噪声自适应（共8篇）
噪声自适应 篇1
DSP(Digital Signal Processor,数字信号处理器) 是在模拟信号变换成数字信号以后进行高速实时处理的专用处理器件,DSP具有接口简单、方便;精度高、运算速度快、稳定性好;编程方便,容易实现复杂的算法;集成方便等优点,已经被广泛的应用于通信、雷达、语音、图像、消费类电子产品等领域。DSP技术的发展和应用,使得自适应信号处理技术得以实现。自适应噪声消除是消除强背景噪声的一种有效的技术,在通常情况下,背景噪声不是稳定不变的,而是随着时间的变化而变化。因此,噪声消除应该是一个自适应噪声处理过程:既可以在时变的噪声环境下工作,还可以根据环境的改变而调整自身的工作参数。在本文中,利用DSP的优越性能,在TI公司TMS320VC5416芯片上,分别实现LMS和RLS算法的自适应强噪声消除系统,该系统经过验证,能够很好地消除背景噪声,恢复出原始话音信号。
1 自适应噪声消除算法
自适应噪声消除算法的基本思想是将噪声混杂的信号通过一个滤波器来达到抑制噪声,并使信号本身无失真通过的这样一个过程。并且,正如上面所述,这个自适应处理过程不需要预先知道信号以及噪声的特点。图1为自适应噪声消除算法的原理框图。
为了实现这个自适应噪声消除系统,这里使用2个输入源和1个自适应滤波器。一个输入源是混入了噪声的信号(称之为主输入源,用s+n0表示),另一个输入源为背景噪声,这个背景噪声与主输入源噪声相关,而与主输入源中的信号无关(称之为噪声参考输入源,用n1表示),噪声参考输入源通过自适应滤波器后输出y。滤波器不断地自我重新调整,使得y与n0的误差达到最小。然后用主信号源减去输出y得到系统的输出z= s + n0 -y,z即去噪后的信号。
假设s,n0,n1,y是平稳过程,并且均值为0,s与n0 和n1无关联,而n1 和n0相关,则可以得出以下的表达式:
当调整滤波器,使得E[z2]达到最小值时,E[(n0 - y)2]也是最小值,因此,系统输出z可以作为自适应滤波器的误差信号。
文中的自适应滤波器采用2种自适应滤波算法:一种是最小均方算法(LMS),另一种是RLS算法。
最小均方算法(LMS)应用最广、算法最简单。LMS算法主要目的是使误差信号的均方值达到最小。自适应滤波器的系数由下式决定。
其中μ是步长,决定算法收敛的速度。
RLS算法的滤波器的系数公式如下:
其中,P(i)是第i个自相关矩阵的逆;k(i)是第i个增益向量;λ是指数型遗忘因子。从算法中矩阵的运算可以看出来,RLS算法比LMS算法要复杂得多。对于一个N阶的滤波器,LMS算法每次迭代需要O(N)次运算,而RLS算法需要O(N2)此运算。在DSK方式实现时,发现在48 kHz的采样率下,采用LMS算法设计的滤波器的阶数最多20阶,而在同样的条件下,采用RLS算法设计的滤波器的阶数只有5阶左右。
2 DSP实现
本文的自适应噪声消除算法处理器件采用TI的TMS320VC5416型DSP处理器。该处理器采用改进的哈佛结构,拥有专用的硬件乘法器和专门为数字信号处理而设计的指令系统,快速的指令周期等优点。由于声音是模拟信号,要使用DSP对其进行处理,首先需要将模拟信号进行模/数转换,本文采用MAX 197作为A/D转换芯片。MAX 197是Maxim公司推出的8通道、12位的高速A/D转换芯片,单次转换时间仅为6 μs,采样速率可达100 kSa/s。经过噪声消除后的信号质量可以通过音箱来辨别,因此,在噪声消除后,还要将信号进行数/模转换。本文采用MX 7541作为系统的D/A转换芯片。MX 7541是美国Maxim公司生产的高速高精度12位数字/模拟转换器芯片,由于MX 7541转换器件的功耗特别低,而且其线性失真可低达0.012%,因此,该D/A转换器芯片特别适合于精密模拟数据的获得和控制。
本文的自适应噪声消除系统结构图2所示。
麦克风1用于采集带有强烈背景噪声的话音信号作为系统的输入1,麦克风2用于采集背景噪声作为输入2,输入1和输入2经过音频接口输入到MAX197中进行A/D转换,转换后的信号被送入TMS320VC5416中进行自适应噪声消除处理,处理后的信号经过MX7541的D/A转换后,送入音箱进行播放。另外,还可以通过计算机和Matlab软件来比较自适应噪声消除系统的输入/输出信号,验证自适应噪声消除系统工作情况。
图3为3台计算机记录的自适应噪声消除系统的工作情况:
比较主输入信号、参考噪声输入信号和滤波器输出信号,可以清楚地看出输出与主输入信号相比,噪声成分被大大削弱,这与用音箱直接听到的声音效果一致,以上结果证明用DSP成功地实现了实时的自适应噪声消除系统。
3 结 语
本文采用TI的TMS320VC5416型DSP成功地实现了自适应噪声消除系统,试验的结果显示LMS算法和RLS算法是去除噪声的自适应滤波器非常有效的方法,DSP板也是实现实时自适应噪声消除系统的好平台。在整个系统工作过程中,仍有少量的背景噪声不能完全从信号中去除掉,为了测试算法的效果,用Matlab产生一个白噪声信号作为噪声参考信号,同时将参考噪声信号进行微小扭曲后与从麦克风输入的语音信号叠加后作为主输入信号,然后用前文所述的实现方式对主输入信号和参考噪声信号进行自适应噪声去除算法处理。在处理后,噪声完全从信号中去除掉了,由此,可以看出,背景噪声不能完全从信号中去除掉问题不是由算法造成的,而是由于试验设备造成的。麦克风、电缆以及采样造成会造成信号扭曲,而这些扭曲在噪声去除算法中是无法补偿的,因此其可能是造成这个问题的最可能原因。
摘要：自适应噪声消除技术在信号处于噪声很强的环境中时,可以非常有效地将噪声去除掉。而DSP是一种高速、高性能的专业数字信号处理器,用DSP实现自适应噪声消除,其具有很好的实时性和处理精度。在此完成了基于DSP的自适应噪声消除系统,有效地消除了信号中的噪声。
关键词：自适应,噪声消除,DSP,LMS,RLS
参考文献
[1]刘薇,吴庆彪.基于LMS自适应噪声抵消法的无位置传感器研究[J].现代电子技术,2008,31(3):137-139.
[2]周又玲,周铁,王志新.自适应LMS算法的DSP实现[J].现代电子技术,2006,29(9):135-137.
[3]李素芳,李颖,闰智义.单通道RLS算法自适应噪声消除及其遗忘因子的确定[J].长春工业大学学报:自然科学版,2007,28(6):224-228.
[4]杨跃忠,阙沛文,李亮.自适应LMS滤波器在FPGA中的实现[J].微计算机信息,2006(22):158-160.
[5]戴逸民,梁晓雯,裴小平.基于DSP的现代电子系统设计[M].北京:电子工业出版社,2002.
[6]姚天任,孙洪.现代数字信号处理[M].武汉:华中科技大学出版社,2002.
噪声自适应 篇2
地震勘探资料处理中机械振动噪声的自适应去除方法
众所周知,对于穿过工业区的一些地震测线,不可避免地受到外界多种机械震源干扰的影响,造成采集资料的`大面积噪声干扰,这类干扰能量强、频带宽、有一定的规律性.叠前资料的去噪是资料处理中的首要任务.有针对性的各种叠前去噪方法也很多,但目前还没有一种有效的方法去除该类噪声.针对这类干扰,进行了详细地分析,并提出了一种自适应去噪方法,应用效果表明,该方法能较好地去除上述噪声,有效地提高了资料的信噪比.
作 者：尹俊清 作者单位：甘肃煤田综合普查队,甘肃,天水,741000 刊 名：甘肃科技 英文刊名：GANSU SCIENCE AND TECHNOLOGY 年，卷(期)： 25(22) 分类号：P631.4 关键词：去噪 静态噪声 频谱 信噪比噪声自适应 篇3
关键词：语音信号,自适应噪声抵消,LMS算法,NLMS算法,BP算法
1 引言
噪声消除是信号处理的核心问题之一。通常实现最优滤波的滤波器为维纳滤波器与卡尔曼滤波器;其要求预先知道信号和噪声的先验统计特性,而在现实中这往往是无法预知的。为此,不需预知信号和噪声统计特性的自适应滤波技术得以发展。1965年,美国斯坦福大学建成了世界上首个自适应噪声抵消(ANC)系统;随着计算机技术与集成电路技术的进步,新的自适应算法不断涌现,自适应噪声抵消在理论和应用上得到了很大发展。
自适应噪声抵消技术是一种有效消除噪声影响的信号处理技术;在未知外界干扰源特征、传递途径不断变化以及噪声和对象波形相似的情况下,通过自适应算法自动调节滤波器参数,有效消除外界声源干扰,获得高信噪比的对象信号。ANC系统的基本要求是其两路输入噪声必须统计相关;在现实中,噪声通道大多非常复杂,具有非线性;当两路输入噪声非线性相关时,传统的ANC系统(基于LMS、NLMS、RLS算法)去噪能力很难保证,甚至使对象信号失真。为此,必须寻求一种有效应对非线性相关的自适应噪声抵消方法。
神经网络是由大量处理单元广泛互联而成的复杂网络,它采用大规模并行处理,信息存储在神经元之间的连接上,存储区和操作区合二为一;它具有很强的自适应、自学习、鲁棒性、容错能力和非线性映射能力。激活函数为Sigmoid的多层前向神经网络能够以任意精度实现非线性函数逼近,实现对噪声非线性的模拟。
本文以语音信号为对象进行去噪研究;分别对基于LMS、NLMS、RLS、BP算法的ANC系统进行仿真,仿真结果表明基于BP算法的ANC系统去噪能力明显优于传统的ANC系统,具有收敛速度快、实时性好、去噪能力强、稳定性高等优点;可应用于各种应急突发事件的即时语音去噪。
2 噪声抵消系统的基本原理
2.1 自适应噪声抵消系统基本原理
自适应噪声抵消系统除了需要原始输入外,还需一个与原始输入中噪声相关的参考输入,以便抵消原始输入中的噪声,还原出有用信号。典型的自适应噪声抵消系统如图1所示:
其中原始输入是有用信号与噪声的叠加,参考输入是与噪声相关的,通过参数可调滤波器得到的输出信号与原始输入相减,将原始输入中的噪声消除,这样误差信号就变成有用信号,从而达到噪声消除的目的。
假设和不相关,那么,,相关,则自适应噪声抵消系统的输出为:
将式(1-1)两边取平方得:
将式((11--22))两边取数学期望得::
因为与不相关,则;将其带入式(1-3)可得:
当调节自适应滤波器使最小时,有用信号的功率不受影响,则相应的最小功率与的功率值有关即
所以当滤波器为参考输入噪声的最佳估计时,最小,噪声能够得到最大程度的抵消。
输出通常由有用信号和残余噪声两部分构成,由式(1-1)可知,残余噪声与的值有关,要使最小,有用信号功率保持不变,那么应使的功率最小,当其达到最小时,输出噪声功率也达到最小,那么输出信噪比达到最大,且,则此时,输出信号完全是有用信号,不包含任何噪声。
如果参考输入与原始输入不相关,输出也不相关,那么,则系统的输出功率表达式为:
要使系统输出功率最小,则必须最小,而只有当滤波器的所有权值都为0时,最小为0,但这样滤波器相当于“自行关闭”失去了滤波的作用。因此,自适应干扰抵消系统的基本要求是其两路输入噪声必须统计相关,否则就无法去噪。
2.2基于神经网络的自适应噪声抵消系统基本原理
基于神经网络的自适应噪声抵消系统如图2所示;由于环境的复杂性,叠加在输入信号上的噪声经过实际环境,往往是非线性的,所以利用来模拟实际中噪声所经过的通道。为了获得噪声,必须辨识出,实质就是获得自适应神经网络,使得在获得噪声源的条件下,自适应神经网络无限逼近。此时就无限逼近于原始输入中的噪声。由于一般无法获得,而为的叠加,且与不相关,所以利用替代对网络进行训练,完成对噪声通道的模拟;而后采取即可达到噪声抵消目的。
3 语音信号的自适应噪声抵消仿真研究
首先录入一段时长16 秒的语音信号,保存为.wav文件作为期望信号;利用randn函数生成一段随机噪声作为参考输入,将语音信号和噪声相混叠作为原始输入;而后依次调用LMS、NLMS、RLS和BP算法程序进行MATLAB仿真研究。
这里将基于LMS、NLMS、RLS算法的实验条件设置为:滤波器阶数:800,步长因子:0.001;基于BP算法的实验条件设置为:训练更新次数:10,最大训练次数:1000,期望误差:0.001,学习速率:0.001,输入层传递函数:tansig,隐层传递函数:logsig,输出层传递函数:purelin。
3.1 基于LMS算法的自适应噪声抵消
经LMS算法噪声抵消后,信号时、频域仿真结果如图3 至图6所示。
仿真结果: LMS算法经过800次迭代,趋于稳定;时域上存在少量“拖尾”,频谱差异较小;通过sound函数,开始存在一小段杂音,之后话音质量较清晰;仿真时长23.188秒。
3.2 基于NLMS算法的自适应噪声抵消
经NLMS算法噪声抵消后,信号时、频域仿真结果如图7至图8所示。
仿真结果: NLMS算法经过800 次迭代,趋于稳定;从时域“拖尾”现象明显,波形、频谱差异大,通过sound函数,话音浑浊,杂音大;仿真时长33.211秒。
3.3 基于RLS算法的自适应噪声抵消
经RLS算法噪声抵消后,信号时、频域仿真结果如图9 至图10所示。
仿真结果: RLS算法经过800 次迭代,趋于稳定;时域0 点附近有微量振幅、频域趋为0,通过sound函数,听不到一点声音,去噪效果最差;仿真时长6007.599秒。
3.4 基于BP算法的自适应噪声抵消
构建BP神经网络前,首先要确定隐层结点数。文献提出一个经验公式(q为隐层结点数,m为输入层结点数,n为输出层结点数,a为常数,范围[110])。本实验中,,取,将隐层结点数在3的邻域内变动,逐一学习直至隐层结点数达到最佳值,最终学习结果为4,于是我们构造一个1-4-1的BP神经网络。接着分别调用训练函数为traingdm(动量梯度下降法)、traingd(标准BP算法)、traingda(自适应学习算法)、trainrp(弹性BP算法)、traincgf(共轭梯度算法)的BP算法进行仿真研究。
3.4.1 训练函数为traingdm的BP算法
经训练函数为traingdm的BP算法噪声抵消后,频域仿真结果如图11,均方误差如图12所示。
仿真结果: 训练函数为traindm的BP算法经过1000 次迭代,才逼近零点;其波形、频谱差异大,通过sound函数,话音浑浊,杂音大;仿真时长760秒。
3.4.2 训练函数为traingd的BP算法
经训练函数为traingd的BP算法噪声抵消后,频域仿真结果如图13,均方误差如图14所示。
仿真结果: 训练函数为traingd的BP算法经过1000次迭代,才略趋于稳定;波形、频谱差异大,通过sound函数,话音浑浊,杂音大;仿真时长763秒。
3.4.3 训练函数为traingda的BP算法
经训练函数为traingda的BP算法噪声抵消后,频域仿真结果如图15,均方误差如图16所示。
仿真结果: 训练函数为traingda的BP算法经过987次迭代,趋于稳定;波形差异较大,频谱差异较小,通过sound函数,话音不清晰,有杂音较多;仿真时长761秒。
3.4.4 训练函数为trainrp的BP算法
经训练函数为traingrp的BP算法噪声抵消后,频域仿真结果如图17,均方误差如图18所示。
仿真结果: 训练函数为trainrp的BP算法经过195 次迭代,趋于稳定;波形及频谱相似度高,通过sound函数,话音清晰,无杂音;仿真时长148秒。
3.4.5 训练函数为traincgf的BP算法
经训练函数为traingcgf的BP算法噪声抵消后,频域仿真结果如图19,均方误差如图20所示。
仿真结果: 训练函数为traincgf的BP算法经过10 次迭代,趋于稳定;波形差异较小,频谱相似度较高,通过sound函数,话音较清晰,杂音少;仿真时长29秒。
3.5 仿真结果对比分析
1)去噪能力由强至弱依次为:trainrp >traincgf>LMS>NLMS>traingda >traingd >traingdm>RLS,其中训练函数为trainrp的BP算法去噪效果最好,RLS算法无去噪能力。
2)收敛速度由快至慢依次为:traincgf >trainrp>LMS>NLMS>traingda >traingd >traingdm>RLS,其中训练函数为traincgf的BP算法收敛速度最快。
4 结论
本文以语音信号为对象进行噪声抵消研究。首先对典型的和基于神经网络的自适应噪声抵消系统的基本原理进行了阐述;而后对基于LMS、NLMS、RLS算法的自适应噪声抵消系统进行MATLAB仿真研究,发现LMS算法去噪效果较好、但迭代次数多,不能满足语音通信的实时性及高质量语音的要求。继而又对训练函数为traingdm、traingd、traingda、trainrp、traincgf的BP算法的自适应噪声抵消系统进行仿真研究,发现训练函数为trainrp的BP算法去噪能力最好,可应用于语音质量要求高的去噪;训练函数为traincgf的BP算法收敛速度最快,可应用于抢险救灾、处突维稳等任务的实时语音去噪。
参考文献
[1]崔大鹏.神经网络在自适应噪声抵消中的应用研究[J].电子技术与软件工程,2012(3).
[2]曹斌芳.自适应噪声抵消技术的研究[D].湖南大学,2007.
噪声自适应 篇4
关键词：自适应滤波,噪声抵消,LMS算法,MATLAB
0、引言
自适应滤波自适应滤波器不需要输入信号的先验知识，它是利用前一时刻已经获得的输入信号获参量，调节现时刻的滤波参数，以适应信号和噪声未知的或随时间变化的统计特性，从而实现最优维纳滤波。自适应滤波自Widrow等提出以来，因其计算量小，易于实现等特点，得到了各领域的广泛应用。
1、自适应滤波器噪声抵消的原理
1.1 自适应滤波器噪声抵消的基本原理
一个自适应滤波器包括两个不同的部分：一个是具有可调系数的数字滤波器，一个是用于调整或改变滤波系数的自适应算法。图1给出了自适应滤波器作为噪声对消的原理框图。
噪声消除的主要目的是对被污染信号中的噪声的最优估计，以获得信号的最优估计。其中x (n) 表示输入信号；y (n) 表示被污染的信号，包括所希望的信号和噪声信号；r (n) 表示被污染信号的某种测量，与叠加的噪声信号相关；d (n) :表示叠加噪声信号的估计值；e (n) ；表示作为输出的信号, 一是作为希望信号x (n) 的估计输出值，二是用于调整自适应滤波器的参数。利用此输出值通过某种自适应算法对滤波器参数进行调整, 最终获得噪声最优估计值，当输入信号的统计特性发生变化, 自适应数字滤波器能够跟踪这种变化, 自动调整参数, 使滤波器性能重新达到最佳。
1.2 自适应算法的研究
根据自适应算法优化准则的不同，其算法大致分为两大类，一是最小均方算法（LMS, least-meansquare），二是递归最小二乘法（RLS）。LMS算法是基于最小均方误差准则的维纳滤波器和最陡下降法提出的, 是对梯度下降算法的近似简化。算法的基本思想是：调整滤波器自身的参数，使滤波器的输出信号与期望输出信号之间的均方误差最小，系统输出为有用信号的最佳估计。其算法推导如下：
其中μ为固定步长因子，是一常数。
显然上面的算法不需要事先知道信号的统计量（即相关量R和P），而使用他们的瞬时估计代替算法获得的权重只是一个估计值，但随着调节权重，这些估计值逐渐提高，滤波器也越来越适应信号特性，最终权值收敛，收敛的条件为
其中λmax是输入数据方差矩阵的最大特征值。下面给出基本LMS算法实现的步骤：
1）初始化，令所有权重为任一固定值，或为0;
2）计算滤波输出
3）计算估计误差e (n) -y (n) ?x (-n)
4）更新下一时刻的滤波器的权重
3、自适应噪声抵消器的MATLAB的设计与实现
3.1 基于LMS算法的自适应噪声抵消的MATLAB编程
下面给出了LMS算法的自适应噪声抵消的MAT LAB主要程序段
w1=0；%权系数初值
for i=1:1000%LMS算法
3.2 MATLAB的仿真测试
在仿真过程中，采用正弦信号作为有用信号，均值为零，信噪比为3db的高斯白噪声作为叠加的噪声信号。基于LMS算法，步长分别设置为0.01和0.05的输出波形图将仿真输出结果进行比较：
从上面图得知：
步长u越大，收敛速度越快，但稳定性差；步长u越小，其稳定性越高，但其收敛速度慢。
4、结束语
本文从自适应滤波的基本原理出发，给出了自适应噪声对消的系统框图，并重点研究了基于LMS的自适应算法，其算法简单快捷易实现。在强噪声环境下，具有很好的去噪功能。
参考文献
[1]Emmanuel C.Ifeachor, Barrie W.Jervis Digital Signal Process-ing A Practical Approach, second Edition电子工业出版社[M], 2004
[2]韩利竹, 王华MATLAB电子仿真与应用 (第2版) , 国防工业出版社[M], 2003
[3]楼顺天, 刘小东等基于MATLAB7.X的系统分析与设计---信号处理 (第二版) 西安电子科技大学出版社[M], 2005
噪声自适应 篇5
本文采用赛灵思的Zynq-7000 All Programmable So C实现了自适应格型联合处理算法[1]( GAL-NLMS) 。这款芯片将ARM双核Cortex-A9处理器( PS部分) 与赛灵思28 nm FPGA可编程逻辑( PL部分) 紧密地集成在一颗芯片上。Zed Board是Zynq-7000处理器的一块低成本开发板[2],利用Xilinx[3]提供的Zed Board开发板,实现了一套宽带自适应噪声干扰抵消系统。
1 适应格型联合处理算法
由于干扰噪声常常是随机变化和非平稳的,传统的滤波方法很难消除,所以需要寻求收敛速度快、计算复杂性低、跟踪性能好的自适应格型联合处理滤波算法( GAL-NLMS) 。该算法的结构图如图1所示。
2 宽带自适应噪声干扰抵消原理
噪声干扰抵消原理如图2所示,x( n) 中不包括有用信号s( n) ,只含有与N( n) 相关的另一个噪声N'( n) ,d( n) 中含有不相关噪声N( n) 和希望提取的有用信号s( n) 。由噪声抵消原理图知,输出信号y( n) 为N'( n) 的滤波信号。所以,噪声抵消系统的输出信号e( n) 为
由于有用信号s( n) 与N( n) ,y( n) 不相关,所以对式( 2)两边取数学期望可以得到
当E [s2( n)]减小时,E {[N( n) - y( n)] 2}同时也被减小。这意味着E {[e( n) - s( n)] 2}变为最小时,即噪声抵消系统的输出信号e( n) 与有用信号s( n) 的均方误差最小。这等价于使输出误差信号e( n) 是有用信号s( n) 的最小方差估计。由式( 3) 知,最小可能的输出功率是,当达到这一点时,E {[N( n) - y( n)] 2}= 0。因此,y( n) = N ( n) ,e ( n) = s ( n)这时,最小输出功率使输出完全没有噪声。
3 系统总体架构
Zynq-7000分为PL与PS两部分,GAL-NLMS算法[4,5,6]分别在PL与PS上实现,在PL上实现GAL,在PS上实现NLMS,Qt界面和驱动程序。采用PS部分的AXI-GP0作为控制链路,AXI_HP0接口作为数据通道,来配置PL部分的AXI_DMA模块。Qt界面用于显示结果并接受用户输入数据。PS部分安装了键盘和鼠标,HDMI高清接口用来显示用户图形界面,SD卡存储应用程序和数据。设计方案如图3所示。
3. 1 PL 上的硬件设计
3. 1. 1 GAL-NLMS 在 PL 上的设计
经过仿真,采用16 bit来量化输入输出的实部和虚部是足够的。16 bit的最高bit是符号位,低15 bit是数据位。确定了输入的位宽为实部和虚部各16 bit,就要想办法让输入数据适应这个位宽。
首先对输入数据进行归一化,除以各数中最大的绝对值,使输入全部变成小于1的数,然后乘以215,再用MATLAB转换为补码,输入给FPGA。GAL-NLMS算法由GAL部分和NLMS构成: 一阶的GAL,消耗7个DSP48E1; 一阶的NLMS消耗3个DSP48E1。Zynq-7000总共只有220个DSP48E1。得知算法极限在22阶,22阶的GAL-NLMS综合一下,最高频率达到175 MHz,资源使用情况如表1所示。
3. 1. 2 AXI-Stream IP 设计
将设计好的GAL-NLMS算法进行IP封装并支持AXIStream传输。AXI总线是PS与PL两者之间最方便快捷的通信手段。AXI-Stream是一种连续传输的接口技术,速度非常快,而且不需要地址线。这类IP不能通过内存映射方式控制,必须有一个转换装置,可以通过AXI-DMA模块[7]来实现内存映射到流式接口的转换。把SD卡的信号传输到DDR2内存,传输数据到自定义IP,处理结果仍传回DDR2中,交给主机显示。与DDR2的通信需要借助AXI-HP物理接口,PL部分为master,负责数据搬移。在Xilinx XPS开发工具中,选择AXI-Stream接口[8],利用向导生成用户自定义IP,并命名为my stream ip。
3. 1. 3 算法与总线模块封装
在AXI_Stream IP的开发基础上,对GAL-NLMS算法进行了整合,设计的IP包含主机与从机2个接口,首先通过从机接口获得PS部分传过来的输入数据,然后进行GALNLMS处理,然后按照Stream总线协议依次将处理结果通过主机接口传回PS部分的DDR2存储空间中。
为了便于流水线操作,各阶次对输入做了7clk的FIFO,每次计算时从FIFO末端取数据进行计算。为了使硬件达到最高吞吐率,输入数据点组织为每7个点一组,依次输入,当最后一个点进入FIFO时,第一个点的计算结果已在输出端有效,可以取出缓存,最后通过总线一起传回PS。
但是每块输入数据结束时,由于第一阶输入采用寄存器类型,如果没有恰当的措施控制,那么GAL-NLMS模块将一直运行,对该输入寄存器中存储的最后一个样值连续重复采样,无形中相当于增加了输入数据长度,破坏了输入数据的连续性,导致后面一组输入数据到来时,前面的错误计算结果会引入后一组计算中,导致误差传播,以致结果完全错误。解决方法是在每次从机读取数据时,进行流水线更新操作; 而空闲时,流水线处于静默状态,并停止其clk信号。这样做的另一个好处是DSP48E1模块在数据到来之前不运行,降低了系统功耗。下面是my_stream_ip功能仿真波形图如图4所示。
3. 2 PS 上的软件设计
3. 2. 1 驱动程序文件接口
硬件部分需要通过本小节的驱动程序来完成初始化和数据输入输出操作。驱动程序将硬件抽象为文件,应用程序需要访问时,只考虑文件的打开、关闭、读写等操作,并不关心具体实现,这样便于操作系统管理设备,加载驱动与卸载驱动可以动态进行而不需要重新启动内核。Linux驱动程序[9]也是以模块的方式组织的。在终端下执行insmod时自动调用模块初始化函数,而执行rmmod时自动调用模块退出函数。只有上面这两个函数,只能完成硬件初始化操作,其他的工作都做不了。应该为上层应用程序提供文件接口,文件读写接口函数声明如下:
上面声明了和文件操作相关的5个接口函数,文件打开和关闭比较简单,打开时分配资源,关闭时释放资源,分别调用相应的内核函数即可。写入数据的函数应该每次先写入一组输入数据,然后调用22阶GAL-NLMS算法模块进行计算,剩下最后一个文件读取回调函数,在前面基础上实现起来也很容易。
3. 2. 2 基于 Qt 的应用程序设计
Qt是一个移植性很强的C ++ 库,可运行在Linux,Windows等多种平台,采用Qt Creator工具[10]进行开发,该软件的主界面如图5所示。应用程序主要完成如下几个功能: 选择并读取实测数据; 显示实测数据波形; 控制PL硬件部分的打开、关闭、读写数据; 利用软硬件协同完成GAL_NLMS算法; 显示处理结果( 时域波形和星座图) ; 显示算法处理耗时。
4 系统测试
Linux启动成功后自动运行Qt应用程序,观察是否显示完整,各项功能是否正常。用40 d B噪声干扰QPSK调制信号,10 d B的噪声干扰16QAM调制信号。分别用噪声干扰过的QPSK和16QAM调制信号对系统进行测试,测试结果如图6、图7所示。
图6中,QPSK调制信号受到噪声干扰,星座发生相位偏移,经过自适应噪声干扰抵消系统后,纠正了相位偏差。从图7可以看出,16 QAM调制信号受到噪声干扰非常严重,开始时分不清星座形状,经过自适应噪声干扰抵消系统后,能清楚辨认是16QAM信号,说明设计的算法系统是有效的。
5 小结
噪声自适应 篇6
椒盐噪声是由图像传感器、传输信道、解码处理等产生的黑白相间的亮暗点噪声,会严重影响图像的质量。为减小椒盐噪声的影响,通常采取传统中值TM(Traditional Median)滤波算法。TM算法由于可对椒盐噪声起到良好的平滑效果且可对图像中的某些细节起到保护作用,因而在图像降噪处理中得到了比较广泛的应用。然而TM算法对所有的像素进行统一处理,不仅改变了噪声点,也改变了信号点,造成了噪声在邻域传播,为此提出了许多改进算法,如开关中值(Switch Median,SM)滤波算法[1]、递进开关中值PSM(Progressive Switching Median)滤波算法[2]、基于minmax算法改进中值滤波算法[3]、极值中值EM(Extremum and Median Value)滤波算法[4]、基于局部极值噪声检测的迭代中值IFMLED(An Iterative Median Filter Based on Local Extreme Value Noise Detection)滤波算法[5]。这些算法从不同的角度对中值滤波进行了改进,在去除图像中椒盐噪声性能方面,做出了有益的探索。
借鉴自适应中值滤波和开关中值滤波的思想,本文提出一种自适应开关中值ASM(Adaptive Switch Median)滤波算法。该算法采用自适应窗口对噪声点进行检测,将像素点分为噪声点和信号点,在此基础上,采用开关中值滤波算法对噪声点滤波。结果表明,该算法能有效滤除噪声并较好地保护了图像细节。
1 ASM算法实现
在传统中值滤波中,所有的像素点都采用统一的处理方法即改变噪声点灰度值的时候,会一定程度地改变边缘像素灰度值,由于噪声点几乎都是邻域像素的极值,而边缘不是,因此可以利用这个特性来改进中值滤波。采用开关滤波,可以知道哪些点是信号点,哪些点是噪声点,就可以处理噪声点而保留信号点,这样就减少了图像的失真度。根据开关滤波思想,本文使用max-min算子作为椒盐噪声检测器,利用自适应邻域窗口对图像进行从左到右的逐行扫描,同时对位于窗口中心的像素点进行噪声判别。如果该点的灰度值处于极大值和极小值之间,则认为该点为被噪声污染;若该点的灰度值等于极值,则认为该点可能被椒盐噪声污染,然后再利用改进的方法进行判别,并将运算结果作为该点的替代值。
具体步骤如下:
设待检测的噪声图像为[xi,j],xi,j为噪声图像[xi,j]在(i,j)处的灰度值,wn为以点(i,j)为中心的一个n×n=2N+1(其中n为奇整数,N为正整数)的窗口,wn[xi,j]表示以点(i,j)为中心对图像中的点xi,j做窗口操作,yi,j为经过自适应开关中值(ASM)滤波后的图像[yi,j]在点(i,j)的灰度输出。
(1) 以(i,j)为中心确立初始值n=3窗口w3。
(2) 在窗口wn内求取最大最小灰度值max(wn[xi,j])和min(wn[xi,j])。
(3) 在窗口wn内寻找灰度值不等于max(wn[xi,j])和min(wn[xi,j])的像素点,若存在这样的像素点,则执行步骤(5);否则,扩大窗口(n=n+2),返回步骤(2)。考虑到计算量的复杂度,最大窗口设为9×9。
(4) 若扩大到最大窗口9×9时,在窗口w9内不存在灰度值等于max(wn[xi,j])或min(wn[xi,j])的像素点,则用已处理过的四个相邻像素的均值取代yi,j作为滤波输出,即:
(5) 判断窗口wn中心像素点xij是否为最大最小值。当xij为max(wn[xi,j])或min(wn[xi,j]),执行步骤(6);否则,对xij不作滤波处理,直接输出,即yij=xij。
(6) 计算窗口wn内灰度值不等于max(wn[xi,j])或min(wn[xi,j])的所有像素点的平均值mean和均方差(标准差)std。这里均方差std计算公式为:
其中k为窗口wn内灰度值不等于max(wn[xi,j])和min(wn[xi,j])的所有像素点的个数,xi和mean分别为这些像素点的灰度值和均值。
(7) 判断不等式|xij-mean|>std是否成立。若不等式成立,则认为xij为噪声点,应对其进行滤波处理,处理过程为:把窗口wn内不等于max(wn[xi,j])和min(wn[xi,j])的点组成一个集合,求取其中值,即:
其中x1,x2,…,xk为窗口wn内不等于max(wn[xi,j])和min(wn[xi,j])的k个像素点。若不等式不成立,则认为xij为信号点,不对其进行处理,直接输出,即yij=xij。
2 实验与结果比较
由于SM和EM算法在噪声检测方面分别与PSM、IFMLED算法相同,所以这里不对他们进行比较。本文以256×256的Lena图像为例,通过将本文算法与TM、AM、PSM、IFMLED、MMEM算法进行比较,实验结果表明本文算法在噪声检测和滤波效果两方面都具有良好的性能。
2.1 噪声检测能力的比较
与TM、AM滤波不同,PSM、IFLED、MMEM、ASM滤波方法都是先确定噪声后对其进行滤波,所以噪声点检测能力的优劣关系到滤波效果的好坏。
为比较噪声的检测能力的优劣,提出以下四个参数:实际噪声密度、估计噪声密度、漏检率和误检率。
其中,估计噪声密度为估计出的噪声点总个数与图像总像素之比;漏检率为未被检测出的噪声点个数与图像总像素之比;误检率为被误检出的噪声点个数与图像总像素之比。他们之间有如下关系:
实际噪声密度(AND)=估计噪声密度(END)+
漏检率(LDR)-误检率(FDR)
漏检率和误检率越小,噪声检测精度就越高,噪声检测能力也越强。四种滤波方法在256×256的Lena图像进行噪声检测时对应的漏检率和误检率如表1所示,表中数据IFMLED算法是在5×5大小的检测窗口下进行噪声检测的,PSM、MMEM算法的噪声检测门限值分别为50和30。
由表1可以看出ASM和IFMLED算法在漏检率方面都表现了比PSM和MMEM更优越的性能,其估计噪声密度基本和实际噪声密度持平。尽管ASM在噪声密度较高时存在微小的漏检率,但是可以通过调节阈值std得到有效的改善。在误检率方面ASM更优于IFMLED,这样对于图像的细节保护更加有利。PSM算法漏检率和误检率都随着噪声密度的增大而升高,所以对高椒盐噪声密度的图像PSM算法滤波更不乐观。MMEM算法一直都伴随着不同程度的漏检率和误检率出现,而且随着噪声密度的变大其漏检率也增加。由此可见ASM算法具有更强的噪声检测能力。
2.2 噪声滤波性能的比较
为比较六种滤波方法的滤波性能,这里采用归一化均方误差NMSE(Normalized Mean Squared Error)和峰值信噪比PSNR(Peak Signal Noise Ratio)作为客观评价的尺度。NMSE和PSNR分别定义为:
其中,A表示噪声图像,B表示滤波后的图像,(i,j)为像素点的坐标,图像的长度和宽度分别记为M和N。
Lena图像处理结果的NMSE图如图1所示,图中最下端的曲线即为本算法对应的NMSE曲线。从NMSE曲线图可以直观地看出,当噪声密度为0.1时,各算法滤波性能差异不太明显,当噪声密度逐步增大时,本算法、IFMLED算法的降噪性能要明显优于TM、PSM、MMEM、AM算法,尤其当噪声密度大于0.4时TM、PSM算法的滤波效果急剧变坏。当噪声密度高于0.8时,TM算法的滤波效果要好于PSM算法,这时因为此时PSM算法产生的漏检率极高的缘故。
图2进一步给出了不同算法对受不同程度脉冲噪声污染的Lena图像降噪的峰值信噪比。PSNR值越大,说明滤波图像越接近原始图像,滤波效果越好。图中最上端的曲线即为本算法对应的PSNR曲线,其结果与NMSE是吻合的。这里值得注意的是,MMEM算法在噪声密度小于0.2时滤波效果并不好,因为此时有比较大的漏检率,那也是由于在进行门限值选取的时候没有选择最佳的门限值。
2.3 ASM具体实现与核心编程
ASM具体实现流程如图3所示。
ASM核心编程如下所示:
close all; clear;
%----------------读图---------------------
Image=double(imread(′Lena.bmp));
% Image = rgb2gray(Image0);%转化为灰度图像,bmp格式不用转化%(a,b)为噪声坐标,前面程序给出
a=200;b=300;n=1;
for n=1:4;
Length=2*n+1;
NoiseMatrix=Image((a-n):(a+n),(b-n):(b+n));
Max=max(max(NoiseMatrix));
Min=min(min(NoiseMatrix));
Num=zeros();Count=0;
for i=1:Length
for j=1:Length
if NoiseMatrix(i,j)～=Max&NoiseMatrix(i,j)～=Min
Count=Count+1;
Num(Count)=NoiseMatrix(i,j);
end
end
end
if n==4
Image(a,b)=mean([Image(a-1,b),Image(a,b-1),Image(a+1,b),Image(a,b+1)]);
end
if Count～=0
if Image(a,b)==Max|Image(a,b)==Min
Mean=mean(Num);
Std=std(Num,0,2);
if abs(Image(a,b)-Mean)>Std
Image(a,b)=Mean;
end
end
break
end
end
本文的所有算法是在MATLAB7.0环境中进行的,使用的计算机设备为赛扬2.4G CPU,256M内存的PC平台。图4给出了在噪声密度为0.8时六种滤波方法滤波后的效果图。
从图4中可以看出,在高密度椒盐噪声下,本文算法不管是去噪能力还是保护图像细节都明显好于中值滤波、自适应中值滤波、PSM、MMEM算法。IFMLED算法与本文算法的滤波效果接近。
3 结 语
本文提出的ASM算法主要在以下几个方面改善了滤波性能:
(1) 滤波前对像素点进行了合理的分类,只对一部分点(噪声点)进行了滤波;
(2) 噪声检测算法使得漏检率降低至最小,防止了噪声的集结与传播,改善了滤波效果,尤其是当噪声密度较大时,滤波效果更加明显;
(3) 噪声检测自适应的执行,避免了PSM算法中初始经验参数的选择问题。
综合不同的算法,在客观角度和主观角度两方面的比较,可以说,本文提出的自适应开关中值滤波无论是在噪声检测的精确度还是在噪声滤波的效果方面都表现出良好的综合性能。
参考文献
[1]Sun Tong,Neuvo Y.Detail-preserving Median-based Filters in ImageProcessing[J].Pattern Recongnition Letters,1994,15(4):341-347.
[2]Wang Zhou,Zhang David.Progressive Switching Median Filter for theRemoval of Impulse Noise from Highly Corrupted Images[J].IEEETransactions on Circuits and Systems:Analog and Digital Signal Pro-cessing,1999,46(1):78-80.
[3]Wang Junghua,Lin Lianda.Improved Median Filter Using Minmax Al-gorithm for Image Processing[J].Electronics Letters,1997,3(16):1362-1363.
[4]刑藏菊,王守觉,邓浩江,等.一种基于极值中值的滤波算法[J].中国图象图形学报,2001,6(6):533-536.
噪声自适应 篇7
1算法设计
1.1设定编码位数n和种群规模N
用二进制编码表示提取的参数,编码位数为n,参数最小变化量为Δ,则 Δ =(B1- B2) ×(2n- 1) 。其中B1,B2为取值范围的上边界值和下边界值。从公式可以得出, n越大,结果越精确,但是运算速度会降低;n过小则会跳出取值范围;而对于参数N,N值过大则增加收敛时间,太小则难以求出最优解。因此,需合理取n和N值。
1.2评价函数
用YELV代表评价函数,检验每一代种群中个体的适应度。函数值越小,则提取的参数值与测量值的偏差越小,适应性越好,YELV可以用如下公示表示:
式中:SDes是要计算优化的目标参数;SCal是根据模型参数计算的数值。
1.3进化算子的自适应优化
与其他优化算法相比,遗传算法优点众多,应用广泛。其突出特点是,基于马尔可夫链的原理,只要不超出规定的取值范围,总可以通过延长时间来计算得到最优结果。但该算法也有其固有的问题,例如,典型的“早熟”现象。由于在进化过程中,适应度较好的个体可能处于不变化的状态,从而影响整个进化过程,使算法过早陷入局部最优,难以得到全局的最优结果,即“早熟”[2]。
在遗传算法的参数中,影响性能的关键是交叉概率Pc和变异概率Pm。这两个参数直接影响收敛性,需要根据实际情况进行调节,而传统遗传算法的概率值是固定的,无法保证进化过程顺利进行。
交叉概率用于产生下一代个体,概率值Pc越高,个体产生速度就越快,这对具有高适应度值的个体进化不利;而交叉概率Pc过小,则搜索过程会变慢,乃至停滞不前。而另一参数变异概率,如果概率值Pm过大,算法就成为了纯粹的随机搜索;概率值Pm过小则有可能使下一代个体无法产生。因此,Pc和Pm是两个难以确定的值。要解决算法问题,提高算法性能,必须使概率值Pc和Pm能够根据适应度大小进行调节。
当个体的适应度值低于种群均值且种群整体均值较低时,提高概率值Pc和Pm;当个体的适应度值高于种群均值时,降低概率值Pc和Pm,从而使下一代个体生成的速度降低。按照这一基本思路,设计了一种自适应的概率取值方法,可以使Pc和Pm的值根据需要自行调整, 公式如下:
式中:Pcmax和Pcmin表示交叉概率取值范围的最大值和最小值,Pmmax和Pmmin表示变异概率取值范围的最大值和最小值;c,m是两个常数,取值范围在0~1之间;favg表示种群的适应度均值;fmax表示种群适应度的最大值;f′ 表示两个要进行交叉的个体中适应度大的值;f表示要进行变异个体的适应度值。按照上述公式,可以计算得出适合的Pc和Pm概率值,使算法既可以保证算法的收敛性, 又不破坏种群的多样性。
1.4计算步骤
自适应遗传算法的计算如图1所示,步骤如下:
(1)确定初始种群。包括确定种群规模、交叉概率、变异概率和停止准则,随机产生种群。
(2)评价群体。利用评价函数得出个体的适应度值;
(3)选择操作。这里采用轮盘赌的方式,在之前得到的个体中,根据适应度和选择概率来选择,适应度大的个体将首先被选择到下一代,从而形成了新一代群体;
(4)交叉操作。以交叉概率Pc进行计算,以随机交叉点为界交换基因,形成两个中间个体。
(5)变异操作。以变异概率Pm执行变异,将编码串中的变异点取反,形成一个新的个体。
(6)得出最优解。如已满足停止准则,则输出具有最大适应度的个体作为结果。
2射频接收系统的低噪声放大器设计
低噪声放大器是组成射频接收系统的关键,放大器的性能直接影响到接收灵敏度[3]。这里采取自适应遗传算法,对放大器进行重新的匹配设计,并进行实验测试, 结果表明软件仿真的性能与实测结果有较好的一致性。
选用Avago的ATF54143晶体管作为主芯片,搭建电路。作为一种伪高电子迁移率晶体管,ATF54143不需要在门级增加负电压偏置,有利于简化排版和减少原件数目,具有低噪声、高增益、高稳定度、高线性度等特性。设定的指标如下:
中心频点:340 MHz±5 MHz;
频带范围(S21下降3 d B):65 MHz≥f≥25 MHz;
增益:G≥25 d B;
噪声系数:NF≤1.5 d B;
前后级驻波比:SWRin/out<2。
2.1设计匹配电路
根据模型的设定参数,设计了直流偏置电路,电路如图2所示,按照图中参数计算可知当R9阻值为24 Ω时,可以达到在所有频点上的稳定。
2.2匹配优化计算
按照设定的指标,本文设计的放大器在340 MHz频点附近工作。对前级输入匹配网络而言,在设计过程中,在史密斯原图上要同时考虑增益以及噪声两项系数,功率的最佳匹配点为0.899∠55.8°,最佳噪声系数点为0.34∠34.8°。如果功率增益达到最优,会使噪声系数
较高;如果噪声系数达到最优,则会影响到增益。因此,设计放大器的前级匹配时,必须在功率增益以及噪声系数两者间取得平衡,设定Г=0.54∠51°,噪声系数1.1 d B。对于输出端匹配,要求获取的功率最大,最佳匹配系数设为Г=0.338∠103°。
低噪声放大器需要在较窄的频率范围内能同时达到匹配和滤波的两方面要求[4],这使得匹配电路在设计时要达到更高要求。同时按照提出的指标要求, 最终确定所设计的匹配网络应具有选频特性,原理如图3所示。
未匹配的射频端口(Unmatched port)要经过阻抗匹配网络(Impedence matching network),最终变换到50 Ω 阻抗上。匹配网络由电容元件/电感元件通过并联或串联的拓扑方式构成[5,6]。采用本文提出的自适应遗传算法,将匹配电路拓扑结构、元件参数进行优化,计算适合的拓扑方式下的阻抗网络参数,对放大器电路进行匹配,得到的电路结构如图4所示。
图5显示了匹配好的低噪声放大器的仿真S参数, 在预期匹配频点343 MHz处,S21增益为26.1 d B,3 d B带宽为55 MHz,前后级反射系数S11,S22在设计频点均小于-10 d B,即前后级的驻波比均小于2,符合设计要求。图6显示了在计算匹配参数时,分布采用自适应遗传算法以及传统遗传算法收敛性能的比较,其中纵轴为误差,横轴为遗传代数,连续线为采用自适应遗传算法, 点状线为采用传统遗传算法。可见采用所提出的自适应遗传算法时,计算收敛速度明显加快,从而证明了所提出算法的有效性[7]。
3低噪声放大器的制作与实测结果分析
根据仿真实验的计算结果,制作基于ATF54143的低噪声放大器时,需要注意的要点如下:
(1)额外的损耗会增加放大器的噪声系数,而电感Q值越高,其损耗越小,因此有必要采用高Q值电感完成偏置和匹配功能[8]。
(2)用于低噪声放大器的印制板应具有低且稳定的介电常数、机械加工性能优良、不易损耗的特点,可以采用FR-4为基片板材。
(3)选用合适的电源接地滤波电容以及choke电感以降低电源干扰[9]。
在矢量网络分析仪和频谱分析仪校准的条件下,分别实际测量了放大器的S参数和噪声系数,结果符合预期要求。S参数的测量结果如图7所示,最佳匹配点为346 MHz, 略低于仿真结果,在此频率处增益S21为26.3 d B,S12为-31.5 d B,输入驻波比SWRin为1.13,输出驻波比SWRout为1.27。噪声系数的测量结果为1.5 d B,略高于仿真。频带宽度和滤波特性亦满足设计要求[10]。可见实测结果与仿真结果吻合得较好。
4结论
本文提出了一种基于自适应遗传算法的低噪声放大器设计方法。通过交叉概率和变异概率的自动优化,克服了固定遗传概率导致的易早熟问题,具有较低的噪声系数、较高的放大增益、以及较好的带外抑制效果。通过软件仿真和实际实验的结果对比,可以看出吻合度较好,证明了自适应遗传算法设计的可靠,在提高收敛速度和获得最优全局结果之间取得了较好的平衡。
摘要：低噪声放大器是射频接收系统的关键组成部分,决定了系统的噪声特性,直接影响接收灵敏度。提出一种利用自适应遗传算法设计低噪声放大器匹配电路的思路,自动优化交叉概率和变异概率,避免了易早熟的缺点。采用这一算法进行了放大器设计实验,放大器具有较低的噪声系数、较高的放大增益,以及较好的带外抑制效果。实验结果表明实测和软件仿真性能吻合较好,证明了自适应遗传算法设计的可靠性。
噪声自适应 篇8
叠前资料的高信噪比、高保真度是叠前道集多属性提取的基础, 也是众多叠前去噪软件的努力方向。为此, 地球物理学家根据信号和噪声的各种特征差异, 开发了大量有针对性的去噪软件, 也普遍应用于资料处理中, 在保真度不降低的前提下, 极大地提高了叠前资料的信噪比。尽管如此, 有些特殊噪声的干扰波, 还没有一种有效方法去除。无需回避, 在实际施工中会常常遇到了一些不可避免的规则静态环境噪声, 如:抽油机、大型发电机的振动, 车动等一系列具有一定规律性的外部环境噪声, 特别是测线穿过工业区时尤为严重, 如图1所示。目前, 对这类有一定规律的、能量较强、频带较宽的静态环境噪声, 常规采用分频高能压制的方法, 但效果太差, 在资料处理中一般采取切除作为死道处理。如果这类干扰在整条 (束) 测线上分布较多、较广时, 显然不能作为死道处理。针对这类噪声, 进行了详细地分析, 并提出了一种有效的去噪方法。应用效果表明, 该方法能较好地去除这类噪声, 相对拓宽了频带, 提高了资料的信噪比。
2 噪声分析
图2a是含有外部环境噪声的典型单炮记录和对应的初至前噪声频谱, 图2b是对应记录的时频谱。可见, 在时间域, 从记录开始到结束, 外部环境噪声能量分布基本均匀、稳定, 是静态的、能量和频宽基本不随时间的增大而变化, 有一定的规律性;从噪声频谱可以看出, 有较宽的频带, 和有效反射波大部分频带重叠, 且能量强;在空间域有比较固定的噪声干扰位置。认为这是一种规则、静态、来自于外界震源引起的环境噪声, 明显有别于随机干扰和各类规则干扰 (线性干扰) , 无论是在时间域、频率域, 还是空间域等, 常规去噪方法很难有效压制。
3 方法原理
根据上述分析认为, 该类噪声在时间域有一定的稳定性、持续性, 是静态的、时不变的, 在频率域有相对稳定的频宽和振幅。利用原始记录的频谱和初至前噪声的频谱差, 在不改变原始相位的情况下, 就可达到去噪的目的。 设x (t) 为地震道、s (t) 为信号、 n (t) 为静态噪声
x (ω) 频谱、s (ω) 为信号频谱、n (ω) 为静态噪声频谱 则有:
时间域地震道:x (t) =s (t) + n (t) ;
对应的频谱是:x (ω) =s (ω) + n (ω) ;
显然信号的频谱是:s (ω) =x (ω) - n (ω) 。 (1)
在时间域, 我们很难知道和估算静态噪声n (t) , 因此, 也不可能去除该类噪声。然而, 在频率域, 由于噪声频谱的相对稳定性, 可以假定初至前噪声的频谱在信号区基本没有变化, 从而估算出信号区噪声频谱n (ω) , 然后利用式 (1) 计算出信号的频谱s (ω) , 反变换到时间域, 达到去噪的目的。可以看出, 上述方法是一种简单、实用的自适应零相位振幅滤波方法。下面从理论合成记录进行分析和验证。
图3a是理论记录与频谱, 图3b是含实际噪声的理论记录与频谱, 图3c是去噪后的理论记录与频谱, 图3d是初至前噪声的频谱。从相对振幅大小可以看出, 加噪声后的振幅基本等于信号和噪声的振幅之和, 之所以不完全相等, 是因为利用初至前噪声的频谱估算信号区噪声的频谱误差造成的, 就是说不能完全彻底地去除噪声。从去噪后的记录与频谱可见, 去噪效果明显, 去噪后频谱与原始信号频谱基本相同, 有效信号衰减很少。因此, 可以得出如下结论:
a. 该类噪声应该是静态的、时不变的、基本稳定的;
b. 只能去除绝大部分噪声;
c. 少部分有效波能量有所衰减;
d. 去噪前不能做任何时变振幅处理;
e. 与静校正无关。
4 应用效果
为了进一步验证上述方法正确性和对实际资料的去噪效果, 选取了某工区穿过工业区的一条测线, 其主要干扰源来自于抽油机、发电机、大型钻机、车动等机械振动干扰。图4a、4b分别是该线受环境干扰的典型单炮记录和去噪后对应的单炮记录, 可见各种静态环境噪声不同程度地受到了压制, 相对拓宽了频带, 提高了资料的信噪比和分辨率, 为后续反褶积、速度谱、剩余静等处理打下了良好的基础。图5是去噪前后叠加剖面的对比, 信噪比和分辨率两方面均有明显提高, 尤其是薄层、弱信号改善更为明显。图6a、6b分别是去噪前后叠加剖面对应的频谱, 从能量上对比分析, 可以看到30Hz以下低频段噪声能量受到了不同程度地衰减, 高频段弱信号能量相对得到提高, 从而达到了拓宽频带提高信噪比的目的。
5 结束语
通过理论分析和对噪声特征的详细分析, 以及实际资料的应用效果表明, 该方法对一些穿过工业区引起的各种环境静态噪声, 去噪效果明显, 是一种有针对性的叠前去噪方法, 既不引起假频, 也不破坏有效信号的保真度, 虽然应用范围有一定的局限性, 但作为一种特殊情况下的特殊去噪手段是可行的、科学的、也是非常必要的, 可作为众多叠前去噪方法中的一种补充。
参考文献
[1]渥.伊尔马滋, 黄绪德, 袁明得.地震数据处理[M].石油工业出版社, 1994.
[2]张军华, 吕宁, 田连玉, 等.地震资料去噪方法综合评述[J].石油地球物理勘探, 2005, 40 (增刊) :121-127.
[3]陈仲委, 尧得中.自适应顺序统计滤波在地震资料处理中的应用[J].石油地球物理勘探, 2006, 41 (3) :271-274.
[4]蔡希玲.声波和强能量干扰的分频自适应检测与压制方法[J].石油地球物理勘探, 1999, 34 (4) :373-380.