具体实施方式

：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

如图1所示，本实施例提供一种含有基线漂移和高频噪声的光电传感信号重构方法，包括：

S1：对光电传感信号进行EEMD分解后得到IMF分量；

S2：对存在基线漂移的IMF分量，根据其阶数选择自适应滤波器以获取基线漂移估计值，对剩余的IMF分量获取高频噪声估计值；

S3：对光电传感信号滤除前述两类估计值后，得到重构信号。

在本实施例中，为了方便且准确的计算信噪比，在原始光电传感信号中加入高斯噪声，对光电传感信号进行EEMD分解，分解成N级IMF分量和残留分量。

在本实施例中，根据光电传感信号基线漂移和高频白噪声的特点，即基线漂移分布在最后几阶IMF分量中，噪声信号主要分布在前几阶IMF分量中，而删除最后几阶IMF分量可能会造成重构信号的失真，故本实施例提出EEMD自适应滤波，引入一组自适应低通滤波器依次处理最后几阶IMF分量，获取基线漂移信号估计值，以此滤除基线漂移信号。

在本实施例中，所述步骤S2中，对于IMF分量，选择与IMF阶数自适应的低通滤波器处理基线漂移信号，将处理过后的各阶IMF分量进行重构，获取基线漂移估计值和高频噪声估计值；具体包括：

对原始光电传感信号加入白噪声后得到信号X(T)，进行EEMD分解处理，X(T)分解为多个IMF分量，设为x_k(t)：

其中，N是IMF分量的数量；

对于存在基线漂移的M阶IMF分量，通过低通滤波器h_k(t)将x_k(t)由高阶处理为低阶，该低通滤波器h_k(t)的输出为：

y_k(t)＝h_k(t)*x_k(t)

其中，*表示卷积，h_k(t)是低通滤波器。

随着IMF阶数的降低，每个IMF分量中包含的慢振荡分量越来越少，而信号分量越来越多；因此，设计一组截止频率ω_k随IMF阶数的减小而减小的自适应低通滤波器，具体为：首先从最后一阶IMF分量开始，即x_N(t)分量的自适应滤波器截止频率为ω_N(t)，因此，第k个滤波器的截止频率为：

ω_k-1＝ω_k*α

其中，α是0.1到0.99之间的数，k＝N,…,2,1。

根据IMF各阶数分量的特性，基线幅值随着阶数的减少而逐渐减小，因此，从每个IMF分量中提取出包含低频成分的滤波器输出y_k(t)，计算y_k的标准差std(y_k)和评价系数P_K作为停止准则，以确定M值：

其中，k＝1,2,…n，flip代表反转函数，设置基线漂移的阈值系数ε，范围是0-0.1，如果P_K＜ε，则截止阶数M＝N+1-k；

在本实施例中，设置ω_N为10，α为0.9，ε为0.01，将M+1～N阶IMF滤波器的和作为重构基线估计。

采用阈值函数法，设置高频噪声的阈值系数为δ，采用δ与剩余IMF分量中的表示高频噪声的IMF分量相乘得到高频噪声信号估计，因此基线漂移和高频噪声的估计值总和为：

最后，从原始光电传感信号中减去基线漂移和高频噪声估计值总和，得到无漂移、无噪声的重构信号。

本实施例模拟实际火灾过程中“极早期”烟雾状态，将设备开机后预热足够时间使其充分稳定，在正常运行环境中不间断的取6000个数据点；同时，为了验证所用算法的有效性，计算信噪比，在获取6000个光电信号数据的过程中，通过标准烟箱三次加入等量的烟雾颗粒模拟实际火灾过程中“极早期”的烟雾状态。EEMD的处理结果如图2(a)-2(n)所示，原信号与处理过后的信号对比如图3(a)-3(b)所示。

采用“相关系数”计算原始信号与能反映低频漂移趋势的分解量的关系，相关系数体现变量之间线性相关程度的量，相关系数的绝对值一般在0.8以上认为A和B有强相关性；在0.3到0.8之间认为有弱相关性；在0.3以下认为没有相关性。

为了计算高频分量与原信号基线漂移趋势的贴近程度，去除有效烟雾信号的干扰，首先在原始数据中手动去除有效烟雾信号数据，只留下无烟雾信号的背景数据，采用MATLAB计算改进的EEMD方法的低频漂移分量和原始信号的关系，结果为：

r_EEMD＝0.9925

采用信噪比的方法进行对比，信噪比反映信号与噪声能量的关系，一般来说，信噪比高且绝对平均误差低的方法比信噪比低且绝对平均误差高的方法好；信噪比与绝对平均误差的公式为：

SNR＝10lg{∑x(t)²/∑[x(t)-x(t)']²}

采用MATLAB计算可得利用EEMD方法处理数据后的信噪比为：

SNR_EEMD＝22.3986

在本实施例中，采用改进的EEMD方法，分解计入噪声信号的原始信号，信号被分解为12级IMF分量，基线漂移分布主要在最后一级IMF分量中，与原始信号的低频漂移趋势非常近似；选取合适的自适应低通滤波器对最后一级IMF进行处理，滤波器输出的结果视为基线漂移估计；高频噪声信号主要分布在前几级IMF分量中，选取合适的阈值对前几级IMF分量进行处理，获取预估的纯噪声信号；最后通过从信号中减去基线漂移估计值和纯噪声信号估计值，获得无漂移、无噪声的重构信号，更好的实现了滤除基线漂移、降低背景噪声、提高信噪比的目的。

实施例2

本实施例提供一种含有基线漂移和高频噪声的光电传感信号重构系统，包括：

分解模块，用于对光电传感信号进行EEMD分解后得到IMF分量；

计算模块，用于对存在基线漂移的IMF分量，根据其阶数选择自适应滤波器以获取基线漂移估计值，对剩余的IMF分量获取高频噪声估计值；

重构模块，用于对光电传感信号滤除前述两类估计值后，得到重构信号。

此处需要说明的是，上述模块对应于实施例1中的步骤S1至S3，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。

实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。