杨望灿， 张培林， 陈彦龙， 吴定海， 李海平

(1.91404部队,秦皇岛 066004;2.陆军工程大学石家庄校区 七系，石家庄 050003;3.陆军特种作战学院,桂林 541000；4.陆军工程大学石家庄校区 六系，石家庄 050003)

在机械设备运行过程中，由于其工作条件和工(作环境较为恶劣，因此机械设备部件容易出现磨损和发生故障[1]。为了及时了解机械设备的运行状态和及早发现机械设备的故障情况，振动信号监测和分析方法是一种行之有效的技术手段[2]。但是，由于机械设备的运行工况较为复杂，振源较多，采集到的振动信号经常被强背景噪声所淹没，导致机械设备故障状态特征不明显，降低了对机械设备运行状态判断的准确程度。因此，如何对采集的机械振动信号进行降噪处理得到了广大学者的热切关注[3-5]。

由于小波变换具有多分辨率的时频分析特性，因此被用于多种类型信号的降噪分析处理中[6-7]。其中，部分学者通过假设小波分解系数符合某一概率统计模型，结合贝叶斯先验知识，估计噪声小波系数方差，得到小波系数收缩函数，从而实现信号的降噪。文献[8]将双树复小波分解信号得到的高频系数和低频系数分别采用最大后验估计算法和广义形态滤波进行降噪处理，消除可见光近红外光谱噪声。文献[9]应用高斯混合模型(Gaussian Mixture Model，GMM)对小波分解的各类系数建模，通过噪声方差估计对信号进行降噪。其中，GMM能够较好地描述小波系数的分布情况，降噪效果比较理想。但是传统的GMM使用全局统一的阈值函数，算法的局部自适应较差，使算法的应用受到一定的限制[10]。……