基于Hilbert-Huang变换的语音信号共振峰频率估计

由快速傅里叶变换（FFT）初步估计出的语音信号的各阶共振峰频率确定相应带通滤波器的参数，并用该参数对语音信号作滤波处理，对滤波后的信号进行经验模态分解（EMD）得到一族固有模态函数（IMF），按能量最大原则确定出含有共振峰频率的IMF，计算出该IMF的瞬时频率和Hilbert谱即得到语音信号的共振峰频率参数.实验结果表明，与传统方法相比，该方法无须对语音信号进行分帧截断，提高了语音信号共振峰频率估计的时频分辨率和准确性，能够更精确地反映共振峰频率随时间的快速变化.     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题，提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同，利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位，依据定位的间断信号段经端点延拓重新做EMD分离出间断信号，从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较，显示其滤除结果的信号失真较小，并可将间断信号分解为一固有模态函数．     

Hilbert-Huang变换应用中的预处理方法研究

为提高Hilbert-Huang变换（HHT）中瞬时频率计算的真实性和稳定性，提出了一种信号的预处理方法.该方法首先对信号作傅里叶变换，然后根据插值点数作补零处理，再进行傅里叶反变换，完成傅里叶插值功能.对傅里叶插值处理后的信号作经验模态分解（EMD）得到一组固有模态函数（IMF），计算所有IMF的瞬时频率和幅值，最终获得信号时频分布的Hilbert谱.结果表明，该傅里叶插值的预处理方法能够有效消除和抑制HHT分析中的瞬时频率波动和虚假成分产生，增强了瞬时频率的准确性，提高了HHT方法的信号分析频率，该方法能有效应用于实际信号处理的HHT时频分析中.     

基于经验模态分解和Mel倒谱系数的语音端点检测

提出了一种基于经验模态分解和Mel倒谱系数的语音端点检测方法。对语音信号进行分解得到一组IMF分量,将集中在低层IMF分量中的噪声信号滤除,重构剩余的IMF分量成语音信号,提取重构信号的Mel频率倒谱系数来检测语音信号的端点。实验结果表明,提出的方法可以较好地消除噪声对语音信号端点检测带来的影响,能在不同信噪比的环境下正确地对语音信号进行端点检测,具有一定的鲁棒性。     

基于VMD-HHT方法的水电机组启动过渡过程振动信号分析研究

为了解决水电机组启动过渡过程振动信号特征频率提取困难问题,采用一种较新的处理非线性非平稳信号自适应方法---变分模态分解（VMD）,并用于葛洲坝某台机组启动过渡过程振动信号分析。通过Hilbert-Huang（HHT）变换对VMD分解得到的各固有模态函数（IMF）进行瞬时频率计算,得出相应Hilbert谱图,并将结果与经验模态分解（EMD）方法进行对比。结果表明：经VMD分解后,机组启动过渡过程振动信号各分量频率变化与机组转速时变规律吻合良好,能够有效提取特征频率,较EMD具有更好的自适应性,分析结果更加准确有效,能够更好的揭示水电机组过渡过程信号中的振动规律。     

扬声器非线性特性的Hilbert-Huang变换分析

为研究扬声器的非线性特性和形成机理,提出一种基于Hilbert-Huang变换(HHT)的扬声器非线性特性分析方法.该方法通过对扬声器纸盆位移信号进行经验模态分解(EMD)得到内禀模态函数(IMF),计算出IMF函数的瞬时频率.用瞬时频率的变化表示纸盆位移信号波内频率调制的非线性现象,直接反映出与扬声器结构相关联的非线性特性.仿真和实际扬声器实验结果表明,用HHT瞬时频率表示扬声器非线性的方法与传统的傅立叶谐波方法相比,能更确切地说明产生非线性的原因,给扬声器非线性的改善与补偿提供了依据.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

用于滚动轴承转频估计的EMD软阈值降噪算法

针对经验模式分解(EMD)互相关系数-峭度准则降噪方法与小波阈值降噪方法的不足,提出EMD与小波软阈值降噪相结合的降噪方法.该方法主要包括以下4部分:1)对原始信号进行EMD分解得到固有模态函数(IMF)的集合;2)计算各个IMF与原始信号的互相关系数以及各IMF的峭度值;3)利用互相关系数-峭度准则选择需要降噪的IMF以及需要剔除的IMF;4)对选定的IMF进行阈值降噪后与剩余的IMF相加重构信号.利用仿真和实测的故障轴承信号对所提出算法以及EMD互相关系数-峭度准则降噪方法进行对比验证.结果表明:采用EMD软阈值降噪方法比采用EMD互相关系数-峭度准则降噪方法对信号进行预处理,更能确保轴承振动信号的完整性,突出信号的故障特征,降低瞬时转频估计的误差.     

基于EMD和概率神经网络的说话人识别

基于EMD和概率神经网络的说话人识别方法,主要针对语音信号具有强时变特性问题,通过自适应性的经验模态分解(EMD)方法,对不同说话人的语音信号进行分解后,得到反映信号特征的本征模态函数(IMF),然后计算IMF的能量并进行归一化得到能量特征向量,利用具有简单高效的模式识别功能的概率神经网络(PNN),对不同说话人的语音能量特征向量识别,从而达到说话人识别的目的.实验结果表明,在噪声污染不大的情况下,该方法能够准确快速地识别说话人身份,具有较高的识别性能.     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.