基于EMD和BP神经网络的雷达体征信号检测算法

随着城市生活中医疗、治安、反恐等方面的需求日益突出,非接触式雷达生命体征检测逐渐得到各方面的关注.文章提出一种基于EMD和神经网络的雷达生命体征信号检测算法.由于UWB雷达回波信号的非平稳非线性特性,利用EMD的空间时间尺度特性对信号进行分解,得到一系列的本征模态函数IMF,然后通过结合了免疫遗传算法IGA的BP神经网络对信号进行优化,获得心跳和呼吸信号.结果表明,文章提出的算法比直接用EMD分解重构的信号的准确性高,弥补了EMD分解的端点效应问题,具有广阔的应用前景和研究价值.     

基于小波包的EMD分析在车削刀具监控中的应用

针对车削刀具振动信号在经验模态分析(EMD)时产生的模态混叠现象,采用小波包和EMD分析相结合的方法来提取刀具磨损时振动信号的敏感特征.首先利用EMD分析将采集的磨损信号分解为数个固有模态分量(IMF),然后采用小波包方法对与刀具磨损状态相关性大的IMF进行分解并重构.计算重构后的IMF与刀具磨损的相关系数,将相关系数大的IMF所包含的敏感特征作为支持向量机(SVM)的输入,进而对刀具的磨损状态进行识别.研究结果表明该方法能有效地提高对刀具磨损状态的识别精度.     

正交多项式拟合在EMD算法端点问题中的应用

经验模态分解(EMD)是由Huang等人提出的一种全新的针对非线性非平稳信号处理的算法.通过EMD,可以把一个信号分解为若干个固有模态函数(IMF),再将这些IMF进行希尔波特变换,从而得到具有真正意义的瞬时频率,因此解决了传统信号处理方法的不足之处。与此同时,EMD算法是一个全新的算法,本身也存在不足,如端点问题。文章在现有的解决方法的基础上,提出了用正交多项式拟合的方法来解决EMD的端点问题,并通过和已有算法的比较来证明这种方法的有效性。     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

一种改进的经验模态分解方法

针对经验模态分解中存在的端点效应及模态混叠现象,提出一种新的改进方法。利用镜像延拓方法对信号两端数据进行延拓后,结合余弦窗函数以解决端点效应对分解结果的影响,再利用高频谐波法结合掩膜信号法抑制EMD分解过程中存在的模态混叠。通过实验对比验证了该方法的有效可行性。     

一种抑制EMD端点效应的改进方法

经验模式分解(EMD)存在的端点效应问题影响着该方法的应用。本文研究了基于端点优化对称延拓和镜像延拓的抑制EMD端点效应的改进方法,避免了单独采用端点优化对称延拓法在预测的点数较多时会造成速度较慢,以及单独采用镜像延拓法在处理端点不是极值点的短时间序列时效果不佳的问题。首先利用端点优化对称延拓法对数据序列两端各延拓一个局部极值,获取最佳的信号端点值,然后利用镜像延拓法把镜内的信号映射成一个不存在端点的环形信号,再进行经验模式分解。通过对仿真信号分析,表明该方法能够有效抑制端点效应问题。     

HHT在浅层地下震动信号分析中的应用

利用希尔伯特-黄变换(HHT)中经典模态分解(EMD)法,对浅层地下爆炸场采集的震动信号进行分解,得到满足一定条件的IMF分量,再对其进行希尔伯特变换,得到能量谱图,通过对波形和能量谱图的分析,实现对浅层爆炸场信号的分析及特征提取。     

基于改进经验模态分解的HHT密集模态识别方法

针对传统HHT方法不能有效识别密集模态的问题,提出基于改进经验模态分解(EMD)的HHT密集模态识别方法。EMD密频信号分解能力不足是限制HHT法识别密集模态的主要原因,因此在EMD分解过程中嵌入信号调频(FM)和模态解相关操作提升其分解密频信号的能力,称改进后的方法为调频-解相关模态分解(FM-DEMD)。以FM-DEMD分解取代传统HHT法中的EMD分解,得到改进HHT模态识别方法。仿真试验证明：传统HHT法和ITD法密集模态识别失效时,改进HHT法仍能准确识别密集模态信息。     

基于自相关和经验模态分解的转子碰摩故障分析

针对转子故障振动信号具有周期性的特点,提出一种用于分离转子故障振动信号的新方法,该方法首先应用自相关处理对振动信号进行降噪处理,然后采用经验模态分解(EMD)对振动信号进行分解,得出各个本征模态函数(IMF),并对IMF进行频谱分析,从频谱图上可以清晰地观察出转子的故障特征频率.试验结果表明,振动信号经自相关处理后起到了很好的降噪效果,碰摩所产生的冲击信号上下不对称;EMD分解方法能有效地突出故障特征频率成分,该方法可广泛用于旋转机械振动信号时频分析领域.     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。