Removing Noise from Noisy Signal Data within Principal Component Analysis Framework

Mehmet Cevri

Makale detayları

Removing Noise from Noisy Signal Data within Principal Component Analysis Framework

Yazarlar:

Mehmet Cevri

Yayıncı:

Duzce University

Ana Başlıklar:

Sınıflandırma algoritmaları | Elektrik Mühendisliği (Diğer)

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1371-1384

Belge Tipi:

Makale

Yayın Tarihi:

7/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001355743

pISSN:

2148-2446

Anahtar kelimeler:

Özet:

 The separation of noise from data represents one of the fundamental problems in signal processing. Principal component analysis PCA is a multivariate statistical technique that is employed in all scientific disciplines for the identification of patterns in data and the compression of data by reducing the size without significant loss of information. This paper concerns the removal of noise from noisy sinusoidal data using PCA. The aim is to achieve this by focusing on the separation of noise from signal data without estimating the parameters of sinusoidal signals. To this end, a code was developed in the Mathematica programming language, with modifications of its algorithm then being assessed on data derived from a number of noisy signals. The effectiveness of PCA was assessed by using the mean square error MSE values in relation to the variation in signal-to-noise ratio SNR. The simulation results obtained demonstrate the effectiveness of PCA in removing noise from noisy sinusoidal signals.

 The separation of noise from data represents one of the fundamental problems in signal processing. Principal component analysis PCA is a multivariate statistical technique that is employed in all scientific disciplines for the identification of patterns in data and the compression of data by reducing the size without significant loss of information. This paper concerns the removal of noise from noisy sinusoidal data using PCA. The aim is to achieve this by focusing on the separation of noise from signal data without estimating the parameters of sinusoidal signals. To this end, a code was developed in the Mathematica programming language, with modifications of its algorithm then being assessed on data derived from a number of noisy signals. The effectiveness of PCA was assessed by using the mean square error MSE values in relation to the variation in signal-to-noise ratio SNR. The simulation results obtained demonstrate the effectiveness of PCA in removing noise from noisy sinusoidal signals.

 The separation of noise from data represents one of the fundamental problems in signal processing. Principal component analysis PCA is a multivariate statistical technique that is employed in all scientific disciplines for the identification of patterns in data and the compression of data by reducing the size without significant loss of information. This paper concerns the removal of noise from noisy sinusoidal data using PCA. The aim is to achieve this by focusing on the separation of noise from signal data without estimating the parameters of sinusoidal signals. To this end, a code was developed in the Mathematica programming language, with modifications of its algorithm then being assessed on data derived from a number of noisy signals. The effectiveness of PCA was assessed by using the mean square error MSE values in relation to the variation in signal-to-noise ratio SNR. The simulation results obtained demonstrate the effectiveness of PCA in removing noise from noisy sinusoidal signals.

 Gürültünün verilerden ayrılması, sinyal işlemenin temel problemlerinden birini temsil etmektedir. Temel bileşen analizi PCA, verilerdeki örüntülerin tanımlanması ve önemli bilgi kaybı olmadan boyutun küçültülerek verilerin sıkıştırılması için tüm bilimsel disiplinlerde kullanılan çok değişkenli bir istatistiksel tekniktir. Bu makale, PCA kullanarak gürültülü sinüzoidal verilerden gürültünün giderilmesi ile ilgilenmektedir. Amaç, sinüzoidal sinyallerin parametrelerini tahmin etmeden sinyal verilerinden gürültünün ayrılmasına odaklanarak bunu başarmaktır. Bunun için, Mathematica programlama dilinde bir kod geliştirilmiş ve algoritmasının modifikasyonları daha sonra bir dizi gürültülü sinyalden elde edilen veriler üzerinde değerlendirilmiştir. PCAnın etkinliği, sinyal-gürültü oranındaki SNR değişime bağlı olarak ortalama kare hata MSE değerleri kullanılarak değerlendirilmiştir. Elde edilen simülasyon sonuçları, PCAnın gürültülü sinüzoidal sinyallerdeki gürültüyü gidermedeki etkinliğini göstermektedir.

Makale detayları

Removing Noise from Noisy Signal Data within Principal Component Analysis Framework

Yazarlar:

Mehmet Cevri

Yayıncı:

Duzce University

Ana Başlıklar:

Sınıflandırma algoritmaları | Elektrik Mühendisliği (Diğer)

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1371-1384

Belge Tipi:

Makale

Yayın Tarihi:

7/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001355743

pISSN:

2148-2446

Principal component analysis

sinusoidal

dimension reduction

optimizationTemel bileşenler analizi

sinüzoidal

boyut azaltma

optimizasyon

Sayı

Makale detayları

Yazarlar: Mehmet Cevri

Yayıncı: Duzce University

Ana Başlıklar: Sınıflandırma algoritmaları | Elektrik Mühendisliği (Diğer)

Dergi: Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1371-1384

Belge Tipi: Makale

Yayın Tarihi: 7/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001355743

pISSN: 2148-2446

Sayı

Yazarlar:

Mehmet Cevri

Yayıncı:

Duzce University

Ana Başlıklar:

Sınıflandırma algoritmaları | Elektrik Mühendisliği (Diğer)

Dergi:

Düzce Üniversitesi Bilim ve Teknoloji Dergisi Vol.13 Issue 3, pp.1371-1384

Belge Tipi:

Makale

Yayın Tarihi:

7/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001355743

pISSN:

2148-2446