信号去噪是信号处理中重要的步骤之一,例如在对大型结构的健康监测中等。在不同的环境和采集设备下使得采集的信号包含不同分布形态的噪声,这些噪声会破坏和淹没有用信号的结构特征,若直接使用和处理这些信号,会影响研究人员对大型建筑健康判断的准确度,甚至造成严重的经济损失、危害社会公共安全。所以信号去噪是分析信号预处理的重要步骤。稀疏去噪是当前新兴的一种去噪方法,其主要去噪理论是根据信号在合适的字典上稀疏表示,而噪声在此字典上的展开系数不稀疏,用稀疏分解算法求解稀疏展开系数,并去除噪声映射,完成去噪。稀疏去噪中冗余字典能否很好的保留信号结构特征是稀疏去噪的关键点之一。根据振动信号符合AR模型,本文将AR模型与稀疏去噪相结合,通过一种改进稀疏去噪中的冗余字典方法,提高了振动信号稀疏去噪效果。首先根据振动信号的结构特征及AR模型的数学表达式,构建自适应过完备稀疏基及冗余字典,然后用现有的稀疏分解算法计算对应信号在冗余字典上的稀疏展开系数也就是振动信号AR模型的自回归系数,最后利用过完备稀疏基及稀疏展开系数来重构去噪后信号。K-SVD字典训练是一种更新冗余字典算法,其提高信号与冗余字典的匹配度,从而提高去噪效果,目前常用于图像稀疏去噪。本文先对采集的多条同一振动信号序列,然后根据振动信号序列对某一固定基做字典训练,然后用更新的字典对其中一列或者多列振动信号进行稀疏去噪。综上述,本文主要是对振动信号的稀疏去噪算法中稀疏域进行了改进,增加了冗余字典的自适应性,使得稀疏去噪适用于很多不同结构特征的信号。实验仿真结果表明,自适应稀疏基上的稀疏去噪算法对振动信号有较好的去噪效果,并且自适应冗余基可以很好的保留振动信号的结构特征,能够很逼近的重构原信号。