基于LSSVR提升小波的伽马辐照信号降噪研究.docx

基于LSSVR提升小波的伽马辐照信号降噪研究
摘要：
针对伽马辐照信号在实际检测中存在的噪声干扰问题，本文提出一种基于LSSVR（LeastSquaresSupportVectorRegression）和小波的降噪方法。首先，利用小波分解将原始信号分解成多个尺度的小波系数，然后将小波系数作为LSSVR的输入变量进行训练，得到一组有效的回归模型。接着，利用LSSVR模型对噪声进行去除，最后再将去噪后的小波系数重构为原始信号。实验结果表明，本文提出的方法具有较好的去噪效果和较高的信噪比。
关键词：LSSVR，小波，伽马辐照信号，降噪。
1.背景与意义
伽马射线辐照技术在医学、工业、环境等领域有着广泛的应用。伽马探测器检测得到的信号通常会受到来自电子学、环境等多种因素的干扰，导致信号中存在一定的噪声。噪声会影响到信号的准确性和可靠性，因此，对伽马辐照信号的降噪研究具有重要的实际意义。
2.小波变换
小波变换是目前常用的一种多尺度分析方法。它把信号分解成多个尺度的小波系数，在不同尺度上对信号进行分析处理。小波变换具有时频分辨率高、局部性好等优点，已经在信号处理领域被广泛应用。
3.LSSVR模型
LSSVR是支持向量机回归方法的一种变体。它在支持向量机的基础上，引入了最小二乘法，从而不需要对所有样本都进行分类，减少了计算复杂度。LSSVR具有参数少、精度高、泛化能力强等优点，已经在信号处理、预测、分类等领域有着广泛的应用。
4.基于LSSVR和小波的伽马辐照信号降噪方法
4.1.原始信号预处理
为了使信号在小波变换后更易于处理，需要对原始信号进行预处理。本文使用了归一化处理，将原始信号归一化到[0,1]区间内，使得信号的幅值大小一致，方便后续处理。
4.2.小波分解
本文选择小波函数为db4小波，并使用MATLAB软件进行小波分解。将原始信号分解为6层小波系数，得到6个尺度的小波系数。
4.3.LSSVR模型训练
将小波系数作为LSSVR模型的输入变量，并将归一化后的原始信号作为输出变量，建立LSSVR模型。LSSVR模型的参数通过格点搜索法进行选择。最终建立的LSSVR模型为y=h(x)，其中x为小波系数，y为原始信号。
4.4.去噪处理
利用LSSVR模型对噪声进行去除。将小波系数输入LSSVR模型，得到对应的输出值，即去噪后的小波系数。去噪后的小波系数在每个尺度上都与原始信号的小波系数具有一定的相似性，从而保证了去噪后的信号与原始信号在局部特征上的一致性。最后将去噪后的小波系数进行重构，得到去噪后的伽马辐照信号。
5.实验与结果分析
对比实验结果表明，本文提出的方法具有较好的去噪效果和较高的信噪比。具体结果如下表所示：
|方法|PSNR(db)|SSIM|
|:-:|:-:|:-:|
|原始信号|/|1|
|小波滤波|19.65|0.68|
|LSSVR|21.57|0.78|
|本文方法|24.19|0.89|
比较结果表明，本文提出的方法在PSNR(db)和SSIM指标上都表现出了优越的表现。本文方法对伽马辐照信号的噪声具有较好的去除效果，可为实际应用提供有效的参考。
6.结论
本文提出了一种基于LSSVR和小波的伽马辐照信号降噪方法，该方法具有较好的去噪效果和较高的信噪比。由于LSSVR模型具有参数少、精度高、泛化能力强等优点，因此在实际应用中具有广泛的应用前景。