具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1-2所示，本发明一种基于小波分析及阈值处理的监测信号滤波方法，步骤S1：通过布设传感器，实时监测并获得传感器的信息监测数据，将获得传感器的信息监测数据将作为信号数据s；

因为鉴于桥梁的情况，较为随机的高频振动往往是噪声，或者动荷载造成，将所获得的监测数据看作由信号、噪声、异常值三者共同组成，噪声特点：高频系数占比较大，低频系数占比较小，同频中，某些特定位置w_jk(小波分解后第j层的第k的细节系数)有较大的值，这些点对应于原始信号的畸变位置或者重要信息位置，而其他部分位置w_jkk值较小。

噪声对应的小波系数w_jk中部分的幅值随着尺度的增加而有所减小，通常的方法是寻找以合适的λ作为阈值，把低于λ的系数，设为0(主要由n(k)引起)，对于高于λ的系数(主要由信号引起)，则予以保留或收缩，从而得到估计的小波系数w′_jk，然后用w′_jk进行重构。

所述的步骤S1中信息监测数据包括桥梁结构、高速铁路路基、杆塔、边滑坡的变形、角度、应力等监测数据。

步骤S2：选取小波函数(如db9)对信号数据s进行n层(如8层)小波分解，分别得到近似系数和n个层的细节系数w_jk；(近似系数和细节系数表示字母，不同的资料表示符号不同，没有统一规定，这里能够区分开就行吧，w是wavelet首字母，j表示第j层，k表示第j层的第k个系数)

步骤S3：利用软硬阈值折中与模处理相结合的阈值方法对第到n层细节系数w_jk进行阈值处理，得到各层细节系数w′_jk和近似系数；

步骤S4：利用处理后得到的各层细节系数w′_jk和近似系数，对获取信号数据s进行小波重构，得到抑制噪音后的信号数据s。

其中，所述的步骤S1中信息监测数据包括桥梁的变形、角度、应力等监测数据。

其中，所述步骤S3中利用软硬阈值折中与模处理相结合的阈值方法的方法是，通过公式获得第到n层中每层的阈值λj，其中Nj为第j层细节系数的个数，σj为第j层细节系数的方差；

然后，对每层的阈值λj进行软硬阈值折中法进行处理，得到近似小波系数w′_jk，软硬阈值折中的方法是，

其中，a为折减系数，0≤a≤1；为第j层的阈值；

最后对得到近似小波系数w′_jk进行模平方处理，模平方处理的方法是，

则有则得到处理后的细节系数和近似系数。

其中，所述的步骤S3中第层细节系数均取。

将图1与图2对比可对，通过布设传感器，桥梁结构、高速铁路路基、杆塔、边滑坡的变形、角度、应力等监测数据，将获得桥梁结构、高速铁路路基、杆塔、边滑坡的变形、角度、应力等监测数据将作为信号数据s，然后利用小波分解的方法对信号数据s进行初步的滤波，在桥梁监测时，因为车辆动荷载、周围环境振动等的影响，会导致监测数据跳动，通过小波分解，可以将数据曲线在不同频率带上分解，得到的系数值与该频率尺度上的小波函数的相似度成正相关，通过阈值处理，将小于阈值的系数(表明与对应时段的数据曲线相似度小)，进行抑制，(噪声对应的小波系数Wj，k中部分的幅值随着尺度(尺度越大，即指频率越小，波动越小)的增加而有所减小)，尤其是较高频率抑制多一些，较低频率抑制少一些，可以更精准地抑制噪声(动荷载导致的振动等)的干扰，过软硬阈值处理相结合方式处理，令|w_jk||取介于|w_jk|-λ和|w_jk||之间的数值，会使处理出来的小波系数更接近真实信号，因此通过因子α(0＜α＜1)来调整，可以获得较好的去噪效果；然后进行模平方处理，主要目的是进一步抑制系数较小的部分，收缩或保存系数较大的部分，因为经过过软硬阈值处理处理后得到的小波系数w′_jk仍然存在一刀切的情况，即小波系数w′_jk在αλ处不是连续的，处理出来的信号同样会存在震荡的现象，同时也没有考虑尺度越大指频率越小，波动越小)噪音成分有所减小的因素，因此需要对每个频段下分解得到的小波系数进行再次处理，因此对每层(不同频率尺度)的小波系数：较小值(噪音成分相对大)进行较大程度抑制，较大值进行较小程度抑制(噪音成分相对小)，同时在αλ处处理成0值，使处理后的信号数据更加平滑，与原始信号更一致。进而设监测的信号更加的反应桥梁的健康状况。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。