High-Fidelity Noise Reduction for Multi-Sensor Signals and Intelligent Prediction of Surface Roughness

地表形态的形成受多种因素影响，因此需要多传感器数据以实现准确的地表粗糙度预测。与表面粗糙度相关的信息通常嵌入在高频、瞬态和低能量信号成分中。因此，用于预测的信号应表现出高能量和特征保留性。然而，传统的降噪方法常常将这些信息成分误认为噪声，导致有效能量和关键特征的损失。为解决这一问题，提出了一种高精度的智能表面粗糙度预测方法。首先，开发了一种ICEEMDAN-小波混合降噪方法，其中ICEEMDAN将切割信号分解为一系列内在模函数（IMF）。随后利用能量熵自适应地确定噪声比例，并应用改进的半软阈值函数以实现差分处理，从而获得高信息保留率的去噪切割信号。随后，麻雀搜索算法（SSA）被用来优化卷积神经网络（CNN）以预测表面粗糙度，有效避免了因手动参数调优引起的误差。