基于集合经验模态分解和奇异值分解的激光雷达信号去噪

	基于集合经验模态分解和奇异值分解的激光雷达信号去噪
	程知 1; 何枫 1; 靖旭 1; 张巳龙 1; 侯再红 1
刊名	光子学报
	2017
卷号	046
关键词	大气湍流去噪集合经验模态分解奇异值分解激光雷达
ISSN号	1004-4213
其他题名	Denoising Lidar Signal Based on Ensemble Empirical Mode Decomposition and Singular Value Decomposition
英文摘要	为了提高差分光柱像运动激光雷达（DCIM雷达）探测信噪比,提出了一种基于集合经验模态分解（EEMD）和奇异值分解（SVD）的混合降噪法.由EEMD获得含噪信号多层模态分量,根据各模态分量之间互相关系数的差分量确定主要噪声并予以滤除,利用奇异值分解识别模态分量中的残余噪声并提取有用信号.利用混合降噪法EEMD-SVD和EEMD方法分别对模拟仿真信号和实测激光雷达信号进行降噪处理.结果表明,当模拟噪声标准差在0.05～0.2之间时,相比与未降噪直接反演的湍流廓线,EEMD-SVD方法降噪后反演的湍流廓线信噪比提高了2.718 7dB～6.921 5dB,相应的EEMD方法提高了1.446 1dB～3.366 1dB;两个不同时段DCIM雷达降噪前后反演廓线与探空廓线的对比发现,EEMD-SVD和EEMD两种方法降噪后反演廓线较之于未降噪的反演廓线,信噪比最大提高了2.526 5dB和2.155 6dB.EEMD-SVD的降噪效果优于EEMD,能够更有效地识别和滤除噪声,较大地提高了原始信号的信噪比,获得更准确的大气湍流廓线反演结果.
语种	中文
CSCD记录号	CSCD:6116965
内容类型	期刊论文
源URL	[http://ir.hfcas.ac.cn:8080/handle/334002/53483]
专题	中国科学院合肥物质科学研究院
作者单位	1.中国科学院安徽光学精密机械研究所 2.中国科学院安徽光学精密机械研究所 3.中国科学院安徽光学精密机械研究所 4.中国科学院安徽光学精密机械研究所 5.中国科学院安徽光学精密机械研究所
推荐引用方式 GB/T 7714	程知,何枫,靖旭,等. 基于集合经验模态分解和奇异值分解的激光雷达信号去噪[J]. 光子学报,2017,046.
APA	程知,何枫,靖旭,张巳龙,&侯再红.(2017).基于集合经验模态分解和奇异值分解的激光雷达信号去噪.光子学报,046.
MLA	程知,et al."基于集合经验模态分解和奇异值分解的激光雷达信号去噪".光子学报 046(2017).