基于EMD的激光超声信号去噪方法

基于连续均方误差的准则,提出了一种基于经验模态分解（EMD）的激光超声信号去噪方法．该方法将经验模态分解得到的固有模态函数（IMF）分为信号分量起主导作用,模态与噪声分量起主导作用模态,利用反映信号主要结构的模态对信号进行部分重建实现去噪．将该方法应用于测试信号与实际激光超声信号的去噪,实验结果表明该方法能够有效地去除噪声,并且不受主观参数的影响,具有自适应的特点．     

一种新的基于EMD模态相关的信号去噪方法

基于模态相关的准则,提出了一种新的信号去噪方法。首先对原信号进行经验模态分解（EMD）,其次根据各阶固有模态与原信号的相关系数曲线中第一个极小值点的位置作为标准定出噪声主导性模态与信号主导性模态的分界点,最后将固有模态函数（IMF）中信号起主导作用的模态成分进行重构来实现去噪。将该方法应用于仿真信号与实际光辐射强度信号的去噪,结果表明该方法在有效去噪的同时能较好地保持原信号的细节信息,具有较好的推广性。     

采用循环叠加经验模态分解的去噪算法

为了检测被强噪声淹没的目标信号,提出了一种新的基于经验模态分解(EMD)的去噪算法.该算法将经验模态分解得到的第一个固有模态函数(IMF)循环移位,得到功率保持不变的噪声样本函数.将多个噪声样本函数叠加后,与重构的目标信号合成新的含噪信号.进一步采用软阈值去噪的方法,达到显著削弱噪声的目的.仿真实验表明:所提的新算法能够抑制4~6 dB的高斯白噪声,但抑制高斯混合噪声的能力较差;并且当信噪比较低时,其性能明显好于原始的基于EMD的去噪算法.该算法为低信噪比下的弱信号检测提供了一种新的思路.     

基于变分模态分解和奇异值分解的局部放电信号去噪方法

为有效抑制局部放电信号中的复杂噪声干扰,提出一种基于变分模态分解和奇异值分解的去噪方法。首先通过泄露能量确定VMD算法中的模态分解个数,对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后基于峭度指标选择包含有用信息的分量进行信号重构,将周期性窄带干扰去除;最后采用奇异值分解去噪方法抑制信号中剩余的高斯白噪声。运用该方法对含噪局放信号进行去噪处理,并通过时变峰度法对信号初至时刻进行拾取。与传统的小波方法和经验模态分解算法进行对比,该方法能有效抑制局放信号的复杂噪声干扰,去噪后信号波形畸变较小,信号拾取精度较高。     

基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

基于EMD方法的心电信号带内噪声滤除

为解决心电信号去噪过程中有用信号被削减的问题,提出了基于经验模态分解(EMD)滤除心电信号带内噪声的方法.该方法用EMD方法处理含噪分量,保持有用信号的功率基本不变,大大消弱噪声的功率,达到去噪目的.实验表明:与传统EMD阈值滤波相比,该方法在滤除噪声的同时能保留真实信号的完整性,证实了该算法对低信噪比微弱信号带内噪声滤除的有效性.     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.     

基于ICEEMDAN的曲波阈值地震数据去噪方法研究

地震数据去噪对地震资料的品质的提升有重要的作用,因此对地震数据噪声的压制非常必要.本文提出一种基于ICEEMDAN与曲波阈值相结合去噪处理的方法,该方法解决了经验模态分解的模态混叠问题,使ICEEMDAN分解出来的模态分量特征更明显,然后通过曲波阈值对模态分量进行去噪并对处理的模态分量进行重构,利用信噪比(SNR)、均...     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

经验模态分解和稀疏表示的SAR图像去噪方法

相干斑噪声严重影响了SAR图像的应用,为降低这个影响,本文提出了一种经验模态分解和稀疏表示相结合的去噪方法。该方法利用经验模态分解是由数据驱动这一特点,把含噪SAR图像自适应的分解为若干固有模态分量,根据这些固有模态分量的时频特性,判断噪声在固有模态分量的分布情况。由于噪声的分布相对于图像目标分布具有孤立性、随机性的特点,采用稀疏表示方法对含噪的固有模态分量进行分解,通过估计固有模态分量的噪声强度,重构各固有模态分量,将处理后的以及未处理的各固有模态分量进行经验模态分解的重构,以此达到去噪的目的。为验证该算法的有效性,进行了对比实验,通过客观评价标准证明了该方法在细节信息保持等方面优于其他方法,是一种针对SAR图像的有效去噪方法。     

基于MEEMD的内燃机辐射噪声贡献

为了研究内燃机振动成分对噪声的贡献,提出一种改进的集总平均经验模态分解（MEEMD）方法.通过仿真试验,对比MEEMD与传统经验模态分解（EMD）和集总平均经验模态分解（EEMD）的结果.结果表明,MEEMD是一种更为优秀的自适应信号模态分解方法,不仅能够抑制模态混叠问题,而且能够解决模态分裂等问题.采用MEEMD方法对内燃机振动成分对辐射噪声的贡献进行研究,以一个4缸4冲程内燃机为例,对标定工况下的缸盖罩振动信号和缸盖罩近场噪声信号进行MEEMD分解,并对分解得到的本征模态函数（IMF）进行时频分析,研究对辐射噪声贡献大的振动成分的来源.研究结果表明,通过MEEMD方法能够得到对内燃机辐射噪声贡献大的振动成分,并且准确确定其来源.     

基于EMD和小波变换的结构风振高阶参振模态识别

为了确定结构随机理论求解中的高阶参振模态数目,采用经验模式分解(EMD)与小波变换相结合的方法分析结构气弹模型自激响应数据信号的时-频-谱联合特性,从原始信号中分解出固有模态函数(IMF),再对各个IMF进行小波变换提取信号特征参数,从而识别出结构风振随机计算所需的高阶参振模态截止频率,并将识别结果与直接采用随机理论对...     

分离EMD中混叠模态的新方法

针对经验模态分解(empirical mode decomposition,EMD)过程中可能出现的模态混叠问题,提出一种新的处理方法.该方法利用了差分运算、累计求和,同时结合EMD来实现混叠模态的分离.该文对数值仿真信号和LOD(1ength-of-day)数据进行了仿真分析,比较了原始EMD和所提算法的分析结果.仿真结果表明,该算法可有效分离混叠模态,得到尺度成分清晰的本征模态函数.     

一种基于样条插值的经验模态分解改进算法

经验模态分解过程中经常由于信号采样率不足而产生伪固有模式函数(IMF),希尔伯特变换中也常出现无物理意义的负瞬时频率,就这两个问题进行研究后认为,HHT谱中产生负频率的主要原因是由于经验模态分解结果中的伪IMF所造成的,而伪IMF产生的原因主要是信号采样率不足引起的,并提出以HHT谱是否稳定来判断IMF的真伪。还针对信号采样率不足这一问题,提出了一种应用三次平滑样条拟合插值来加密信号采样点,进行信号重构的方法,算例表明:该重构方法可以有效消除分解过程中由于信号采样率不足而引起的包络线失真,从而可有效消除分解结果中的伪固有模式函数和HHT谱中的负频率。     

基于EMD自适应滤波的谱分析方法研究

经验模态分解（EMD）是一种分析非线性非平稳信号的时频分析方法．基于该方法提出一种新的自适应滤波算法EMD—LMS,并对滤波后信号进行谱分析．实验表明：与经典的功率谱分析方法相比,本文提出的谱分析方法具有更好的分辨率．     

一种基于Hilbert Huang变换的直扩信号盲检测方法

针对直扩信号在低信噪比情况下难以检测的问题,提出一种基于Hilbert—Huang变换的盲检测算法。通过对信号进行经验模态分解,根据能量最大原则对得到的内蕴模态函数进行筛选和提取,实现信号的重构;计算其时间、瞬时频率及幅值的分布图和边际谱,从而检测出直扩信号并估计出载频。理论分析和仿真实验表明该算法在信噪比为-16dB的情况下能有效地检测出直扩信号。     

提取混沌中谐波信号的时频方法

首先采用谐波小波变换将观测信号分解成窄带信号,然后使用经验模态分解方法将每一个窄带信号分解为有限个内禀模态函数(IMFs),根据功率谱密度选取内禀模态函数,提取谐波信号。该方法的性能可由噪声缩减因子和相关系数两个指标度量。理论分析和仿真实验表明,在信噪比不太低的情况下,该方法对提取淹没在混沌和噪声背景下的谐波信号非常有效。     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.