SS-Y伸缩仪是由中国地震局地震研究所自主研制，并在大地测量领域广泛应用的地壳表面两点因变量观测仪器，具有遥控标定、高精度、短基线等特点^[1-2]。SS-Y伸缩仪映震能力较好，但易受到前置放大故障、供电故障、超量程等仪器内部故障或气压、温度、雷电等复杂外部环境因素的影响^[3-8]，出现数据曲线固体潮不清晰、局部不光滑等情况。自适应噪声完备集合经验模态分解(CEEMDAN)在信号去噪领域已取得显著成果。该方法通过自主分析信号质量，在信号分解过程中引入相匹配的白噪声，以改善传统EMD过程中常见的模态混叠现像，信号重构质量较高且去噪效果较好。基于CEEMDAN的改进的自适应噪声完备集合经验模态分解(ICEEMDAN)^[9-11]能有效减少模态混叠现象和分解后虚假分量的产生，且针对信号在CEEMDAN处理过程中的问题进行优化改进，克服了某些本征模态函数中仍含有较多残余分量的现状，信号重构质量得到明显提升。

本文提出一种基于ICEEMDAN和分布熵(DistEn)^[12]的SS-Y伸缩仪信号随机噪声压制方法。根据ICEEMDAN得到的各分量整体混乱程度，判断其是否为原始信号的有效成分或是否为含噪分量，进而采取处置手段；同时，设计仿真信号与SS-Y伸缩仪实测信号去噪对比及单轮与多轮去噪对比实验，结合多个指标评价去噪模型的性能。

1 信号去噪模型 1.1 ICEEMDAN原理

ICEEMDAN的主要步骤为^[9-11]：

1) 对原始信号x进行分解，构造原始信号的加噪合成信号：

$ x^{(i)}=x+\beta_0 E_1\left(w^{(i)}\right) $

(1)

式中，β₀为首次分解时的信噪比，w⁽ⁱ⁾为第i个被添加的高斯白噪声，E₁(·)为EMD的首个IMF分量。

2) 重复步骤1)N次，得到N个x⁽ⁱ⁾，并求全部局部均值函数值的均值，即首个残余分量：

$ r_1=\frac{1}{N} \sum\limits_{i=1}^N M\left(x^{(i)}\right) $

(2)

式中，M(·)为局部均值函数。

3) 在原始信号的基础上减去首个残余分量，得到首个模态：

$ d_1=x-r_1 $

(3)

4) 根据第k次分解后计算的局部均值函数值，得到第k个残余分量，并用上一个残余分量减去该残差结果，得到第k个模态d_m：

$ d_m=r_{k-1}-r_k $

(4)

$ r_k=\frac{1}{N} \sum\limits_{i=1}^N M\left(r_{k-1}+\beta_{k-1} E_k\left(w^{(i)}\right)\right) $

(5)

5) 持续执行步骤4)，直至满足分解停止条件。

1.2 DistEn原理

DistEn^[12]是对样本熵和近似熵的改进，可解决部分参数的高度依赖和非鲁棒性问题，一般计算步骤为：

1)设定信号$\boldsymbol{x}=\{x(1), x(2), \cdots, x(l)\}$，预设嵌入维数为p，重构(l－p)个向量$\hat{\boldsymbol{x}}(i)(i=1, 2, \cdots, l-p)$, 即

$ \hat{\boldsymbol{x}}(i)=\{x(i), x(i+1), \cdots, x(i+p-1)\} $

(6)

2) 计算切比雪夫距离。分析向量$\hat{\boldsymbol{x}}(i)$与$\hat{\boldsymbol{x}}(j)$之间的切比雪夫距离，记作d_ij，然后构建距离矩阵$\boldsymbol{D}=\left\{d_{i j}\right\}_{(l-p) \times(l-p)}(1 \leqslant i, j \leqslant l-p)$。

3) 利用直方图估算经验概率密度函数(EPDF，记作f_k)。定义直方图柱数q，则直方图频数分布为$\boldsymbol{N}=\left[n_1, n_2, \cdots, n_k, \cdots, n_q\right]$，距离矩阵D的EPDF为：

$ f_k=n_k / \sum\limits_{k=1}^q n_k $

(7)

4) 计算分布熵：

$ \text { DistEn }=-\sum\limits_{k=1}^q f_k \log _2 f_k $

(8)

1.3 ICEEMDAN-DistEn去噪模型

ICEEMDAN-DistEn去噪模型步骤如下：

1) 对SS-Y伸缩仪信号进行ICEEMDAN处理，得到若干个IMF分量，并依据频率高低进行排序和标记。

2) 分别计算各IMF分量的DistEn，并设定阈值δ，对符合不同阈值区间的IMF分量作对应的差异化处理。

3) 当某个IMF的DistEn∈[δ, 1]时，表示该IMF分量内部几乎不包含随机噪声成分，属于原始信号的有效成分，可以直接参与线性重构。

4) 当某个IMF的DistEn∈[0, δ]时，表示该IMF分量基本为随机噪声成分，具有类似的随机振荡特性，可以直接舍弃。

5) 将步骤3)和4)所保留的全部IMF分量进行线性重构，即可得到SS-Y伸缩仪去噪后的数据。

由于ICEEMDAN方法属于CEEMDAN方法的改进，参考ICEEMDAN-DistEn去噪模型的核心原理得到CEEMDAN-DistEn去噪模型，作为SS-Y伸缩仪信号去噪实验的对照模型之一。

2 实验与分析

设计3个实验分析ICEEMDAN-DistEn去噪模型的有效性，包括仿真信号的高、低频噪声去噪实验和SS-Y伸缩仪实测信号去噪实验，并利用相关系数、均方误差(MSE)及信噪比(SNR)等评价指标衡量模型的去噪效果。

2.1 仿真信号的高频噪声去噪实验与分析

设计仿真信号去噪实验，初始化一段纯净信号x₁(t)和两段位置不同且幅值差异较大的噪声成分x₂(t)和x₃(t)(图 1)，线性合成后构成需要处理的仿真含噪信号X(t)，采样率为10 Hz。ICEEMDAN及ICEEMDAN-DistEn去噪波形如图 2和3所示：

$ X(t)=x_1(t)+x_2(t)+x_3(t) $

(9)

$ \begin{gathered} x_1(t)=\sin (0.08 \pi t), \\ 1 \leqslant t \leqslant 1000 \end{gathered} $

(10)

$ \begin{gathered} x_2(t)=\sin (0.5 \pi(t-201)), \\ 201 \leqslant t \leqslant 300 \end{gathered} $

(11)

$ \begin{gathered} x_3(t)=\sin (0.8 \pi(t-301)), \\ 501 \leqslant t \leqslant 700 \end{gathered} $

(12)

图 2为仿真含噪信号的ICEEMDAN处理结果，包含8个IMF分量。可以看出，IMF₁分量即可从原始含噪信号中分离出2个发生位置及持续时长完全不同的噪声成分，而IMF₂分量和IMF₃分量是原始纯净信号的主要幅值成分，其他IMF分量幅值较小，对去噪结果影响不大。

表 1为原始含噪信号经过ICEEMDAN处理后各IMF分量的分布熵值。可以看出，各IMF分量在最大幅值、混乱程度、局部变异、对称性等多个维度均存在极大差异，其中IMF₁的分布熵值最小，IMF₇的分布熵值最大，说明IMF₁的局部噪声成分具有显著规律性和周期性，很容易被ICEEMDAN算法识别出。结合图 2和表 1可以发现，有规律性的高频噪声成分分布熵值较小，而作为原始含噪信号的有效成分由于已被ICEEMDAN处理为不同频率下的IMF分量，其分布熵值均较大，均可被用于线性重构。

结合图 1和3可知，基于仿真含噪信号的ICEEMDAN-DistEn模型去噪效果较显著。为证明该模型的优越性，对比分析ICEEMDAN-DistEn、CEEMDAN-DistEn、卡尔曼滤波、小波去噪、70阶低通FIR滤波和Savitzky-Golay滤波等6个模型的去噪效果。表 2为6种去噪模型的含噪信号处理结果，表中相关系数、MSE、SNR等评价指标基于原始纯净信号和去噪后信号进行比较。由表可知，原始含噪信号相对于纯净信号的信噪比为5.228 8，6个模型中ICEEMDAN-DistEn、小波去噪、70阶低通FIR滤波和Savitzky-Golay滤波的去噪效果明显，SNR值大幅提高；综合相关系数和MSE来看，70阶低通FIR滤波模型的信号重构损失稍大，只有ICEEMDAN-DistEn模型的各指标均有相对均衡的去噪效果；卡尔曼滤波受制于状态方程参数设置的不确定性和随机性，去噪结果变化较大，本实验中没有得到预期效果。

2.2 仿真信号的低频噪声去噪实验与分析

设计仿真含噪信号的相对低频噪声剔除实验(图 4)，如式(13)~(16)所示，低频噪声信号的频率分别为0.005 Hz和0.002 5 Hz，远低于纯净信号的0.04 Hz：

$ X^{\prime}(t)=x_1^{\prime}(t)+x_2^{\prime}(t)+x_3^{\prime}(t) $

(13)

$ \begin{gathered} x_1^{\prime}(t)=\sin (0.08 \pi t), \\ 1 \leqslant t \leqslant 1000 \end{gathered} $

(14)

$ \begin{gathered} x_2^{\prime}(t)=\sin (0.01 \pi(t-201)), \\ 201 \leqslant t \leqslant 300 \end{gathered} $

(15)

$ \begin{gathered} x_3^{\prime}(t)=\sin (0.005 \pi(t-301)), \\ 501 \leqslant t \leqslant 700 \end{gathered} $

(16)

图 5为含低频噪声信号的ICEEMDAN处理结果。可以看出，IMF₂分量与原始纯净信号的波形特征和幅值最为接近；IMF₁分量的幅值整体较小且呈现无规律的尖刺现象，可判断为噪声成分；其他IMF分量的曲线较为光滑，需借助评价指标来判断优劣程度。由表 3可知，各IMF按照分布熵数值降序排列依次为IMF₇、IMF₈、IMF₆、IMF₂、IMF₅、IMF₃、IMF₄、IMF₁，分布熵值大于0.9的IMF分量有4个，含有极少的噪声，可以参与到后续的信号重构中。最终得到的去噪结果如图 6所示。

表 4为利用ICEEMDAN-DistEn、CEEMDAN-DistEn、卡尔曼滤波、小波去噪及Savitzky-Golay滤波等5个模型的去噪结果。可以看出，ICEEMDAN-DistEn模型在相关系数、MSE及SNR上皆显著优于其他去噪模型，能较好地抑制原始含噪信号中的低频噪声成分，一定程度上还原了初始纯净信号。

2.3 SS-Y伸缩仪实测信号的去噪实验与分析

应用实测含噪信号进行ICEEMDAN-DistEn去噪实验，数据来自SS-Y伸缩仪，地点位于武汉地震中心站，时间为2022-05-31，文件格式为EPD，模型测试环境为MATLAB 2023a，实验结果如图 7~9和表 5~6所示。

图 7为SS-Y伸缩仪信号经ICEEMDAN处理后得到的IMF结果。可以看出，IMF₆分量拥有初始信号的主要能量；IMF₁~IMF₄分量的能量幅值极小，且波形极为杂乱，在零值上下剧烈振荡；IMF₅分量的波形较光滑，最大幅值相对较小，对信号重构的影响不显著。表 5为各IMF分量的分布熵值，其中IMF₄~IMF₆分量的分布熵值皆超过0.8，而IMF₁~IMF₃分量分布熵值差异明显。

图 8为SS-Y伸缩仪单条信号的ICEEMDAN-DisEn去噪结果。从局部放大结果可以看出，该模型能有效地光滑曲线，且具有极好的信号还原性，线性重构结果较理想。引入CEEMDAN-DistEn、卡尔曼滤波、70阶低通FIR滤波等模型进行信号去噪对比，表 6为不同模型的信号去噪效果。可以看出，ICEEMDAN-DistEn模型的去噪效果相对最好；虽然CEEMDAN-DistEn模型的MSE值仅有0.800 5，表明其信号损失极小，但其SNR和相关系数都不理想，说明去噪过程中未处理真正的噪声成分；卡尔曼滤波和70阶低通FIR滤波模型的信噪比较高，但都出现极大的重构波形变异，结果完全失真。

2022-05的SS-Y伸缩仪信号去噪结果如图 9所示，其中柱状图为相关系数的分布统计，折线图为信噪比曲线。可以看出，几乎全部信号的信噪比都超过了70 dB，去噪前后的相关系数值也都接近于1。

3 结语

本文提出一种结合ICEEMDAN和分布熵的SS-Y伸缩仪信号去噪方法，能够更精确地识别出噪声和有效信号，线性重构误差较小，无明显的失真现象，综合性能优于CEEMDAN和分布熵组建的去噪模型，并得到以下结论：

1) 作为2种完全不同的信号处理技术，ICEEMDAN和分布熵能分别提取和筛选出含噪信号中的噪声成分和有效成分，适当地对SS-Y伸缩仪含噪信号进行分解及熵值计算，剔除或保留信号并进行线性重构，可以有效地对信号进行去噪处理。

2) ICEEMDAN-DisEn模型有较明显的曲线光滑效果，不会造成严重的信号失真，同时可以将各种噪声的能量和位置准确地分离出来，便于后续开展SS-Y伸缩仪信号的异常检测，并与其他形变观测仪器进行同震响应分析。此外，本文设计的仿真信号去噪实验证明该模型既能剔除高频噪声，也能有效抑制低频噪声，是性能较为全面的去噪模型。

3) 由于观测环境和仪器布设地点的影响，ICEEMDAN-DisEn模型中的分布熵阈值并非固定值，应根据待去噪样本的数据特性预先设定一个值并检验其合理性，但阈值的选取原则应保持不变：较大分布熵值指示的IMF分量是有效成分的概率较大，较小分布熵值指示的IMF分量是噪声的概率较大。

针对SS-Y伸缩仪信号去噪结果的可靠性检验仍有一定的改进空间。后续将从固体潮调和分析入手，通过计算O₁波和M₂波的振幅因子和相位滞后等参数来佐证去噪结果的合理性。