Ein neu entwickeltes mehrstufiges adaptives Denoising‑Verfahren, das auf dem Least‑Mean‑Square‑Algorithmus (LMS) basiert, kann den mittleren quadratischen Fehler (MSE) von Messsignalen um 38–82 % und den mittleren absoluten Fehler (MAE) um 15–45 % senken, während die Rechenzeit im Vergleich zu herkömmlichen Schwellenwert‑Methoden um das 3,5‑ bis 4‑fache reduziert wird.
Hintergrund
In Echtzeit‑Mess‑ und Überwachungssystemen wird die Qualität erfasster Signale häufig durch komplexe, nicht‑stationäre Umgebungsgeräusche stark beeinträchtigt, was Analyse, Merkmalextraktion und Entscheidungsfindung erschwert.
Methodik
Die vorgestellte Architektur passt die Anzahl der Filterstufen sowie die Schrittweite automatisch an, basierend auf Fehlstatistiken, der Restkorrelation zwischen Residuum und Referenzsignal sowie dem Echtzeit‑Signal‑zu‑Rausch‑Verhältnis (SNR). Der Stopp‑Mechanismus beruht auf einem zweiseitigen Fisher‑z‑Korrelations‑Test, der die effektive Stichprobengröße bei Vorhandensein von Autokorrelation korrigiert und zusätzlich durch das aktuelle SNR moduliert wird, um Stabilität gegenüber nicht‑stationärem Rauschen zu gewährleisten.
Evaluierung
Die Methode wurde sowohl an simulierten Datensätzen als auch an real gemessenen Signalen getestet und gegen die konventionelle LMS‑Konfiguration unter identischen Bedingungen abgeglichen.
Ergebnisse
Im Vergleich zur Standard‑LMS‑Konfiguration zeigte das neue System eine MSE‑Reduktion von 38 % bis 82 % und eine MAE‑Reduktion von 15 % bis 45 %. Zusätzlich verbesserten sich das Signal‑zu‑Rausch‑Verhältnis (SNR) und das Peak‑Signal‑zu‑Rausch‑Verhältnis (PSNR). Die Ausführungszeit lag etwa 3,5‑bis 4‑mal unter der der festen Schwellenwert‑Methode.
Bedeutung
Die Ergebnisse deuten darauf hin, dass das vorgeschlagene Verfahren ein günstiges Gleichgewicht zwischen Denoising‑Leistung und rechnerischer Effizienz bietet und damit für Anwendungen mit niedriger Latenz auf ressourcenbeschränkten Geräten geeignet ist.
Ausblick
Weitere Untersuchungen sollen die Robustheit des Ansatzes in unterschiedlichen Anwendungsfeldern sowie die Integration in hardware‑optimierte Implementierungen prüfen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung