使用希尔伯特-黄变换的医学图像检索

使用希尔伯特-黄变换对医学图像进行分解并将分解产生的内蕴模态函数及其二维希尔伯特变换的幅值作为纹理特征,提取后的特征用于医学图像检索.根据图像内局部极值点的几何分布,提出了一种新的基于聚类算法的边界处理方法.实验中使用的纹理特征包括基于希尔伯特-黄变换得到的特征和对比用的Gabor特征、纹理谱特征和多尺度复杂性及多尺度分维数特征.初步的实验结果表明:采用希尔伯特-黄变换可以有效地描述医学图像的纹理信息,并取得较好的图像检索结果.     

一种基于HHT鼠笼型异步电机转子断条故障信号分析方法

希尔伯特-黄变换是一种新的信号处理方法,具有时频自适应性,可以用于分析各类信号,包括平稳、非平稳信号,线性、非线性信号等.它的核心经验模态分解实际上就是对信号进行平稳化处理,将信号用不同尺度上波动的序列的和来表示,其瞬时频率谱可准确反映信号的物理意义.将希尔伯特-黄变换用于提取鼠笼型异步电机转子断条故障特征信号的处理,...     

基于模态参数识别的ITD算法改进

固有时间尺度分解(ITD)算法在前处理和系统定阶方面存在一定的人为因素,对模态参数的提取会造成误差,且对噪声较为敏感。针对上述问题,提出一种改进的ITD算法。利用基于数据驱动的随机子空间算法对原始数据进行处理,将正交三角分解得到的数据作为ITD法的输入数据,采用稀疏优化正交匹配追踪算法求出特征矩阵,并通过特征矩阵计算特征值、模态频率和阻尼比。通过统计的方法,从众多模态参数中选取真实模态,有效避免虚假模态的产生。实验结果表明,与ITD算法相比,改进ITD算法可降低噪声的影响,解决系统模型阶次必须准确定阶的要求,使模态参数的提取更加精确。     

基于震动信号HHT的车辆分类

震动传感器是智能监控传感器系统的重要组成部分。震动信号是一种非线性非平稳信号。相比于传统的时频分析方法,对希尔伯特-黄变换是一种更有效地处理非平稳信号的时频分析方法。将希尔伯特-黄变换引入到车辆分类中,提取震动信号特征信息,利用经验模态分解(EMD)获得车辆行驶引起的地面震动信号的固有模态函数(IMF),通过选取的固有模态函数得到相应的希尔伯特谱,然后在希尔伯特谱的基础上根据谱峰对车辆进行分类。仿真测试结果表明方法具有很高的正确率。     

颤振信号处理中的时频域滤波方法

根据颤振试验的原理和观测信号特点,提出一种时频域滤波方法.该方法通过对信号进行自适应分解并求其时频谱,进而在联合时频域对其进行滤波重构.主要用于飞机颤振试验信号的预处理,对颤振模态参数提取与颤振边界预测有着直接的意义.数字仿真及物理试验验证了该方法的有效性和可行性.     

基于经验小波变换的结构损伤特征提取

为了更好地提取结构损伤特征信息,提出了基于经验小波变换(EWT)和希尔伯特变换的振动信号分析方法。首先,用EWT对结构损伤加速度振动信号的频谱进行自适应分割,然后提取不同的调幅-调频(A M-AF)分量,最后对其进行希尔伯特变换,获取瞬时频率。仿真和工程实验结果表明:经验小波变换相对于经验模态分解(E MD)可以更好地提取信号的各个特征分量,为信号时频处理奠定基础,且分解的模态少,不存在虚假模态。同时,EWT与Hilbert的结合更进一步验证了该方法的有效性。     

EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

基于改进HHT的脉搏信号分析方法

利用传统希尔伯特-黄变换(HHT)处理脉搏信号时,经验模态分解(EMD)分解精度低,并且存在模态混叠问题。为此,提出一种改进的HHT方法。结合时变滤波(TVF)对脉搏信号进行EMD得到一系列本征模态函数(IMF),采用相关系数法提取有效的IMF分量,并对其运用希尔伯特变换得到脉搏信号的Hilbert谱和边际谱。实验结果表明,该方法可提高分解精度,有效解决模态混叠问题,同时去除信号中的干扰成分,得到的Hilbert谱和边际谱能够准确反映脉搏信号的时频特性。     

希尔伯特-黄变换在表音故障诊断的应用

针对钟表表音信号提取与分析存在较大困难的问题,提出了双麦克降噪采集装置和基于经验模态分解的手表表音希尔伯特-黄变换(Hilbert-Huang)方法。该方法提取机械手表的故障信号进行经验模态分解,进而对内禀函数进行希尔伯特变换得到希尔伯特谱和希尔伯特边际谱。仿真实验结果表明,边际谱能识别出故障信息,该方法能够定位误差并实现故障诊断。     

基于希尔伯特-黄变换的超宽带信号检测方法

基于超宽带信号检测中希尔伯特-黄变换经验模态分解的边界问题,研究分析了基于非等间隔灰色模型预测极值点的解决方法。针对该方法在某些极值分布情况时个别极值点检测不到的问题,提出了时序残差修正的非等间隔灰色模型解决新方法。通过理论推导,证明了该新方法的有效性,在此基础上,对实际超宽带信号进行了结合新方法的希尔伯特-黄变换检测仿真。分析和仿真结果表明,改进的经验模态分解可以较为准确地重构出淹没在干扰或者噪声中的超宽带脉冲信号,明显改善了超宽带信号检测的准确度。通过与离散小波变换对比分析,体现出希尔伯特-黄变换更适合用于检测超宽带信号。