضجيج الذي يجب إزالته. إحدى الطريقتين دقيقة للغاية وتنظر إلى كل قطعة صغيرة من الإشارة بشكل فردي، بينما تعمل الأخرى كقاعدة عامة واسعة تعمل بشكل جيد مع الإشارة بأكملها. ويمزج الأسلوب الجديد بين هذين النهجين، حيث يعدل التوازن اعتماداً على مدى علو الضجيج مقارنة بالإشارة. فعندما يكون الضجيج عالياً جداً، يميل النظام أكثر نحو النهج الفردي الدقيق، وعندما يكون الضجيج هادئاً، فإنه يعتمد أكثر على القاعدة العامة. ويتم إدارة هذا التوازن بواسطة مجموعة من القواعد الصارمة التي تمنع النظام من أن يكون عدوانياً للغاية في إتلاف الإشارة. على سبيل المثال، يتحقق النظام باستمرار مما إذا كان قد أزال الكثير من الصوت الأصلي، وإذا حدث ذلك، فإنه يتراجع تلقائياً.

بعد عملية التنظيف الأولية، يطبق الباحثون خطوة تلميع نهائية. فأحياناً، حتى بعد زوال الضجيج الرئيسي، تظل هناك أصداء خافتة أو تشوهات متبقية. يستخدم النظام تقنية تنظر إلى الهيكل العام للإشارة المتبقية لتنعيم هذه العيوب، مما يضمن أن تكون النتيجة النهائية أقرب ما يمكن إلى الأصل. ولإيجاد الإعدادات المثالية لجميع هذه الخطوات، استخدم الباحثون عملية تجربة وخطأ حاسوبية اختبرت آلاف التوليفات لإيجاد أفضل الإعدادات لمختلف أنواع الإشارات. وقد اختبروا طريقتهم على نوعين مختلفين تماماً من البيانات: إشارات الاهتزاز من محامل الكرات (ball bearings) في المصنع، وتسجيلات الكلام البشري.

أظهرت النتائج أن هذه الطريقة الجديدة تفوقت على عشر تقنيات أخرى موجودة عبر مجموعة واسعة من الظروف. وفي الاختبارات المتعلقة باهتزازات المصنع، حيث كان الضجيج قاسياً بشكل خاص، كانت الطريقة الجديدة هي الوحيدة التي نجحت في تحسين جودة الإشارة عند جميع مستويات الضوضاء، بما في ذلك المستويات الأكثر هدوءاً حيث جعلت الطرق الأخرى الإشارة أسوأ في الواقع. وفي اختبارات الكلام، كان أداؤها أيضاً أفضل من غيرها، حيث حافظت على وضوح الصوت مع إزالة ضجيج الخلفية. ووجدت الدراسة أن التحسينات الأكثر أهمية جاءت من قدرة النظام على تحديد نوع الضجيج بشكل صحيح وطريقته الذكية في موازنة استراتيجيات التنظيف المختلفة. ومن خلال التكيف مع الطبيعة المحددة للضجيج بدلاً من فرض حل واحد على كل موقف، ابتكر الباحثون أداة قوية يمكنها التعامل مع الواقع الفوضوي وغير المتوقع للبيئات الصناعية والصوتية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚡ eess →