基于曲波变换与EMD的地震数据随机噪声衰减

由于曲波变换对信号具有较好的稀性,使得曲波阈值去噪法在数字信号噪声处理领域得到了广泛的应用,但该方法对弱信号曲波系数存在过分的扼杀现象,从而去除了部分弱有效波信号。为了在彻底地去除地震数据中的随机噪声的同时,更完整地保留地震数据特征,在曲波阈值去噪过程中引入二维经验模态分解(BEMD)法。首先将地震信号从高频到低频分解为若干个本征模态函数分量,然后利用前几阶含噪声的高频分量重构二维含噪记录,并使用曲波阈值法降噪处理后再与剩余不含噪声的低频分量重构出去噪的信号。不论是对理论模型还是野外数据,联合法的处理结果均优于单一曲波法处理结果。理论与实际数据实验结果表明,联合法在几乎去除地震数据中的随机噪声的同时尽可能地保留了弱信号,提高了地震信号的信噪比。     

基于改进EMD和小波阈值法的风机数据降噪研究

风机轴承振动信号中混杂着噪声,会对后期的故障诊断造成困难。提出了一种改进经验模态分解(EMD)与小波阈值降噪相结合的风机数据降噪方法。首先,采用EMD对原始振动信号进行分解得到信号的固有模态函数,考虑到各个分量中都含有噪声和信号从而出现模态混叠现象,故采用相关系数法筛选出信号分量和噪声分量对EMD进行改进。然后,采用小波阈值法对噪声分量进行降噪,并将信号分量与处理后的噪声分量进行重构,最终完成信号降噪。最后,选取某风机轴承振动数据作为实验数据,有效地去除了原始信号中的噪声,并得出轴承内圈故障的结论,与实际结果一致,验证了所提方法的有效性。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

基于BEEMD的单目测距图像区间阈值降噪算法

图像噪声是影响单目视觉定位精度的主要因素。该文在二维经验模态分解(BEMD)和阈值降噪方法的基础上,提出一种基于二维集合经验模态分解(BEEMD)的区间阈值图像噪声滤除方法。图像经过BEEMD分解为不同尺度的多个二维本征模态函数(IMF)分量和1个残余分量,依据图像和IMF分量的2范数准则和概率密度函数方法剔除纯噪声IMF分量,通过合理选择调节因子α,利用改进的区间阈值降噪方法实现图像降噪。将该算法应用于单目视觉测距中,并与BEMD算法进行对比,结果表明,该方法不仅能有效抑制BEMD中的模态混叠问题,而且能有效削弱图像噪声影响,从而提高单目视觉测距的精度和可靠性。     

基于VMD-SSA的埋地输气管道泄漏声波信号降噪研究

针对埋地输气管道泄漏声波信号沿土壤介质传播过程中易受噪声干扰的问题,提出基于变分模态分解结合奇异谱分析的联合降噪方法。先对含噪信号进行VMD分解,并根据能量熵分布图重构去除高频噪声。再对余下含中低频噪声的信号分量进行SSA分析,结合奇异值差分谱和能量贡献选取最优奇异值重构得到最终降噪信号。实验结果表明,相较于小波阈值、变分模态分解等降噪方法,改进方法降噪前后信噪比均增量提高27.1%,均方根误差均减量提高13.8%,是一种更有效的降噪方法。     

小波包变换和EEMD结合的信号去噪方法

超声波采样信号中的噪声也会参与经验模态分解(EEMD),造成各分解分量IMFs失真,针对于此,利用小波包分解能同时处理高频及低频噪声的特点,并结合EEMD分解算法良好自适应性,提出一种先通过小波包变换对原始采样信号进行初步消噪,然后再结合EEMD算法分解得到独立IMFs分量,最后根据各IMFs相关系数重构获得有效信号的降噪方法。通过仿真分析,相比单独的小波包去噪、EEMD分解去噪,本方法提高分解效率的同时提升了信噪比,具有更好的滤波效果。     

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。     

基于LMD-SVD的微震信号降噪方法研究

作为一种3维、实时的监测手段,微震监测通过分析岩体破裂产生的微震信号,评估工程岩体的稳定性,为工程建设和人员安全提供预警。然而,工程现场情况复杂,采集微震信号时通常会混入一定程度的噪声,影响后续微震信号的分析工作。针对这一问题,提出一种基于局部均值分解（local mean decomposition,LMD）和奇异值分解（singular value decomposition,SVD）的LMD-SVD联合降噪法以降低噪声干扰。该方法首先使用LMD分解,获得一系列由高频到低频分布的乘积函数（product functions,PF）;通过计算原始信号与各个PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将分界分量之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,使用SVD法,以加权能量贡献率（percent of contribution to total energy,PCTE）作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。通过上述处理,最终实现微震信号降噪。在仿真实验中,对于同一带噪的Ricker子波,分别使用经验模态分解（empirical mode decomposition, EMD）、LMD、LMD-SVD这3种方法进行降噪处理。其降噪前后信号的信噪比、波形图及频谱图对比结果表明LMD-SVD是一种更好的降噪方法。此外,对于白鹤滩水电站左岸地下厂房的微震监测系统所采集的信号,运用LMD-SVD对含噪微震信号进行降噪处理,表明本文方法能够有效地去除微震信号中的高频噪声,为后续微震分析工作提供帮助。     

基于LMD–SVD的微震信号降噪方法研究

作为一种3维、实时的监测手段,微震监测通过分析岩体破裂产生的微震信号,评估工程岩体的稳定性,为工程建设和人员安全提供预警。然而,工程现场情况复杂,采集微震信号时通常会混入一定程度的噪声,影响后续微震信号的分析工作。针对这一问题,提出一种基于局部均值分解(local mean decomposition,LMD)和奇异值分解(singular value decomposition,SVD)的LMD–SVD联合降噪法以降低噪声干扰。该方法首先使用LMD分解,获得一系列由高频到低频分布的乘积函数(product functions,PF);通过计算原始信号与各个PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将分界分量之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,使用SVD法,以加权能量贡献率(percent of contribution to total energy,PCTE)作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。通过上述处理,最终实现微震信号降噪。在仿真实验中,对于同一带噪的Ricker子波,分别使用经验模态分解(empirical mode decomposition, EMD)、LMD、LMD–SVD这3种方法进行降噪处理。其降噪前后信号的信噪比、波形图及频谱图对比结果表明LMD–SVD是一种更好的降噪方法。此外,对于白鹤滩水电站左岸地下厂房的微震监测系统所采集的信号,运用LMD–SVD对含噪微震信号进行降噪处理,表明本文方法能够有效地去除微震信号中的高频噪声,为后续微震分析工作提供帮助。     

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.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

Speech-stream detection in short-wave channel based on empirical mode decomposition and higher-order statistics

To capture the presence of speech embedded in nonspeech events and background noise in short-wave non-cooperative communication,an algorithm for speech-stream detection in noisy environments is presented based on Empirical Mode Decomposition (EMD) and statistical properties of higher-order cumulants of speech signals.With the EMD,the noise signals can be decomposed into different numbers of IMFs.Then,the fourth-order cumulant (FOC) can be used to extract the desired feature of statistical properties for IMF components.Since the higher-order cumulants are blind for Gaussian signals,the proposed method is especially effective regarding the problem of speech-stream detection,where the speech signal is distorted by Gaussian noise.With the self-adaptive decomposition by EMD,the proposed method can also work well for non-Gaussian noise.The experiments show that the proposed algorithm can suppress different noise types with different SNRs,and the algorithm is robust in real signal tests.     

旋转机械振动信号的固有模式函数降噪方法

针对旋转机械非平稳振动信号中局部低能量噪声的消除问题,提出一种基于固有模式函数(IMF)的振动信号降噪方法.该方法在信号经验模式分解(EMD)的基础上,通过对一阶IMF进行L次随机排序操作,构造观测信号的L个样本序列.根据白噪声各阶IMF的能量密度,计算L个样本序列各自分解所得IMF的阈值.通过样本幅值与阈值的比较,将IMF中过零点区间内极值小于阈值的所有样本点去除,并利用这些阈值去噪后的IMF重构信号.仿真和实验结果表明,本方法对各阶IMF中局部低能量噪声的消除是有效的,且降噪后信号的时频特征显著.     

EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.     

经验模式分解及关联维数在心音信号分类识别中的应用

针对心音信号非线性、非平稳的特性,提出一种基于经验模式分解(EMD)和关联维数的心音特征提取方法.首先通过EMD方法将心音信号分解成若干个固有模态函数(IMF),并利用互相关系数准则对IMF进行筛选,结合G-P算法对主IMF(IMF1~IMF4)分量分别求其关联维数,以此作为神经网络的输入向量,实现了对正常心音信号和病理心音信号的分类识别.对于重构相空间中的两个重要参数时间延迟τ和关联维数m,分别采用互信息函数法和用Cao算法确定.对临床采集的心音数据按该方法进行测试,结果表明,该方法能有效地识别心音.     

基于小波包和改进EMD的脑电信号消噪研究

由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法。含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电。经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病。     

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题，提出基于时延自相关运算和经验模态分解（
EMD）方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert Huang变
换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计, 获取较长时间差的部分，得到时延相关函
数.利用EMD方法对时延相关函数进行自适应滤波, 得到固有模态函数（IMF），对IMF进行Hilbert变换，
求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明，该方法比直接解调或
仅采用时延相关解调更能有效抑制噪声，凸现信号调制信息.     

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.     

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。