双模噪声下基于小波变换和小波神经网络的信号去噪的研究

非高斯噪声研究是近年来现代信号处理理论的核心内容之一,对信号的降噪处理理论研究一般都是建立在高斯噪声模型基础上的,而现实生活中碰到的以非高斯噪声为主。本文采用了现代信号处理的方法,对含有非高斯噪声的非平稳信号进行降噪处理,具有一定的理论意义和应用价值。从小波变换的特性出发,本文构造了一种新的阈值函数,对被双模噪声污染以后的信号进行去噪,降噪之后的信噪比和均方误差指标均有较大的改善,可以方便的提取和识别有用信号。为了最大限度地降低双模噪声对有用信号的严重干扰,提高接收信号的信噪比,本文利用小波神经网络能够自适应降低噪声的特点,对被双模噪声污染以后的信号进行了去噪处理。在训练小波神经网络时,采用了morlet小波函数和改进的梯度下降算法,并采用不同的小波函数训练结果作比较。该网络有一个动态的学习率,它随误差变化而调整。结果表明:小波神经网络应用于被双模噪声污染以后的信号的去噪时,能够达到较理想的去噪效果;采用改进的梯度下降算法,训练速度快,网络训练59次后完成,误差达到0.0167,有效地避免了局部极小值的出现,这些特点在对进一步去除信号中含有的噪声、提取有用信号的实时处理方面具有重要的意义。