技术摘要：
本发明公开了一种基于改进EEMD与PCNN的气体泄漏声波信号降噪方法，属于信号处理与计算机仿真应用领域。借助EEMD方法对非平稳非线性信号独具的分解优势，将采样信号分解成若干阶IMF分量。随后利用改进PCNN模型的神经网络信号传递方式，进一步对各噪声分量进行降噪。最后  全部
背景技术：
有毒有害、易燃易爆等气体是化工企业生产运输中最大的安全隐患，对危化气体 实  施有效监测是减少重大灾难事件发生的主要手段之一。对气体泄漏及时进行修补的前 提  是根据采集信号特征判断出事故的发生，因此研究具有鲁棒性和可靠性的信号降噪算 法  对监测与补救危化气体泄漏事故极具有意义。 气体泄漏信号产生的主频信号约为20Hz，气体泄漏信号噪声的主要来源包括机械  噪声和环境噪声。超声波信号不同于周围噪声，但在环境中为了有效地监测到准确的气  体 泄漏信号，需对采集的声波信号进行降噪处理。 信号预处理对后续的信号特征提取与分析至关重要，为了研究气体泄漏信号降噪 的  问题，近几年降噪算法不断推陈出新，如王云龙提出了小波半软阈值降噪的方法，其根  据分解信号得到的信号相关系数制定各尺度的细节系数以及近似系数，减小了小波软阈  值函数与硬阈值函数在信号重构过程中出现的偏差；张杏莉提出了变分模态分解和小波  能量熵结合的改进阈值函数降噪算法，对原始信号进行VMD分解后，以小波能量熵计  算各 尺度层阈值来进行降噪，改善了阈值选定方法，提高了信号的信噪比；周建提出了  基于 Shannon熵的自适应小波包阈值函数去噪算法，制定稀疏惩罚机制，避免了阈值选  择带来 的难题，同时具有更好的去噪效果；靳柯提出了基于双线性回归的测序数据去噪  算法，在 单细胞数据处理中卓有成效。于是，考虑提出一种模型新颖的降噪方法，对危  化气体泄漏 信号降噪提供新思路。
技术实现要素：
发明目的：针对目前传统信号降噪算法在阈值选取方面的限制问题，本发明提出 一  种基于改进的集成经验模态分解(EEMD,Ensemble  Empirical  Mode  Decomposition)与  脉冲耦合神经网络(PCNN,Pulse  Coupled  Neural  Network)的气体泄漏信号降噪方法，  将 信号进行集成经验模态分解后经过PCNN模型降噪，利用神经元自动传递的机制来克  服传 统降噪算法阈值选取时的障碍，有效地剔除气体泄漏信号中包含的各种噪声，提高  信号的 信噪比，并降低其均方根误差，为信号去噪提供了新思路。该方法适用于非平稳  非线性信 号噪声的去除。 技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于改进EEMD  与PCNN的气体泄漏信号降噪方法，包括以下步骤： 步骤1，采集原始气体泄漏信号，构建样本信号，对样本信号进行集成经验模态分  解EEMD，得到若干个IMF分量，求取各IMF分量与原信号的相关系数；所述相关系  数是指描 述分解后各阶分量与原信号的关联程度的系数； 4 CN 111582132 A 说　明　书 2/6 页 步骤2，判断各IMF分量是否为噪声分量，对判定为噪声分量的IMF分量执行步骤  3 进一步降噪，保留未被判定为噪声分量的IMF分量等待信号重构； 步骤3，根据各IMF分量与原信号的相关系数，调整PCNN模型的内部活动项与神  经 元衰减系数，并分别对各IMF分量进行PCNN降噪； 步骤4，将经过PCNN降噪后的IMF分量与步骤2中未被判定为噪声分量的IMF  分量 共同进行信号重构，完成对原始信号的降噪。 进一步的，所述步骤1，构建样本信号及EEMD分解，方法如下： 步骤1.1，将幅度系数为k的等长随机高斯白噪声G(t)添加进采集的原始气体泄漏  信号X(t)中，构成样本信号N(t)，即N(t)＝X(t) G(t)； 步骤1.2，利用高斯白噪声的零均值特性，通过对样本信号求取平均值，初步消除  样本信号中的噪声，对去噪后的信号进行EEMD分解，得到若干个IMF分量； 步骤1.3，根据约束条件对IMF分量进行筛选，得到表征信号的IMF分量，并利用  matlab调用corrcoef函数求取各IMF分量与原信号之间的相关系数。 进一步的，所述约束条件包括： a)零点与极值点个数之差的绝对值小于或等于1； b)样本信号N(t)的上下包络线均值为零。 进一步的，所述步骤3，调整PCNN模型的内部活动项与神经元衰减系数，并分别  对 各IMF分量进行PCNN降噪；方法如下： 步骤3.1，将传统脉冲耦合神经网络PCNN模型接收域中的神经元反馈输入与耦合  连接输入两条并行通道的维度由m·n变为1·n，同时将连接矩阵与权值矩阵变为1·n的  矩阵，由此令权值矩阵做欧基里德平方倒数得到的权值适用于一维向量，从而将脉冲耦  合 神经网络PCNN的传递机制运用于一维信号降噪中； 利用PCNN模型滤除信号中的噪声的原理是：当信号作为输入端信号进入神经网 络，  信号序列中每个数就是一个神经元，表征神经元活动状态的PCNN模型内部活动项与阈  值的关系将会决定输出； 步骤3.2，初始化PCNN模型，将各IMF分量作为反馈输入信号输入PCNN模型的  接收 域，构成反馈输入信号Fi[n]＝Si，其中Si表示神经元激励；PCNN模型的耦合连接  输入信号 计算公式为： 其中Li[n]表示耦合连接输入信号，VL表示连接幅度常数，Wi表示耦合连接矩阵，Yj 表示PCNN第j次点火过程中的神经元点火状态，i表示信号序列中某个数值的时域序号，  j 表示点火过程计数次数，n是迭代次数； 步骤3.3，利用改进的PCNN模型捕获神经元并决定是否点火产生脉冲，若点火产  生脉冲则改变阈值大小，即利用动态阈值进行信号去噪处理，通过点火产生脉冲，改变  动 态阈值大小，过滤掉非有效幅值的信号； 捕获满足 的神经元共同决定PCNN模型内部活动项的状态，决定  神经元是否点火； 5 CN 111582132 A 说　明　书 3/6 页 脉冲产生的原理如下： 其中Ti[n]是动态阈值，αE是决定阈值衰减速度的阈值衰减系数，VE是动态阈值的  提升系数，Ei[n-1]是链接输入Li[n]的上一时刻状态，Yi[n-1]是神经元迭代n次脉冲输  出 的上一时刻状态； 当αE增大且内部活动项Ui[n]>Ti[n]时，神经元符合点火条件，第i个神经元被点 火；  Yi将有效信号在第i个点的幅值作为输出值；当αE减小时，神经元不符合点火条件，Yi输  出0，表示如下： 步骤3.4，计算模型的权值矩阵，根据各IMF分量与原信号的相关系数，调整PCNN  模型的内部活动项中的神经元内部突出连接系数与神经元衰减系数，从而使PCNN模型  适 用于各IMF分量；内部活动项Ui[n]为： Ui[n]＝Fi[n](1 βLi[n]) 其中Fi[n]表示神经元迭代n次后得到的反馈输入，β表示神经元内部突出连接系 数，  Li[n]表示迭代n次后的耦合连接输入； 步骤3.5，判断是否满足终止条件即连续k次迭代Yi输出0，若满足终止条件，则迭  代结束，输出当前信号序列；否则，返回步骤3.2，重新初始化模型，将当前的信号序  列重新 输入模型进行下一次迭代，直到满足终止条件。 有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果： 本发明将传统脉冲耦合神经网络接收域中的神经元反馈输入与耦合连接输入两 条  并行通道的维度从m·n改成1·n，同时将连接矩阵与权值矩阵改成1·n的矩阵。由此， 令  权值矩阵做欧基里德平方倒数得到的权值适用于一维向量并且将PCNN优秀的神经网  络传递机制移植到一维信号处理中。相比于普通模态分解降噪方法，本发明添加了PCNN 降 噪模型，从不同角度对信号进行降噪，使得本发明方法降噪能力更强。此外，在传统 阈值降 噪概念的基础上，解决了阈值难以确定的缺陷。因此，本发明降噪方法具有降噪 能力强、有 效信号保留能力强、传统方法弊端小的优点。 附图说明 图1为本发明方法实现流程图； 图2为PCNN算法流程图； 图3为气体泄漏原始信号图； 图4为EEMD分解图； 图5为IMF1降噪前后对比图； 图6为IMF2降噪前后对比图； 图7为原信号频谱图； 图8为原信号经EEMD-PCNN降噪后的频谱图； 图9为原信号经EEMD-PCNN降噪后的信号图； 6 CN 111582132 A 说　明　书 4/6 页 图10为对信号加信噪比为50dB的高斯白噪声前后对比图； 图11为加噪信号频谱图； 图12为降噪后信号频谱图。