基于GA-KELM的复杂路面病害分割算法

针对大多数路面裂缝检测算法对坑洼、松散和车辙等复杂病害分割效果一般,适应较差的问题。提出了一种基于训练样本自动选取与改进的核极限学习机相结合的检测方法。首先使用二维Otsu选取训练样本并提取LBP特征和HOG特征。然后采用遗传算法对核极限学习机中随机给定的输入权值和隐含层偏差进行优化。将降维后得到的特征向量作为特征属性对改进的核极限学习机进行训练。最后用训练好的分类器对路面病害进行检测。经实验证明,该算法与对比实验相比分割精度提高了24.8%,运行时间为4.31s 是一种鲁棒性较强的检测方法。     

基于BEMD和SVM的路面裂缝识别方法

针对路面中常见裂缝识别分类难度大的问题,提出了一种基于二维经验模态分解和支持向量机结合的路面裂缝识别方法。通过对裂缝图像进行二维经验模态分解,提取其本征模函数并获得每个分量的瞬时幅值均值,放入特征向量,采用支持向量机对裂缝图像分类。实验表明,算法对指定样本进行测试,横向裂缝准确率为97.14%,纵向裂缝准确率为94.28%,龟裂裂缝准确率为94.28%,块状裂缝准确率为88.57%。算法可有效达到对裂缝进行分类的目的,小样本条件下,线性裂缝的分类正确率较高。     

一种优化的微弱信号检测方法

针对混沌海杂波背景下的微弱信号检测问题,结合互补集成经验模态分解理论,提出了一种优化的核极限学习机微弱信号检测方法。采用互补集成经验模态分解法将混沌信号分解为一系列固有模态函数,通过核极限学习机对经相空间重构后的各模态函数分别建立预测模型,利用人工蜂群算法对核极限学习机的正则化系数和核参数进行优化,重构预测信号,从预测误差中检测出混沌海杂波背景中的微弱信号(瞬态信号与周期信号)。分别以Lorenz 系统和IPIX 雷达海杂波数据为例进行了仿真,并研究了不同强度的噪声对微弱信号检测的影响。结果表明:该方法可以有效地从混沌背景中检测出微弱目标信号,当系统不存在噪声时,Lorenz 系统得到的均方根误差0. 000 000 12 (-118. 959 1 dB)比传统极限学习机方法的均方根误差0. 001 345 08(-80. 154 7 dB)降低了4 个数量级;若SNR逸0 dB,噪声对微弱目标信号检测的影响可以忽略;但当SNR<-7 dB,则无法检测出微弱信号。     

基于二维模态分解与斑块对比度相结合的红外小目标检测算法

红外小目标检测在红外目标搜索跟踪等应用中发挥着重要作用。文中提出一种二维经验模态分解与多尺度斑块对比度算法相结合的红外小目标检测算法。首先,利用二维经验模态分解将红外图像分解成不同尺度的模态分量,再将低频模态分量去掉进行图像重构,实现对背景杂波的抑制。然后,将重构图像做为多尺度斑块对比度算法的输入,生成目标结果图。最后,对目标结果图进行自适应阈值分割,检测出真实的红外小目标。实验仿真结果表明,该算法与现有算法相比,在不同背景下能够有效抑制背景对目标的干扰,具有较高的检测率,验证了该算法的有效性和鲁棒性。     

基于改进遗传算法的多源数据继电保护定值优化策略

针对传统继电保护策略存在准确度差且效率低的问题,文中基于多源数据提出了一种性能更优的继电保护策略。对于多源数据一致性差、分析困难的特点,采用经验模态分解对数据进行预处理,以获得不同梯度的时域以及频域数据。同时为了增强传统遗传算法的分类性能,还引入了极限学习机对输入数据进行分类,并使用遗传算法对极限学习机的参数加以优化。所设计的模型可以对配电网发生的故障进行判定,并引导继电保护设施做出正确响应。实验结果表明,相较于对比算法,该算法具有更高的准确性及更优的效率,且优化后继电保护装置的判断综合准确率可达89%。     

噪声干扰环境下抑制EMD模态混叠方法

经验模态分解(EMD)作为时频分析的经典算法,已经得到广泛的应用。然而,其分解质量容易受到噪声等干扰的影响,产生模态混叠问题。本文针对经验模态分解中因噪声存在的模态混叠问题,提出一种自适应的预处理方法。首先对输入信号进行B样条最小二乘拟合,消除了噪声的影响后,再进行EMD分解。为提高算法的自适应性,提出了一种基于极值点出现时刻的节点选取方法。对线性信号与非线性信号的仿真实验表明该方法有较高的分解精度;与聚合经验模态分解方法(EEMD)的分析对比结果表明该方法能很好地抑制噪声引起的模态混叠。      

二元裂解算子交替方向乘子法的核极限学习机

凸优化形式的核极限学习机(KELM)具有较高的分类准确率,但用迭代法训练凸优化核极限学习机要较传统核极限学习机的解线性方程法花费更长时间.针对此问题,该文提出一种2元裂解算子交替方向乘子法(BSADMM-KELM)来提高凸优化核极限学习机的训练速度.首先引入2元裂解算子,将求核极限学习机最优解的过程分裂为两个中间算子的优化过程,再通过中间算子的迭代计算而得到原问题的最优解.在22个UCI数据集上所提算法的训练时间较有效集法平均快29倍,较内点法平均快4倍,分类精度亦优于传统的核极限学习机;在大规模数据集上该文算法的训练时间优于传统核极限学习机.     

二元裂解算子交替方向乘子法的核极限学习机

凸优化形式的核极限学习机(KELM)具有较高的分类准确率,但用迭代法训练凸优化核极限学习机要较传统核极限学习机的解线性方程法花费更长时间。针对此问题,该文提出一种2元裂解算子交替方向乘子法(BSADMM-KELM)来提高凸优化核极限学习机的训练速度。首先引入2元裂解算子,将求核极限学习机最优解的过程分裂为两个中间算子的优化过程,再通过中间算子的迭代计算而得到原问题的最优解。在22个UCI数据集上所提算法的训练时间较有效集法平均快29倍,较内点法平均快4倍,分类精度亦优于传统的核极限学习机;在大规模数据集上该文算法的训练时间优于传统核极限学习机。     

基于多尺度熵和遗传算法改进的语音识别技术

现代语音识别系统大多数都处在复杂的环境中,语音特征的提取势必会受到噪声的影响;在低信噪比环境下的隐马尔可夫模型,它的训练参数容易收敛于局部最小值,导致识别率下降。首先对采集到的语音信号,利用补充的总体经验模态分解(CEEMD)和多尺度熵算法对信号进行随机性检测,该方法在检测出CEEMD分解的异常分量后,进行经验模态分解(EMD);其次将分解得到的近乎纯净的语音信号,作为基于遗传算法改进的隐马尔可夫模型的输入。实验结果表明,利用多尺度熵与遗传算法改进的隐马尔可夫模型相结合的方式,具有更优的收敛速度和优化性能,识别率至少提高1.23%。     

基于混合特征和集成极限学习机的高压断路器机械故障检测

提出了一种基于混合特征提取和集成极限学习机(IELM)的高压断路器机械故障检测方法。首先,采用全集成自适应噪声经验模态分解(CEEMDAN)对振动信号进行分解,得到固有模态函数(IMF)。然后结合Hilbert变换和带通滤波器对各阶IMF分量进行子带重构,得到时频矩阵。将时频矩阵转化为能量矩阵,利用正态累积分布函数(NCDF)对频带进行归一化,提取出时频熵和奇异熵,形成机械故障特征向量。此外,还建立了故障分类系统。结合带通滤波的CEEMDAN方案优点是可以消除模态混叠,减少辅助噪声的加入,并提高分解效率。此外,NCDF归一化的奇异熵具有更稳定的性能。由多个弱类组成的IELM可以解决传统极限学习机的不足。基于实测数据的实验结果表明,该方法能有效地通过小样本进行机械故障检测。     

二维经验模态可分离度及其量化计算

解释和分析了二维信号可分离度的概念.基于二维模态分解理论和二维信号解析相位理论提出了二维模态信号的加性可分离度计算式和乘性可分离度计算式,并分别利用完全加性信号和完全乘性信号对两种计算式的实际效果进行了验证.二维经验模态可分离度的应用意义体现在:它可以鉴定二维模态分解算法分解质量的优劣,可以用来确定模态分解客观分解终止条件,还可以在进行单方向特征信息提取时为预处理方法的选择提供有效依据.     

运用分频段希尔伯特黄变换进行多分量信号的频散分析

将分频段希尔伯特黄变换应用于多分量信号的频散分析中.首先,利用带通滤波器和经验模态分解相结合,成功实现了经验模态频率分解,并准确提取了经验频率模态函数;然后,使用该方法准确地获取了多分量含噪信号的时频能量谱和时频相位谱;最后,基于同步相差和异步相差算法,精确绘制了原信号的相速度频散分析曲线.数值试验表明,该算法拥有较高的时频分辨能力和良好的抗噪性能,对于复杂且信噪比较低的信号,能获得比传统希尔伯特黄变换更准确的频散分析结果.     

基于EEMD技术在电力信息安全中的多步时间序列预测方法

针对用户访问轨迹的数据特征,提出一种基于EEMD技术的多步时间序列预测模型。该模型利用了集合经验模态分解EEMD结合极限学习机ELM模型,混合人工鱼群MAFA优化的方式,克服了算法中存在过拟合和多步时间序列预测的策略限制问题。通过该模型,实现了对访问轨迹时间序列多步预测,结合安全范围包络线,进而提前发现是否存在入侵行为。验证结果表明,优化后的EEMD-ELM模型比传统时间序列预测方法的迭代速率与精度得到了极大提高,泛化能力增强,说明了该方法的有效性、可行性。     

融合多元经验模态分解与Hilbert空间填充曲线的sEMG处理方法

基于卷积神经网络(convolutional neural network, CNN)的表面肌电信号(surface electromygraphy, sEMG)手势识别算法通常将一维sEMG转换成二维肌电图作为CNN的输入。针对sEMG瞬时样本量偏少、以及一维sEMG转换成二维肌电图时带来的局部时序特征丢失等问题,提出了将多元经验模态分解(multivariate empirical mode decomposition, MEMD)算法与Hilbert空间填充曲线相结合的方法,以提升手势识别算法的准确率。采用开源数据集NinaPro-DB1作为实验数据集;通过MEMD算法对sEMG进行分解;将分解后的本征模态函数(intrinsic mode functions, IMFs)作为Hilbert曲线的填充域(Hilb-IMFs)映射成二维肌电图;选择DenseNet作为手势识别的基本网络。实验结果表明,提出的方法相对于传统信号升维方法在手势识别准确率上约有4%的性能提升,验证了该方法的有效性。     

基于EMD-NLMS的船舶发动机声信号降噪处理方法

针对船舶声信号降噪滤波的问题,提出了一种基于经验模态分解-归一最小均方的算法。该方法进行经验模态分解得出噪声分量,将得到的噪声分量作为输入信号进行自适应滤波,通过自适应滤波算法迭代处理得到降噪后的信号分量,并把信号分量叠加得到最终降噪后的信号。通过对比最小均方算法、归一化最小均方算法、经验模态分解-最小均方算法和经验模态分解-归一最小均方算法对船舶声信号的降噪效果,得出在船舶声信号滤波降噪方面经验模态分解-归一最小均方算法相比于其他三种算法有更好的滤波效果。     

基于二维经验模态分解的五步非等步在线三维检测

提出一种基于二维经验模态分解(2DEMD)的像素匹配方法,并结合五步非等步算法应用于在线三维面形测量中。将一正弦条纹投影到在线匀速运动的待测物体上,物体运动产生等效相移,在一个条纹周期范围内任意采集五帧变形条纹图。采用2DEMD方法对变形条纹图进行分解,可以得到与待测物体形貌变化一致的模态图像,通过大津法对其进行二值化处理,并截取可靠性较高的区域作为像素匹配模板进行像素匹配,使各帧条纹图中物点一一对应并计算出相应的等效相移量。再利用五步非等步相移算法解相可得到截断相位,采用相位展开算法得到连续相位,利用相位高度映射公式可恢复出被测物体的三维面形。计算机模拟与实验验证了该方法的有效性。     

改进鲸鱼算法优化核极限学习机在水质光谱分析中的应用

为提高水质光谱分析模型的学习速度与预测精度,采用核极限学习机对水质光谱进行建模,并提出一种具有动态惯性权重的改进鲸鱼优化算法对模型进行参数优化。由于极限学习机的输入权值矩阵和偏置是随机生成的,故引入核方法以减小其输出权值矩阵的波动;将鲸鱼优化算法中的惯性权重在非线性递减的基础上引入随机因子,通过动态调整惯性权重以平衡算法的全局搜索能力与局部开发能力。与传统优化模型进行了对比实验,实验结果表明:基于该方法所建模型具有更高的预测精度,而在相同的学习迭代次数下,核极限学习机的运行时间相对于传统算法约下降50%,且改进鲸鱼优化算法能够以更快的收敛速度使模型达到全局最优。     

二次谐波信号降噪方法的研究

在近红外区域，利用波长调制光谱技术进行气体浓度检测时，光学元件以及电子器件的噪声会影响二次谐波信号的信噪比。为了抑制噪声，提出一种基于经验模态分解、去趋势波动分析和小波自适应阈值的复合降噪算法。该算法针对传统经验模态分解降噪算法中存在的有用信号缺失的问题，利用去趋势波动分析优化对于信息主导本征模函数的筛选，将筛选出的信息主导本征模函数进行信号重构，再用小波自适应阈值算法提高降噪精度。将提出的算法与经典的降噪算法进行对比评估，提出的算法降噪后的二次谐波信号与原二次谐波信号的互相关系数为99.9018%，均方根误差为0.0087%。通过对实验中实际得到的二次谐波信号进行去噪，结果表明提出的算法去噪效果明显，能够保留有用的信息点。     

基于二维经验模态分解的高光谱影像去噪方法

高光谱遥感图像同时具有二维空间信息数据和一维光谱信息数据,具有图谱合一的特点且谱间信息具有强烈的相关性,针对高光谱图像的这些特点,提出一种基于二维经验模态分解的高光谱图像降噪方法。该方法利用二维经验模态分解对各波段的高光谱图像分别进行分解,得到不同尺度的固有模态函数;根据含噪声较大的波段和含噪声较小的波段的谱间对应关系计算权系数值,对含噪声较小波段的高频固有模态函数系数进行加权求和,利用加权后的系数值代替含噪声较大的波段的高频固有模态函数系数;利用去噪后的高频系数进行重构得到去噪后的高光谱图像。实验表明,该方法能够对高光谱影像进行有效去噪,同时亦能较好地保留图像细节信息,与经典的小波去噪方法相比,使用该方法去噪后的图像具有更高的峰值信噪比和更好的视觉效果。     

基于核主成分分析的EMD去噪算法

本文以超声回波信号去噪为目的,研究了基于经验模态分解（EMD）分解的去噪方法。分解过程中固有模态函数（IMF）信号与噪声混叠,还会产生虚假分量,提出了基于核主成分分析（KPCA）的经验模态分解算法。首先对原信号进行经验模态分解得IMF分量;然后对信号进行KPCA变换,将各分量获得的贡献率与阈值比较,最终以去除分量中夹杂的噪声。为证明本文方法的有效性,还给出了仿真实验的仿真结果。