A Classification-Based Adaptive Bayesian Wavelet Packet Denoising Method for Additive Gaussian-Impulse Mixed Noise in Industrial Sensor and Measurement Signals
本文提出了一种基于分类的自适应贝叶斯小波包变换（CABWPT）方法，该方法利用噪声分类、信噪比自适应混合阈值处理以及贝叶斯优化，有效地对受非平稳加性高斯-脉冲混合噪声污染的工业传感器和测量信号进行去噪。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在工业机械和人类语言的嘈杂世界中，信号很少是纯净的。工厂车间的振动传感器或记录对话的麦克风经常会捕捉到目标声音与不需要的干扰交织在一起的混乱混合物。这种干扰通常以两种形式出现：一种是稳定的、嗡嗡作响的背景静态噪声，另一种是突然出现的、不可预测的尖锐脉冲噪声。当工程师试图清理这些信号以寻找机器中的隐藏故障或使语音更清晰时，他们面临着一个难题。传统的信号清理工具是基于“噪声始终是那种稳定的、嗡嗡作响的静态噪声”这一假设而构建的。当噪声包含那些尖锐且不可预测的脉冲时，这些旧工具往往会失效，要么留下过多的噪声，要么不小心切掉了原本想要保留的真实信号部分。
北海湾大学的研究人员开发了一种新方法来解决这种特定的混合噪声问题。他们的这种方法在最近的一项研究中被描述为：不再将噪声视为一个单一、统一的问题，而是将其视为一个根据所存在噪声类型而变化的情况。该系统并没有使用单一、僵化的规则来清理信号，而是首先花一点时间去倾听并识别噪声的特征。它会检查噪声是稳定的类型、脉冲型的，还是两者的结合。一旦它知道了自己在处理什么，它就会切换到最适合该类噪声的特定清理工具。这使得系统能够更加精准，在去除不需要的静态噪声的同时，保持原始声音的重要细节完好无损，无论那声音是机器振动还是人类语言。
这种新方法的核心是一个分类与自适应的过程。想象一下，将信号视为一幅复杂的织锦。研究人员的系统首先观察最高频的线条，因为噪声通常隐藏在这些地方。通过测量噪声的“脉冲性”和“不对称性”，系统可以将噪声分为四类：稳定型、脉冲型、不对称型或混合型。对于每一个类别，系统都有不同的策略。如果噪声是稳定的，它会使用一种类型的数学滤波器；如果噪声是脉冲型的，它会使用另一种更擅长忽略那些突然跳动的滤波器；如果噪声是混合型的，它会将这些策略融合在一起。这防止了系统犯下一个常见的错误，即被脉冲干扰所迷惑，从而切掉了真实的信号，或者反过来，因为认为脉冲是信号的一部分而对其置之不理。
为了确保清理过程尽可能有效，研究人员结合了两种不同的决策方式。一种方式非常细致，会对信号的每一个微小部分进行单独观察；另一种则是适用于整个信号的广泛、通用的规则。新方法将这两种方法混合在一起，并根据噪声相对于信号的大小来调整平衡。当噪声很大时，系统会更多地倾向于细致的个体化处理方式；当噪声较小时，它则更多地依赖于通用规则。这种平衡由一套严格的规则管理，以防止系统过于激进而损坏信号。例如，系统会不断检查是否过度去除了原始声音，如果确实如此，它会自动减弱力度。
在初步清理之后，研究人员会进行最后的抛光步骤。有时，即使主要噪声已经消失，仍会留下微弱的回声或失真。系统使用一种观察剩余信号整体结构的技巧来平滑这些瑕疵，确保最终结果尽可能接近原始状态。为了找到所有这些步骤的最佳设置，研究人员使用了一种计算机化的试错过程，测试了数千种组合，以找到针对不同类型信号的最佳设置。他们将这种方法应用于两种截然不同的数据：工厂球轴承的振动信号和人类语音录音。
结果显示，在广泛的条件下，这种新方法优于其他十种现有技术。在工厂振动测试中，由于噪声特别剧烈，新方法是唯一一种能够在各种噪声水平下（包括其他方法会导致信号变差的最安静水平）成功提升信号质量的方法。在语音测试中，它的表现同样优于其他方法，在去除背景噪声的同时保留了声音的清晰度。研究发现，最显著的改进来自于系统正确识别噪声类型以及智能平衡不同清理策略的能力。通过适应噪声的具体性质，而不是对每种情况强加单一的解决方案，研究人员创造了一个强大的工具，能够应对工业和声学环境中混乱且不可预测的现实情况。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。