摘 要：采用EEMD分解的方法对静电感应信号进行提取，并用相似极值延拓法改进EEMD算法，通过MATLAB仿真结果表明EEMD分解能够去除随机噪声，保留静电信号的低频分量。
　　关键词：EEMD；静电信号；去噪
　　粉尘是指的是空气中的微小固体颗粒物，是引发雾霾天气的元凶，时刻威胁着人们的身体健康，危害仪器设备的使用寿命，因此通过静电传感器对粉塵浓度进行监测是促进科学防尘、控尘的重要手段。
　　由于多种因子影响着静电传感器的精度，导致采集的静电信号中包含着大量的随机噪声。因此，为了滤除静电信号中的噪声，获得较为真实的粉尘静电信号，本文提出一种改进的EEMD分解算法实现对静电信号的滤波。
　　1 EEMD算法的基本原理
　　针对EMD分解后不同噪声对应的本征模态分量之间不相关性，利用噪声进行辅助分析的形式，向原始信号中添加噪声以便平滑在EMD分解过程中出现的干扰，抑制了IMF与干扰之间的混肴。同时根据高斯白噪声频率均匀分布的特点使得静电信号被分解为多个多尺度且连续的IMF分量[ 2 ]，从而在一定程度上解决静电信号分解中容易产生的脉冲和模态相互混淆的问题。
　　2 EEMD算法的改进
　　目前常用的延拓算法包括波形延拓法、极值点延拓法等[ 4-5 ]众多方法。这些方法抑制EEMD端点效应的整体效果还不错，但是应用于静电信号滤波中都有各自的局限，使得静电信号的两端都会或多或少产生发散现象，产生一定的分析误差。因此为了抑制静电信号低频分量边缘的问题，本文提出了一种改进的方法，采用改进相似极值延拓的方法，在对静电数据序列延拓的基础上，进一步判断端点处是否是极值点，不仅降低静电信号边缘问题和静电信号内部的极值点对结果的影响，还保证了信号边缘没有发散现象的产生，使得处理效果更加完善。
　　3 基于EEMD的静电信号滤波
　　采用改进的EEMD算法对采集到的静电信号数据序列进行分解，获得很多连续的IMF分量，由于静电信号是低频微弱信号，所以去除频率较高的虚假成分，筛选出其中的低频IMF分量重新合成静电信号。得到静电信号滤波后的时域图如图1所示。
　　图1是滤波前后静电信号的时域图，通过对比可知本文设计的算法能滤除不相关的噪声，得到相对比较平滑的静电信号。
　　4 小结
　　本文提出一种改进的EEMD算法，并将其用于静电信号的滤波中，仿真实验取得较好的结果，证明本算法能够滤除静电信号中不相关的随机噪声，并且突出信号的低频特性，对粉尘的检测具有重要的现实意义。
　　参考文献：
　　[1] 郭兴明，张文英，袁志会，等.基于EMD关联维数和多重分形谱的心音识别[J].仪器仪表学报，2014，35（4）：827-833.
　　[2] 赵利强，王建林，于涛.基于改进EMD的输油管道泄漏信号特征提取方法研究[J].仪器仪表学报，2013，34（12）：2696-2702.
　　[3] 白春华，周宣赤，林大超，等.消除EMD端点效应的PSO-SVM方法研究[J].系统工程理论与实践，2013，33（5）：1298-1306.
　　[4] 石瑞敏，杨兆建.基于改进EMD的多绳摩擦提升机载荷信息特征提取[J].煤炭学报，2014，39（4）：782-788.
　　[5] 许宝杰，张建民，徐小力，等.抑制EMD端点效应方法的研究[J].北京理工大学学报，2006，26（3）：196-200.