用于近红外水分仪的异常点和噪声剔除方法及装置

摘要

本发明公开一种用于近红外水分仪的异常点和噪声剔除方法及装置，其方法包括：步骤1：对被测信号的噪声进行预处理：使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比；步骤2：对被测信号的异常值进行预处理：使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；步骤3：对被测信号进行二次预处理：使用中值滤波对已经剔除异常点的被测信号再做一次剔除异常点和噪声。本发明通过上述方案，对输入信号进行两次的预处理，有效的剔除了异常点和噪声，使得输入信号变得更加平滑和稳定，从而大大降低了诸多噪音干扰的影响。

权利要求

1.一种用于近红外水分仪的异常点和噪声剔除方法，其特征在于：包括：步骤1：对被测信号的噪声进行预处理：使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比；

步骤2：对被测信号的异常值进行预处理：使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；

步骤3：对被测信号进行二次预处理：使用中值滤波对已经剔除异常点的被测信号再做一次剔除异常点和噪声；

所述步骤3具体包括：使用中值滤波器对已经剔除异常点的被测信号做滤波处理，将已经剔除异常点的被测信号表示为G，将中值滤波后的信号表示为H，计算出两者的偏差E，E=G‑H，E的分布表示为高斯函数：；

其中，x是随机变量，f(x)是概率密度，μ是期望，σ是标准差；

通过根据E的分布性质设置一个阈值来剔除异常点；

其中，通过根据E的分布性质设置一个阈值来剔除异常点具体包括：

设置概率阈值θ，通过设定某个概率P(X≤x)，根据分布函数FX(x)自动确定一个阈值x，数据不超过该阈值x为满足这个概率P(X≤x)；则在不同的数据中根据概率自动调整不同的绝对阈值x以剔除异常点：其中，X是随机变量，x是实数，P为概率，f(t)为概率密度函数；FX(x)为分布函数，P(X≤x)是分布函数FX(x)在点X的值；

其中，根据概率阈值θ，计算出正常值下限V1=F(θ)，正常值上限V2=F(1‑θ)，将小于V1或者大于V2的数据点视为异常值，使用中值滤波后的信号H替换这些异常值；其中，F(θ)为概率阈值θ在分布函数中的强度，F(1‑θ)为概率阈值(1‑θ)在分布函数中的强度；

其中，所述步骤1中的递推式重复滤波的具体过程包括：

用A(N‑1)表示时刻(N‑1)的前(N‑1)个采样数据的平均结果，A(N)表示时刻N的采样数据的平均结果，x(N)表示时刻N的采样数据的取样值，则A(N)表示为：；

所述步骤2中，使用Savitzky‑Golay法对被测信号做一阶导具体包括：对窗口大小为2m+1内的数据，令窗口内的自变量x为(‑m,‑m+1,...,0,...,m‑1,m)，窗口内的数据（y‑m,

2 k

y‑m+1,...,y0,...,ym‑1,y）m 为因变量，使用k阶多项式函数(y=a0+a1x+a2x ...+akx)对自变量和因变量做拟合，其中k小于2m，对这2m+1个方程组进行求解，计算出多项式的系数a1即为一阶导数值，该一阶导数值为一数列；其中，m为自然数；

其中，计算出多项式的系数a1即为一阶导数值，具体是求出中间系数Z：上式中，Z1、Z2、Z3……Z2m+1分别为中间系数Z的第1至第2m+1个数据；左边为k+1行1列的矩阵，其中第2行第1列的值为1，其余值均为0；求出中间系数Z后，Z与窗口内的数据（y‑m,y‑m+1,...,y0,...,ym‑1,y）m 按位乘的和，即为一阶导的数列；

所述步骤2中，通过四分位距检测出异常值并剔除，具体包括：

从一阶导的数列中，寻找到一分位数Q1，即一阶导的数列中有25%的数据点小于Q1；

从一阶导的数列中，寻找到三分位数Q3，即一阶导的数列中有75%的数据点小于Q3；

计算出四分位点内距IQR，即三分位数Q3与一分位数Q1的差值，IQR=Q3‑Q1；将Q1‑1.5*IQR与Q3+1.5*IQR做为阈值，将小于Q1‑1.5*IQR或大于Q3+1.5*IQR的数据点视为离群点，将这些离群值从被测信号中剔除。

2.一种用于近红外水分仪的异常点和噪声剔除装置，其特征在于：该装置用于实现如权利要求1所述的用于近红外水分仪的异常点和噪声剔除方法，该装置具体包括：对被测信号的噪声进行预处理的噪声预处理模块，该噪声预处理模块使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比；

对被测信号的异常值进行预处理的异常值预处理模块，该异常值预处理模块使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；

对被测信号进行二次预处理的二次预处理模块，该二次预处理模块使用中值滤波对已经剔除异常点的被测信号再做一次剔除异常点和噪声。

3.一种信息数据处理终端，其特征在于：该信息数据处理终端具有如权利要求2所述的用于近红外水分仪的异常点和噪声剔除装置。

说明书

用于近红外水分仪的异常点和噪声剔除方法及装置

技术领域

[0001] 本发明涉及光谱检测分析技术领域，尤其是用于近红外水分仪的异常点和噪声剔除方法。

背景技术

[0002] 在物料加工、造纸、烟草、药品、化工等领域，水分含量都是生产过程中一个非常重要的参数，它直接影响到产品的质量和保存期限。近红外法是水份测量的一种有效而广泛的应用手段。在建材、化工、纺织、纸张、食品、烟草等材料生产部门，水分是许多产品直接和间接的基本检验指标之一。水分值的控制，关键在于快速而准确的测量。与传统产品相比，近红外水分仪有其独特的优势，它具有连续非接触大面积测量的优点，测量速度快精度高，适用于在工业流程中对水分的监测，广泛应用在现代工业生产线上。

[0003] 在近红外水分仪中，由于光能通过光学结构时会有较大损失，以及被测物对光能的吸收作用，探测器的输出信号十分微弱，一般为毫伏级。该信号在放大、传输过程中，由于受环境因素、电压波动、电磁干扰、光敏电阻热噪音和放大器噪音等诸多干扰的影响，其信噪比很低。而且由于宇宙射线被光谱仪中广泛使用的电荷耦合器件所捕获, 宇宙射线可以直接激发电荷耦合器像素, 产生的光强有时比正常的光强峰高出几个数量级, 会显著降低光谱的对比度。尽管在进行硬件设计的时候强调了对低噪声系统的设计，但是对于外界具有白噪声性质各种随机噪声一干扰，必须在数据处理上采用合理的剔除异常点和噪声方法。

[0004] 现有针对近红外水分仪的剔除异常点和噪声方法多为：对水分仪的结果做移动平均。然而，对水分仪的结果做移动平均仅仅只是在上位机层面做处理，无法应对水分仪下位机里复杂的异常情况。

发明内容

[0005] 在下文中给出了关于本发明实施例的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，以下概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

[0006] 根据本申请的一个方面，提供一种用于近红外水分仪的异常点和噪声剔除方法，其包括：

[0007] 步骤1：对被测信号的噪声进行预处理：使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比；

[0008] 其中递推式重复滤波的具体过程包括：

[0009] 增加平均结果的频次，在每次采样数据到来的时候，利用上次的平均结果做更新运算，以获得新的平均结果；用A(N‑1)表示时刻(N‑1)的前(N‑1)个采样数据的平均结果，A(N)表示时刻N的采样数据的平均结果，x(N)表示时刻N的采样数据的取样值，则A(N)表示为：

[0010] 。

[0011] 利用这种递推式平均算法，当每个取样数据到来之后，可以利用新数据对上次的平均结果进行更新，这样相对于每个取样数据，都会得到一个平均结果。随着取样数据的不断到来，平均结果的信噪比越来越高，被测信号的波形逐渐清晰。

[0012] 步骤2：对被测信号的异常值进行预处理：使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；

[0013] 该步骤具体包括：对窗口大小为2m+1内的数据，假设窗口内的自变量x为(‑m,‑m+1,...,0,...,m‑1,m)，窗口内的数据（y‑m,y‑m+1,...,y0,...,ym‑1,ym）为因变量，使用k阶多项
2 k
式函数(y=a0+a1x+a2x ...+akx)对自变量和因变量做拟合，其中k小于2m，对这2m+1个方程组进行求解，解出k阶多项式函数的系数(a0,a1,a2,...,ak)。其中，m为自然数。由于k阶多项, 2 k‑1
式函数的一阶导数为(y=a1+a2x+a3x ...+akx )，又只需要取窗口中心点自变量0的一阶导,
数值，y (0)=a1，因此只需要计算出多项式的系数a1即为一阶导数值，该一阶导数值为一数列（以下简称一阶导的数列）。

[0014] 因此，实际计算中，只需要求出中间系数Z：

[0015]

[0016] Z1、Z2、Z3……Z2m+1分别为中间系数Z的第1至第2m+1个数据；上式左边，为k+1行1列的矩阵，其中第2行第1列的值为1，其余值均为0。求出中间系数Z后，Z与窗口内的数据（y‑m,y‑m+1,...,y0,...,ym‑1,ym）按位乘的和，即为一阶导的结果，该一阶导的结果为一数列，记为一阶导的数列。

[0017] 从一阶导的数列中，寻找到一分位数Q1，即一阶导的数列中有25%的数据点小于Q1。从一阶导的数列中，寻找到三分位数Q3，即一阶导的数列中有75%的数据点小于Q3。计算出四分位点内距IQR，是指三分位数Q3与一分位数Q1的差值，IQR=Q3‑Q1。将Q1‑1.5*IQR与Q3+1.5*IQR做为阈值，将小于Q1‑1.5*IQR或大于Q3+1.5*IQR的数据点视为离群点，将这些离群值从被测信号中剔除。

[0018] 步骤3：对被测信号进行二次预处理：对已经剔除异常点的被测信号再做一次剔除异常点和噪声。中值滤波器是以当前数据点为中心的小窗口的中值来代替每个数据点, 其原理可以用来剔除异常值, 但是正常的信号也将随着滤波操作而失真。使用中值滤波器对已经剔除异常点的被测信号做滤波处理，将已经剔除异常点的被测信号表示为G，将中值滤波后的信号表示为H，计算出两者的偏差E(E=G‑H)，E的分布近似表示为高斯函数：

[0019]

[0020] 其中，x是随机变量，f(x)是概率密度，μ是期望，σ是标准差。

[0021] 通过根据E的分布性质设置一个阈值来识别，该阈值将把E中大部分较小的数据点识别为正常值，而当E中的一个数据点的值超过该阈值时，它将被识别为异常点。实际运行时，如果G中已经没有异常点，则E中的大部分值将非常小，拟合分布的期望将接近0。但这种直接方法设置的阈值将有两个缺陷。一是阈值选择的难度：关于异常值和正常值之间的距离尚不清楚，因此没有参考依据。另一个缺陷是缺乏自动化和通用性：针对不同的数据需要设置不同的阈值，这很不方便且设置的值与使用者的经验有关。因此，为了解决这些问题，本发明采用反向思想来直接设置概率阈值θ，通过设定某个概率P(X≤x)，可以根据分布函数FX(x)自动确定一个阈值x，数据不超过该值为满足这个概率P(X≤x)。因此，在不同的数据中将根据概率自动调整不同的绝对阈值x以剔除异常点：

[0022] ；

[0023] 其中，X是随机变量，x是实数，P为概率，f(t)为概率密度函数。

[0024] 根据上述思路，根据概率阈值θ，计算出正常值下限V1=F(θ)，正常值上限V2=F(1‑θ)，将小于V1或者大于V2的数据点视为异常值，使用中值滤波后的信号H替换这些异常值；其中，F(θ)为概率阈值θ在分布函数中的强度，F(1‑θ)为概率阈值(1‑θ)在分布函数中的强度。

[0025] 其中，步骤1中的被测信号说明如下：近红外水分仪使用光电传感器，采集光信号并将其转换成电信号，电信号是模拟信号，电路板上的模拟数字转换器，将电信号转换成数字信号，此数字信号是随时间变化的，所以被称为时序信号，这些被测信号是一段关于时间的数字，也即被测信号为一数组。对上述被测信号的处理过程如下：通过步骤1对被测信号的噪声进行预处理，通过步骤2对被测信号的异常值进行预处理，再通过步骤3对被测信号进行二次预处理。在步骤3的二次预处理中，使用中值滤波器对已经剔除异常点的被测信号做滤波处理，获得已经剔除异常点的被测信号G，该被测信号G为包含了一组时序信号的被测信号数组，中值滤波后的信号H同样为一数组，找到被测信号数组中的异常值，使用中值滤波后的同索引位置（也即同时间位置）的信号值去替换被测信号G中这些异常值即可。例如中值滤波后的信号H数组为{88840、69929、51850、33554、15899、‑1516、‑18533、‑35055}，被测信号G数组为{84857、54934、63459、800497、6368、‑11412、‑7748、‑16197},在存储到数据库时一般每个数组都有对应的索引，例如设计被测信号数组的索引为{1107、1108、1109、1110、1111、1112、1113、1114}，找到被测信号数组中异常值，根据该异常值的索引即可将该异常值替换为对应中值滤波后的信号H中的数据，例如被测信号G数组中异常值800497的索引为1110，则将800497替换为信号H数组同索引位置的33554。

[0026] 根据本申请的另一方面，提供一种用于近红外水分仪的异常点和噪声剔除装置，其包括：

[0027] 对被测信号的噪声进行预处理的噪声预处理模块，该噪声预处理模块使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比；

[0028] 对被测信号的异常值进行预处理的异常值预处理模块，该异常值预处理模块使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；

[0029] 对被测信号进行二次预处理的二次预处理模块，该二次预处理模块使用中值滤波对已经剔除异常点的被测信号再做一次剔除异常点和噪声。

[0030] 根据本申请的再一方面，提供一种信息数据处理终端，该信息数据处理终端用于实现上述的用于近红外水分仪的异常点和噪声剔除装置。

[0031] 根据本申请的再一方面，提供一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述用于近红外水分仪的异常点和噪声剔除方法的步骤。

[0032] 本发明通过上述方案实现一种适用于近红外水分仪的剔除异常点和噪声的方法及装置，其首先采递推式重复滤波剔除噪声，并使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；最后，根据中值滤波求出偏差，再使用高斯函数做概率拟合，通过设置概率阈值，确定正常值范围，再次剔除异常点。通过上述方案，本发明对输入信号进行两次的预处理，有效的剔除了异常点和噪声，使得输入信号变得更加平滑和稳定，从而大大降低了诸多噪音干扰的影响。

附图说明

[0033] 本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中：

[0034] 图1为本发明的递推式重复滤波流程示意图；

[0035] 图2为本发明实施例的输入信号的示意图；

[0036] 图3为本发明实施例的剔除异常点和噪声后的输入信号示意图。

具体实施方式

[0037] 下面将参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。

[0038] 本发明提供一种适用于近红外水分仪的剔除异常点和噪声的方法，其通过：1、采用递推式重复滤波剔除噪声；2.使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；3.根据中值滤波求出偏差，再使用高斯函数做概率拟合，通过设置概率阈值，确定正常值范围，再次剔除异常点。

[0039] 实施例1

[0040] 具体的，本实施例提供一种用于近红外水分仪的异常点和噪声剔除方法，其包括：

[0041] 步骤1：在下位机层面，使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比。

[0042] 增加平均结果的频次，在每次采样数据到来的时候，利用上次的平均结果做更新运算，以获得新的平均结果。用A(N‑1)表示时刻(N‑1)的前(N‑1)个数据的平均结果，A(N)表示时刻N的平均结果，x(N)表示时刻N的取样值，用如下式表示

[0043]

[0044] 该递推式重复滤波的算法实现框图如图1所示。利用这种递推式平均算法，当每个取样数据到来之后，可以利用新数据对上次的平均结果进行更新，这样相对于每个取样数据，都会得到一个平均结果。随着取样数据的不断到来，平均结果的信噪比越来越高，被测信号的波形逐渐清晰。

[0045] 步骤2：使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除。

[0046] 对窗口大小为2m+1内的数据，假设窗口内的自变量x为(‑m,‑m+1,...,0,...,m‑1,m)，窗口内的数据（y‑m,y‑m+1,...,y0,...,ym‑1,y）m 为因变量，使用k阶多项式函数(y=a0+a1x+2 k
a2x ...+akx)对自变量和因变量做拟合，其中k应该小于2m。对这2m+1个方程组进行求解，,
解出k阶多项式函数的系数(a0,a1,a2,...,ak)。由于k阶多项式函数的一阶导数为(y =a1+
2 k‑1 ,
a2x+a3x ...+akx )，又只需要取窗口中心点自变量0的一阶导数值，y (0)=a1，因此只需要计算出多项式的系数a1即为一阶导数值。

[0047] 因此，实际计算中，只需要求出中间系数Z。

[0048]

[0049] 上式左边，为k+1行1列的矩阵，其中第2行第1列的值为1，其余值均为0。求出中间系数Z后，Z与窗口内的数据（y‑m,y‑m+1,...,y0,...,ym‑1,ym）按位乘的和，即为一阶导的结果（数列）。

[0050] 从一阶导的数列中，寻找到一分位数Q1，即一阶导的数列中有25%的数据点小于Q1。从一阶导的数列中，寻找到三分位数Q3，即一阶导的数列中有75%的数据点小于Q3。计算出四分位点内距IQR，是指三分位数Q3与一分位数Q1的差值，IQR=Q3‑Q1。将Q1‑1.5*IQR与Q3+1.5*IQR做为阈值，将小于Q1‑1.5*IQR或大于Q3+1.5*IQR的数据点视为离群点，将这些离群值从被测信号中剔除。

[0051] 步骤3：对已经剔除异常点的被测信号再做一次剔除异常点和噪声。中值滤波器是以当前数据点为中心的小窗口的中值来代替每个数据点, 其原理可以用来剔除异常值, 但是正常的信号也将随着滤波操作而失真。使用中值滤波器对已经剔除异常点的被测信号做滤波处理，将已经剔除异常点的被测信号表示为G，将中值滤波后的信号表示为H，计算出两者的偏差E(E=G‑H)，E的分布可以近似表示为高斯函数：

[0052]

[0053] 其中，x是随机变量，f(x)是概率密度，μ是期望，σ是标准差。

[0054] 通过根据E的分布性质设置一个阈值来识别。该阈值将把E中大部分较小的数据点识别为正常值，而当E中的一个数据点的值超过该阈值时，它将被识别为异常点。如果G中已经没有异常点，则E中的大部分值将非常小，拟合分布的期望将接近0。但这种直接方法设置的阈值将有两个缺陷。一是阈值选择的难度：关于异常值和正常值之间的距离尚不清楚，因此没有参考依据。另一个缺陷是缺乏自动化和通用性：针对不同的数据需要设置不同的阈值，这很不方便且设置的值与使用者的经验有关。

[0055] 为了解决这些问题，采用反向思想来直接设置概率阈值θ，通过设定某个概率P(X≤x)，可以根据分布函数FX(x)自动确定一个阈值x，数据不超过该值为满足这个概率P(X≤x)。因此，在不同的数据中将根据概率自动调整不同的绝对阈值x以剔除异常点。

[0056]

[0057] 其中，X是随机变量，x是实数，P为概率，f(t)为概率密度函数。

[0058] 根据上述思路，根据概率阈值θ，计算出正常值下限V1=F(θ)，正常值上限V2=F(1‑θ)，将小于V1或者大于V2的数据点视为异常值，使用中值滤波后的信号H替换这些异常值；其中，F(θ)为概率阈值θ在分布函数中的强度，F(1‑θ)为概率阈值(1‑θ)在分布函数中的强度。

[0059] 如图2所示的输入信号，经过本发明的方法剔除异常点和噪声后，信号变得更加平滑和稳定，如图3所示。由图3可以明显看出，本方法有效的剔除了异常点和噪声。

[0060] 实施例2

[0061] 本发明实施例提供一种用于近红外水分仪的异常点和噪声剔除装置，其包括：

[0062] 对被测信号的噪声进行预处理的噪声预处理模块，该噪声预处理模块使用递推式重复滤波，对被测信号进行处理，去除被测信号中噪声，提高光谱信噪比；

[0063] 对被测信号的异常值进行预处理的异常值预处理模块，该异常值预处理模块使用Savitzky‑Golay法对被测信号做一阶导，再通过四分位距检测出异常值，并剔除；

[0064] 对被测信号进行二次预处理的二次预处理模块，该二次预处理模块使用中值滤波对已经剔除异常点的被测信号再做一次剔除异常点和噪声。

[0065] 本发明实施例还提供一种信息数据处理终端，该信息数据处理终端用于实现上述实施例2中用于近红外水分仪的异常点和噪声剔除装置。

[0066] 本发明实施例还提供一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述实施例1中用于近红外水分仪的异常点和噪声剔除方法的步骤。

[0067] 现有技术中对于近红外光谱的处理一般是通过Savitzky‑Golay进行平滑滤波，而本发明专利是使用Savitzky‑Golay法求一阶导数，虽然水分仪采集的是近红外的光，但是不同于现有技术的近红外光谱，近红外水分仪是使用光电传感器采集关于时序的信号。现有技术中的光谱仪采集波长在4000‑10000/cm之间的近红外光谱，即采集一次，得到一条光谱曲线，其中的x轴为波长。本发明中的时序信号是随时间变化的，可以无限采集下去。光谱数据和时序信号不是同种数据，因此，近红外光谱的噪声处理方案无法直接应用到时序信号的噪声处理上来。

[0068] 此外，在近红外水分仪中，由于光能通过光学结构时会有较大损失，以及被测物对光能的吸收作用，探测器的输出信号十分微弱，一般为毫伏级。该信号在放大、传输过程中，由于受环境因素、电压波动、电磁干扰、光敏电阻热噪音和放大器噪音等诸多干扰的影响，其信噪比很低。而且由于宇宙射线被水分仪中广泛使用的光电传感器所捕获, 宇宙射线可以直接激发光电传感器, 产生的光强有时比正常的光强峰高出几个数量级, 会显著降低光谱的对比度。对此，本发明的步骤1中使用递推式重复滤波去除噪声，可大大提高信号的信噪比；步骤2中使用Savitzky‑Golay法求一阶导数比传统的直接差分法，更为准确；对原数据做一阶导后，使用四分位距法（属于是统计学中的剔除异常点的方法）求出一阶导的数列的异常点，再剔除异常点对应原数据的点，此方法少有人提出过；步骤3中，根据中值滤波求出偏差，再使用高斯函数做概率拟合，通过设置概率阈值，确定正常值范围，再次剔除异常点，此方法为本发明人的首创，通过该步骤的二次预处理，大大提高了噪声和异常点剔除的效率和效果，具有很好的实用性。

[0069] 应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

[0070] 此外，本发明的方法不限于按照说明书中描述的时间顺序来执行，也可以按照其他的时间顺序地、并行地或独立地执行。因此，本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。

[0071] 尽管上面已经通过对本发明的具体实施例的描述对本发明进行了披露，但是，应该理解，上述的所有实施例和示例均是示例性的，而非限制性的。本领域的技术人员可在所附权利要求的精神和范围内设计对本发明的各种修改、改进或者等同物。这些修改、改进或者等同物也应当被认为包括在本发明的保护范围内。