联系我们

深圳超算在数据降噪算法研究领域取得新突破

2022-03-18

由于各种干扰的存在,现实世界系统中采集的数据一般都受到不同程度的噪声污染。近期,黄颖坤博士提出了一种新的用于非线性时间序列的小波收缩降噪方法,可显著降低数据噪声。该成果《A New Wavelet Shrinkage Approach for Denoising Nonlinear Time Series and Improving Bearing Fault Diagnosis》已发表在IEEE Sensors Journal。论文第一作者为黄颖坤博士,现为国家超算深圳中心高性能计算部博士后。

小波收缩降噪方法是数据降噪领域的研究热点。小波收缩降噪的原理类似于自动编码器去噪,而小波阈值算子可以看作是一个“激活函数”。小波阈值算子的设计可为小波系数提供非线性映射,对于小波收缩降噪方法的性能影响很大。硬阈值和软阈值是两个常见的算子。然而,研究表明硬阈值算子往往有更大的方差,而软阈值算子往往有更大的偏差。为了弥补这两种算子的缺点,已有大量的研究提出了新的算子,包括garrot阈值算子等。然而,这些算子对阈值附近的小波系数收缩程度不够,小波系数可能带有噪声。

为了解决上述问题,本文提出了一种新的阈值算子,称为自适应软阈值算子(AST)。AST是硬阈值和软阈值算子之间的连续函数。同时,将通用阈值引入到AST中,以便AST可以识别阈值附近有噪声的系数,然后进一步将它们缩小。AST算子具有硬阈值、软阈值和garrot阈值算子的优点,也弥补了它们的缺点。对混沌时间序列的仿真测试表明,ASTSNRRMSE性能方面优于硬阈值、软阈值和garrot阈值算子;基于CWRUPaderborn数据集测试,在强噪声环境中,AST算子可更准确地收缩小波系数,有效地提高轴承故障诊断性能。

该方法在各行业数据预处理领域具有很好的应用潜力。考虑到大规模超算系统的复杂性,数据监测不可避免受到噪声干扰。该方法可应用于智能运维系统数据降噪、增强和清洗等工作,有助于提高数据质量,为超算系统的故障精准检测、预测奠定基础。

原文详见:https://ieeexplore.ieee.org/search/searchresult.jsp?newsearch=true&queryText=A New Wavelet Shrinkage Approach for Denoising Nonlinear Time Series and Improving Bearing Fault Diagnosis

诚聘英才
友好链接
业务咨询及参观访问:0755-86576085    0755-86576086    地址:深圳市南山区笃学路9号
国家超级计算深圳中心(深圳云计算中心)  ©2014-2020  粤ICP备10220126号