基于熵的特征选择（精选6篇）
基于熵的特征选择 篇1
0 引言
在现实工作中经常会遇到将文件 (如纸质文件) 转换为数字信息并存储在计算机中的情况。传统方法是通过人工整理, 将这类文件中所需要的信息提取出来, 并通过相应软件存储在计算机中。若仅需处理少量文件则这种方法还可以接受, 但在现实工作中经常需要频繁地从海量文件中提取所需信息, 而该信息往往只是整个文件信息的一小部分, 如每个文件的下发时间值等, 采用传统方法会造成极大的时间和人力浪费, 因此不可取。针对此类情况, 可先将待处理文件制作成扫描件图像, 再利用计算机图像处理技术提取文件特征信息。
随着计算机技术的发展, 数字图像处理进入高速发展时期, 对海量图像进行特征信息的识别与提取已成为国内外科研人员的研究热点。当前国内外对图像特征信息识别与提取的应用领域研究主要集中在目标检测与识别、图像纹理分析、图像内容检索等。
在“信息大爆炸”的当今世界, 图像信息的获取和使用越来越便捷, 图像文件的交换和传输也越来越频繁, 特别是Web技术和图像数据库的应用使得高效地从海量图像文件中提取感兴趣的信息成为一个困扰人们的难题。在这种情况下, 如何选择合适的图像处理方法并借助计算机软件准确快速地提取图像特征信息, 具有重要的研究价值和意义。
最大熵模型[1]的一个重要优点是将各种不同来源的信息和知识聚集到一个框架下, 用于解决一些较复杂的问题。最大熵模型可以结合丰富的特征, 同时体现出每个特征的重要性。因此, 很多学者已应用最大熵模型来解决模式分类、特征识别等问题, 并取得了令人满意的结果。
1 AMEFE系统功能介绍
将最大熵原理[2,3]应用于扫描件图像特征信息识别分类器设计中, 利用最大熵原理动态地为源特征信息设定分类阈值[4,5], 以提高图像特征信息的识别率。提出了一种图像区域最大熵特征信息提取系统 (Area Maximum Entropy Feature Information Extraction System) , 简称AMEFE系统。本系统从扫描仪生成的位图文件中提取特征信息, 然后把特征信息存储于相应数据库中, 用户则通过建立在此数据库上的各种Web应用了解相关纸质文件信息。AMEFE系统工作方式如图1所示。
2 AMEFE系统工作过程
基于图像区域最大熵的特征信息提取系统 (AMEFE) 主要由文件获取、文件预处理、特征信息提取、文件批处理和特征信息导入5个部分组成, 整个系统的运行流程如图2所示。
2.1 文件获取
利用扫描仪将纸质文件转换为计算机能够直接处理的数字图像文件, 生成的图像文件大都以位图形式存储在计算机中, 由于扫描设备和环境的差异, 生成位图文件的位数也不相同。
2.2 文件预处理
文件预处理质量直接影响后续识别结果, 将待处理的图像文件 (通常是24位位图文件) 先转换为8位的位图文件, 然后采用中值滤波对图像进行平滑处理。中值滤波是一种局部平滑技术, 是一种非线性的滤波方法, 由于它在实际运算过程中不需要图像的统计特征, 所以使用比较方便。中值滤波可以克服线性滤波器所带来的图像细节模糊问题, 而且对滤除脉冲干扰及颗粒噪声最为有效。但对一些细节多, 特别是点、线、尖顶细节多的图像不宜采用中值滤波方法, 因为本系统处理的对象是纸质文件的扫描图像, 图像特征比较明显, 对纹理细节信息不关心, 所以采用此方法进行平滑处理。
对图像特征信息的提取需要解决两个关键问题, 一是选用什么特征来描述提取目标, 二是如何精确地度量这些特征。特征描述是用于区分特征信息的最基本属性, 特征信息的识别要依据特征描述才能正确进行。出于特征信息识别鲁棒性的要求, 设定的描述必须尽可能地保证特征信息不受噪声影响, 同时必须满足平移、缩放、旋转的不变性。图像的复杂背景不但影响对特征信息的描述, 而且还影响对特征信息的识别和其它处理。通过图像进行预处理的方法将识别目标集中在一个特定的较小区域中, 从而减小了目标检测时图像背景的影响。
2.3 特征信息提取
首先进行区域锁定, 将待提取的特征信息所在区域包含在所选取的窗口中, 此窗口的最初选取需要进行尝试性试探, 然后再对窗口图像进行二值化处理。在二值化处理过程中采用窗口图像灰度直方图的阈值法, 即将图像灰度直方图两峰之间的谷底灰度值作为图像二值化处理的阈值。最后依据AMEFE特征信息识别器提取特征信息。
AMEFE特征信息识别器的设计以对被识别特征进行分类所造成的错误识别率最小或引起的损失最小为识别决策, 并建立在对源特征信息识别库的学习训练基础上。AMEFE特征信息识别器的设计流程如图3所示。各个单元之间的任务是相互依赖、相互反馈的。
识别器的设计建立在图像最大熵原理和结构风险最小原理基础之上, 通过适当选择最大熵阈值函数使对训练样本的实际学习风险最小, 保证了通过有限训练样本得到的小误差识别器及对独立测试集的测试误差仍然最小, 进而得到一个具有最优识别能力和推广泛化能力的特征信息识别器, 较好地解决了小样本、非线性和局部极小值等实际问题。
2.4 文件批处理
对同一批次文件进行集中处理, 不仅可以提高特征信息提取效率, 而且可以减少对数据库的操作, 有助于提高数据安全性。批处理的直接结果将生成一个数据列表文件, 包含本次批处理的各个文件名称和其相对应的每个特征信息, 这个数据列表文件可以是Excel文件也可以是txt文本文件。
2.5 特征信息导入
将文件批处理得到数据列表文件中的数据一次性导入到相应数据库中, 此后对数据的所有操作都交给相应的DBMS完成。工作人员或用户即可通过Web页面或各种客户端应用程序完成相应操作, 完全摆脱了对实体文件的依赖, 提高了信息化管理应用水平。
3 结语
当今社会对于信息公开的呼声越来越高, 但有些部门文件具有低度的私密性, 完全以私密性为由拒绝公开全部内容又不太合适, 在这种情况下可采用AMEFE系统将文件中的非私密性信息提取出来, 以Web等形式进行公开。这样既满足了公众对信息公开的诉求, 又保证了原始文件的绝对私密性。
参考文献
[1]胡琛, 王彬.基于最大熵原理的分布模型[J].山东理工大学学报:自然科学版, 2007, 21 (6) :87-90.
[2]曲英杰, 孙光亮, 李志敏.最大熵原理及应用[J].青岛建筑工程学院学报, 1996, 17 (2) :94-100.
[3]杨杰, 胡德秀, 吴中如.基于最大熵原理的贝叶斯不确定性反分析方法[J].浙江大学学报, 2006, 40 (5) :810-815.
[4]史玉峰, 靳奉祥, 王健.基于信息熵的测量数据粗差识别法[J].测绘通报, 2002 (2) :38-41.
[5]汪海洋, 潘德炉, 夏德深.二维Otsu自适应阈值选取算法的快速实现[J].自动化学报, 2007, 33 (9) :968-971.
基于熵的特征选择 篇2
基于多元联合熵的航空发动机性能分析
航空发动机的无序度在整个演化过程是在不断变化的`.本文引入了信息熵理论,用多元联合熵来刻画航空发动机的有序性和演化方向.实际数据分析表明:用多元联合熵描述的航空发动机的性能演变趋势与实际情况吻合.本文的研究为航空发动机及其它复杂机械系统的性能监控提出了一种新的普适性方法.
作 者：李俊涛 张凤鸣 李永宾 LI JUNTAO ZHANG FENGMING LI YONGBIN 作者单位：空军工程大学工程学院,陕西西安,710038刊 名：微计算机信息 PKU英文刊名：CONTROL & AUTOMATION年，卷(期)：23(1)分类号：V239关键词：航空发动机 熵理论 多元联合熵 性能监控
基于熵的特征选择 篇3
关键词：大学生； 思想特征； 群体活动
中图分类号：G641 文献标识码：A 文章编号：1006-3315(2012)03-143-001
一、开展大学生群体活动的意义
群体活动是以群体形式参加的、需要与他人进行互动、直接与他人发生相互作用的活动。群体活动是学校教育的重要组成部分，群体活动的自主选择性、组织的灵活性、教师的导向性、同伴的激励性等特点区别于传统的教学形式和教学方法的束缚，把传统的活动加以创新和发展。群体活动是校园文化建设的重要组成部分，对大学生思想特征的塑造、大学生综合素质的培养和校园文化建设具有重要的现实意义。
二、大学生的思想特征
1.价值观出现“功利化”“多元化”倾向
大学生思维活跃，有极其敏锐的感受力和洞察力。大学生价值观极易受社会环境变迁的影响，当代大学生价值取向的主流呈健康向上的趋势。但是由于我国当前市场运作法规和秩序尚不健全，加之各种不良思潮的冲击，大学生价值取向中消极因素呈增长趋势，部分大学生的人生价值观出现了“功利化”“多元化”的倾向，大学生中“个人主义”思想也有所抬头。
2.心理承受能力和社会适应能力较差
据有关调查显示，全国大学生中因精神疾病而退学的人数占退学总人数的54.4％，有28％的大学生具有不同程度的心理问题，其中有近10％的学生存在着中等程度以上的心理问题。在最近的几次对大学生的心理健康调查表明，大学生中精神行为检出率为16％，心理健康或处于亚健康状态的约占30％。诸多的数据和事实表明，大学生已成为心理弱势群体。
3.当代大学生的个性极强
当代大学生的个性表现为有主见，不盲目服从，不人云亦云。他们思考的触角不再只是指向一些具体、切近的事物，而几乎是指向所有的问题。他们的思维具有较好的变通性和灵活性，对新事物容易理解和接受。但有些时候又因为大学生的个性极强容易产生偏激心理。
4.当代大学生的自我管理能力较差
家长对孩子的娇宠，加之社会大环境的影响，他们不知道管理自己什么，以及如何进行自我管理。学生的自我管理能力不容乐观，其主要表现在学习目标不明确，不能给自己很好的定位，心理承受力较弱，生活方式不健康，具有较强的依赖性，身体素质下降，消费缺乏理性，经济支配盲目随意。
三、针对大学生的思想特征选择开展群体活动的路径
1.充分利用学生的第二课堂，培养学生良好的思想道德品质和文化素养
大学生之所以缺乏对政治理论学习兴趣，主要在于政治理论本身较为枯燥，且不够形象较难理解，可以通过第二课堂开展群体活动激发学生对政治理论知识加以形象化和具体化，使学生更易于理解。例如：可以组织学生到附近一些变化较大的村镇、厂矿进行参观，听取一线党员实践科学发展观等政治理论的经验。从而将枯燥的理论变为鲜活的画面将理论和实践结合起来，开启学生对政治理论知识学习的兴趣之门，之后定期组织关于政治理论知识的征文竞赛或知识竞答促进学生对政治理论知识的学习。
2.根据学生的兴趣爱好，由学生自主开展群体活动
群体活动开展的成功与否不仅和活动的谋划、组织有关，而且和学生的兴趣有直接的关系。教师要把握大学生的兴趣爱好，根据大学生的兴趣爱好对学生组织设计的活动内容加以引导，发挥学生的主动性。同学与同学之间相互接触和相互了解要比老师容易，学生自主地开展群体活动能够更好地把握大学生的思想动态，更多的学生才能参与到活动中来，群体活动才能起到真正的作用。
3.针对学生的心理特征开展群体活动
目前，独生子女在大学生当中的比例越来越大，由于人们生活水平的不断提高，家长越来越重视子女的教育，但是在生活方面对孩子比较娇宠。这种现象造成部分学生性格孤僻，思想偏激，依赖性较强，在遇到挫折和困难时自己不能很好地处理，影响到以后的生活和学习。针对这种情况，可以在大学生中进行野外拓展训练。
4.群体活动与社会生活相联系，提高学生适应社会的能力
人的社会属性决定人不可能脱离群体、脱离社会而存在，大学生每天的生活一般都固定在三点一线上，宿舍、教室、食堂，与外界社会的接触较少，以至于毕业后进入社会总要走很多弯路。基于以上情况，我们可以把学校作为一个小的社会，通过开展群体活动的形式，来模拟社会生活，还原社会生活的真实场景。
5.增强群体活动内容的弹性，促进学生个性的发展
群体活动多以各类比赛的形式出现，形式比较呆板。一般是以院系为单位组队参赛，更多的是各院系自筹组办的活动，比赛对学生的运动技能要求较高，这样大多数学生就成了看客，使其成为少数学生自我展示的舞台，无法实现群体活动的价值。所以说，群体活动的开展要关注学生的个体差异，这就要求群体活动内容富有弹性，确保每一位学生受益。
四、建议
围绕学生的思想特征开展群体活动具有现实性和时代性。为适应社会发展需要，对大学生的思想特征加以塑造已成为学校教育的重要内容，在组织开展群体活动时注重学生思想特征的变化，通过对活动规则、活动内容、活动时间、活动地点，活动奖励等活动要素的精心设计和巧妙组合，使学生的思想特征在组织和参与活动的过程中逐步加以塑造，另外，要提高群体活动的趣味性和吸引力，吸引更多的学生参与其中，才能真正发挥群体活动的作用。
参考文献:
[1]诸红威,丁泽峰.大学生综合素质培养探析[J].教育园地,2011(2):92
[2]陈兰兰.大学生自我管理能力缺失的表现及培养路径探索[J].实践与探索, 2011（32）:312
[3]祝明慧.高校群体活动的研究[J].体育世界.学术,2007(3):79
基于熵的特征选择 篇4
对植物电信号的特征文中采用多小波熵来提取,并且结合信号本身的信息熵,构造二类干旱胁迫下君子兰叶片信号的特征向量,采用KNN方法对特征值进行分类别,实验表明,此方法对植物电信号分类很有效。
1 信号熵特征的描述
熵可定义为:平均不确定性,它来自于信号的平均信息量及信源,可表达信号潜在的变化过程的有效信息。若是将信源看成物质系统,假如消息输出非常多,信源的不确定性及随机性则越来越大,很紊乱,熵也越来越大,因此信息熵可以衡量系统紊乱的程度[5]。
1.1 定义信号时间熵
信号时间熵的定义:它统计分析在时域上的信号信息,并划分信号,最后用定量的熵来表示时间上信号的分布复杂度。
设x(n)为实测信号,其中n∈[0,N],N为信号数据的个数。将信号划分为如下L个区间,有:
式中,{Zl=[sl-1,sl],l=1,2,⋯,L}互不相交。
设p(Zl)表示信号x(n)落于区间Zl的概率,按古典概率分布,即等于x(n)落于Zl的数目与x(n)总数目N之比值,于是定义信号时间熵(signal time entropy):
1.2 信号频率熵的表述
信号频率熵是对信号在频域上信息的统计分析,对信号进行傅里叶变换,然后划分变换后的信号,最后用定量的熵来描述频率上信号的分布复杂度。
设y(w)为信号x(n)的傅里叶变换,将y(w)的绝对值划分为如下L个区间,有:
类似于信号时间熵Zk等价于Zl,p(Zk)等价于p(Zl),即就是等于y(w)落于Zk的数目与y(w)总数目的比值,因此可定义信号频率熵(signal frequency entropy):
2 描述小波熵特征
由于多分辨分析将小波基的构造和实施纳入统一框架,并有良好的时频局部化能力,且有快速实用算法,因此,将小波变换及信息熵结合在一起,有利于得出计算信号的小波熵的方法和定义。
2.1 小波能量熵
小波能量熵:它是统计分析在各频段上被分析信号的能量分布,以小波变换的尺度系数为基准对信号能量划分,最后用定量的熵值来表达信号能量频域上的复杂分布。
设在m个尺度上信号x(t)的小波能谱为:E=E1,E2,...,Em,则在尺度域上可得出E的分类的信号能量。根据正交小波的性质,在某一时间窗口内信号总功率E等于各分量功率Ej之和,设,则∑pj=1,故可给出小波能量熵(wavelet energy entropy)为:
当pj=0时,pjln(pj)=0。
2.2 小波奇异熵
奇异值分解的理论能够从被分析矩阵中快速地提取它的基本模态特征,利用SVD理论的该优势,小波奇异熵可从被分析信号中提取出小波变换系数矩阵特征,从而被分析信号的时频分布特征被充分地表示出来。
设在j(j=1,2,⋯,m)尺度下,Dj(n)为信号的小波分解,故在m个尺度的分解可以构成m×n的矩阵D,根据信号奇异值分解理论知,对于一个m×n的矩阵D,一定有一个m×l维的矩阵U、一个l×n维的矩阵V和一个l×l维的矩阵Λ,必定使得矩阵D分解为:
式中,对角线矩阵Λ的主对角线元素λi(i=1,2,⋯,l)是大于零的,并按照降序排列,即λ1≥λ2≥...≥λl≥0。为了使信号的频率成分以及分布特性精确地定量表示,可定义小波奇异熵为(wavelet singular entropy):
式中,Δpi为第j阶增量小波奇异熵。
2.3 小波方差谱熵
对于给定的信号经小波分解后得到的方差谱,j=1,2,⋯m,其中Wj为在尺度j下小波系数的方差谱。定义小波方差谱熵(wavelet Variance entropy):
式中,表示在尺度j下的方差概率。
3 提取和分类特征
3.1 特征向量的描述
从不同角度,信号的分布统计特征可由不同的信号熵和小波熵来描述。进而就为提取植物电信号的特征奠定了基础。可是因为特征信息,它存在了一定的不确定性和不完备性,故采用多种小波熵和信号本身的熵来分析植物电信号,就能够得到可信度很高的分类识别结果。文中将信号时间熵wt、信号频率熵wf、小波能量熵we、小波奇异熵ws、和小波方差谱熵wv等五种特征参数组合在一起,构造了特征向量T=[wewswvwtwf]。
3.2 KNN分类方法
k NN是一种非参数的分类技术,是最邻近法(NearesttNeighbors)的推广。其算法的基本思想:将所有N个训练样本都看做代表点,计算所有样本点到测试样本x的距离,然后查找出与x最近的训练样本中的k个最近邻,最后观察这k个近邻中的多数分属哪一类,便将x分配到哪类中。
4 特征提取实例
本文引用的二类植物电信号数据是由西安理工大学理学院习岗教授实验室所采集,测定生长状况正常下的君子兰叶片电信号,并将它作为对照组,然后加入14%的PEG溶液干旱胁迫,可测定叶片的相对含水量,当它达到重度胁迫时,采集得到对应的电信号。本文中将正常生长状况下的君子兰叶片电信号记为:一类;重度干旱胁迫下的君子兰叶片电信号记为:二类。试验得到二类君子兰叶片电信号的特征值,共计20组,每类10组。现采用KNN分类方法识别提取的特征向量,设训练样本为:每类中的前3组样本,则测试样本为:余下的7组样本。分类正确标记为1,分类错误标记为0,实验结果见表1。
5 结论
文中研究了三种小波熵及定义的两种信号熵在植物电信号识别中的应用原理,提出了基于多小波熵和信号熵在特征提取中的应用方法,得出了以下结论:1)结合小波变换、信息熵的原理,得出了各类小波熵的定义。在信号处理中融合三者的优势,为识别植物电信号的方法奠定了一定的基础。2)通过将小波熵及信号本身熵相结合,来提取特征向量,并采用了KNN分类方法,故而降低了分类结果的不稳定性,进一步提高了植物电信号可靠性的识别。
摘要：为了有效地对植物电信号进行分类,提出了一种基于多小波熵与信号自身熵的特征提取方法。小波熵由于结合了小波变换和信息熵理论的优势,能快速准确地提取植物电信号的特征,但由于植物电信号的非平稳性和多样性,依靠单一的小波熵可能出现分类困难和分类不准确等问题,结合多种小波熵和信号本身的熵信息进行了特征提取。该文以二类干旱胁迫下的君子兰叶片信号为对象,对它的特征向量进行提取,并且用KNN方法分类别。通过试验说明,此算法可以识别君子兰叶片的电信号,为植物电信号的识别提出了一种可行的新方法。
关键词：多小波熵,信号熵,植物电信号,特征提取,KNN分类
参考文献
[1]Gurovich L,Hermosilla P.Electric signaling in fruit trees inresponse to water applications and light-darkness conditions[J].J Plant Physiol 2009,166:290–300.
[2]Xiaofei Yan,Zhongyi Wang,Lan Huang,Cheng Wang,Rui-feng Hou,Zhilong Xu,Xiaojun Qiao.Research progress onelectrical signals in higher plants[J].Progress in Natural Sci-ence,2009,19(5):531–541.
[3]Rosson O A,Blanco S,Yordanova J,et al.Wavelet entropy:a new tool for analysis of short duration brain electrical signals[J].J Neurosci Meth,2001,105(1):65-75.
[4]曾庆虎,刘冠军,邱静.基于小波相关特征尺度熵的预测特征信息提取方法研究[J].中国机械工程,2008,19(10):1193-1196.
基于熵的特征选择 篇5
泥石流是爆发在山区小流域内的特殊地质灾害,流域地貌条件制约着泥石流的形成和运动,影响着泥石流的发生和规模,因此,可以根据流域地貌的`发育阶段判断泥石流的危险性.流域系统地貌信息熵理论是Strahler面积-高程分析法与信息熵原理的有机结合,是计算流域地貌发育阶段的定量方法.作者探讨了利用流域系统地貌信息熵理论进行泥石流危险性评价的方法,并选取辽宁省岫岩县哈达碑镇的21条流域作为实例进行验证.评价结果表明,利用地貌系统信息熵值来判断泥石流的发育程度,具有较好的客观性、可操作性和可靠性.
作 者：王晓朋 潘懋 任群智 WANG Xiaopeng PAN Mao REN Qunzhi 作者单位：王晓朋,潘懋,WANG Xiaopeng,PAN Mao(北京大学地球与空间科学学院,北京,100871)
任群智,REN Qunzhi(辽宁省冶金地质勘查局地质勘查研究院,鞍山,114019)
基于熵的特征选择 篇6
摘要： 针对地下磁性掩埋物检测时，磁异常信号信噪比低的问题，提出基于小波熵的微弱磁异常信号降噪方法。小波变换对弱磁异常信号进行提取的关键在于确定小波系数的阈值。为此，引入反映信号能量分布特性的小波熵概念和一个调节因子，最终确定阈值，利用软阈值方法处理高频系数。通过计算机仿真对算法进行了检验。结果表明：该算法可以有效地提高信噪比，还原原始信号。
关键词： 磁异常探测； 微弱信号； 小波熵； 降噪
中图分类号： O 441.4文献标识码： Adoi： 10.3969/j.issn.10055630.2013.04.003
引言磁性掩埋物引起的地磁异常信号是地下物体探测的重要信号源。磁异常探测方法是通过检测磁异常信号进行地下掩埋物检测的，属于被动测量，故其简单方便，应用广泛。但在实际探测中，有效磁异常信号通常会被噪声掩埋，直接从时域波形中很难检测到微弱的有效磁异常信号。针对这一问题，本文提出了小波熵的微弱磁异常信号降噪算法，并对算法的有效性进行了检验。1小波熵理论
1.1小波变换小波变换是一个时间和尺度上的局部变换，因而能有效的从信号中提取信息，通过伸缩和平移等运算功能对信号进行多尺度分析[12]。
1.2小波熵熵表示每个符号所提供的平均信息量和信号源的平局不确定性，信号熵值的大小反映了概率分布的均匀性，最大熵代表最大的不确定性[3]。
1.3小波熵去噪原理信号在小波域内其能量主要集中在有限的几个系数内，而噪声的能量分布于整个小波域中。利用信号在不同小波分解尺度上具有不同的小波熵，能够自适应的确定高频系数分量的阈值，从而可以准确地检测出强噪声环境中的弱信号，实现磁异常信号的强噪声去除。
3磁异常信号的小波熵降噪分析
3.1磁异常信号的仿真采用计算机仿真对算法在微弱磁场信号降噪中的有效性进行验证。
3.2小波熵算法仿真验证仿真产生信噪比SNR为-5.6 dB，MSE为5.2×10-4的目标信号与高斯白噪声的混合信号（即原始信号S），该信号能够较准确地反应实际地磁信号的基本特点，如图4（a）所示。可见原始信号被背景噪声掩埋，采用小波熵算法处理后的结果如图4（b）所示，信号形式较原来有所改进，信噪比提升为1.3 dB，MSE减小为1.0×10-4，但是信号不够平滑，噪声仍然很明显。针对此情况，改进阈值的选取准则，增加一个手动调节系数m：λ=mσ2lnN（14）调节设定系数m不同值，比较结果，如图5所示，m系数依次为2、5、20。图4小波熵的处理结果
由图6的处理结果可以看出，m越大小波熵处理后的SNR和MES越好，但是随着m的增大，信号的幅值在衰减，当m=20时，幅值小于0.06 nT。当m=5时，处理后的信号幅值与原始信号接近，而且在[400，600]的采用区间内，能够将原始信号的异常突出。图6含强噪声信号及小波熵处理结果
当信号加入强噪声时，信噪比SNR为-11 dB，MSE为0.002 1的含噪信号如图6所示。原始信号完全被淹没，无法找出磁异常峰值所在位置，利用小波熵算法对信号进行处理，通过调整到m=20时，仍然能够将[400，600]区域内的地磁异常曲线突显出来，但是此时幅值衰减到0.04 nT。4结论本文分析了磁异常信号及其所含噪声的特点，并建立了与真实地磁信号较吻合的噪声模型。利用小波熵算法的降噪原理及特点，从能量的角度综合小波各尺度系数分布的特征，不需要直接处理大量的小波系数，使得小波熵算法有较好的降噪效果。对于含强噪声信号及其他噪声模型，此方法仍然可以较准确地提取磁异常信号，但对于含强噪声信号来说，该算法是以信号幅值衰减为代价实现提取的。
参考文献：
[1]ALBERT B，FRANCIS J N.小波与傅里叶分析基础[M].芮国胜，康健，译.北京：电子工业出版社，2005.
[2]杜杭，王惠南.利用小波变换提高数字全息信噪比[J].光学仪器，2009，31（2）：26-30.
[3]郭兴明，汤丽平.基于小波变换和样本熵的心音识别研究[J].计算机应用研究，2011，27（12）：4555-4557.
[4]KAYSER J，TENKE C E.Principal components analysis of Laplacian waveforms as a generic method for identifying ERP generator patterns：I.Evalation with auditory oddball task[J].Clinical Neurophysiology，2006，117（2）：348-368.
[5]丁玉美，阔永红，高新波.数字信号处理-时域离散随机信号处理[M].西安：西安电子科技大学出版社，2002.
[6]ARIE S，NIZAN S.Magnetic anomaly detection using entropy filter[J].Measurement Science and Technology，2008，19（4）：52-55.
[7]侯宏花，桂志国.基于小波熵的心电信号去噪处理[J].中国生物医学工程学报，2010，29（1）：22-28.
[8]BORIS G，LEV F，BEN Z K.Processing of magnetic scalar gradiometer signals using orthonormalized functions[J].Sensors and Actuators，2002，102（2）：67-75.