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。     

基于CEEMD和改进小波阈值的机械密封声发射信号降噪方法

声发射作为一种无损检测结束被广泛应用于多个领域,针对声发射信号难以从背景噪声种分离的问题,提出了一种基于互补集合经验模分解（CEEMD）与改进小波阈值相结合的降噪方法。首先对声发射信号进行CEEMD分解,通过峰宽占比确定信噪分量分界点,对噪声分量进行改进的小波阈值降噪,将降噪后的分量与其余分量进行信号重构得到最终降噪结果。通过仿真信号和机械密封声发射实验信号论证了本文方法相较于传统小波降噪和CEEMD强制降噪更有效。     

一维信号的模态分解与重构研究

根据模态分解法的基本思想,给出了求模态函数的递推和迭代公式,把任意信号分解为不同频的信号。根据各频率的信号的叠加进行信号重构。模块实验表明,利用模态分解法进行了信号分解具有可逆性,信号重构精度高,该方法是进行一维信号分解与重构的有效方法。     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

经验模态分解神经网络的研究与应用

为更有效对非线性信号进行识别,提出一种经验模态分解神经网络模型,实现经验模态分解算法与卷积神经网络模型的紧耦合.在EMD层利用经验模态分解算法完成信号的自适应分解;引入权重参数,将分解得到的本征模函数依据其对识别的重要性进行自适应加权重构提取特征,增强时域特征提取能力;将提取的特征通过Softmax层完成信号的识别.将该网络模型应用于美国麻省理工学院提供的MIT-BIH心律失常数据库,对心律失常信号的识别准确率为99.38％,高于其它算法的识别准确率,验证了该模型的有效性.     

基于经验模态分解的舰船液位测量方法研究

介绍了经验模态分解理论,及基于经验模态分解的液面高度测量分析方法。用经验模态分解法对采集到的多组不同海域液位波动信号进行分析处理,去除信号中各瞬时频率成分,提取信号的平均趋势。计算液位高度并与实际液位比较,验证了该方法的准确性、可行性。     

基于归一化幅频系数的模态混叠解决方法

针对在经验模态分解的过程中由于间断信号造成的模态混叠问题,提出利用对信号作经验模态分解得到的第1个固有模态函数的瞬时频率和幅度定义归一化幅频系数,分离出间断信号。实验结果证明,该方法可以克服间断信号对后续经验模态分解的影响,将间断信号分离为一个固有模态函数。     

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。     

基于信号经验模态分解与分集合并的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合信号经验模态分解与分集合并,提出了一种新的故障诊断方法;首先,运用经验模态分解对齿轮振动信号进行分解得到若干个分量;其次,根据分量的峭度大小以及相邻分量的峭度是否接近,筛选、合成有效分量;然后,运用等增益分集合并技术对有效分量进行合并,即将其包络进行叠加;接着,使用快速傅立叶变换得到信号包络和的频率谱;最后,根据该频率谱进行故障诊断;通过对仿真信号和齿轮断齿故障振动信号的分析,验证了方法的有效性.     

一种旋转机械振动信号的有效消噪方法

提出了一种基于奇异值分解(SVD)、Mallat算法和经验模态分解的信号降噪方法.首先,采用香农熵判据寻求最佳小波分解,对带噪部分小波系数进行经验模态分解,提取出信号趋势分量;其次对小波系数剩余部分采用奇异值分解方法降噪,并根据奇异值差分谱自适应的选择奇异值进行重构,将重构后的信号和趋势项叠加作为新的小波系数;最后进行小波重构得到最终的消噪信号.运用模拟信号和齿轮箱断齿故障信号进行仿真,结果表明该方法能够准确地选择用于重构的奇异值个数,并能有效去除信号噪声,保留特征信号的细节信息,尤其对含有趋势项的故障特征有很大实用性.     

用EMD和小波消噪的加速度信号压缩重构新方法

针对噪声破坏加速度信号稀疏性、降低其压缩感知重构算法性能问题,提出了一种用经验模态分解(EMD)和小波分析联合消噪的加速度信号压缩重构新方法.该方法首先采用EMD和小波阈值联合消噪方法对加速度信号消噪处理,保持加速度信号内在稀疏性;然后基于压缩感知理论和加速度信号块结构信息,采用块稀疏贝叶斯学习算法以高概率重构原始加速度信号.采用USC-HAD人体日常行为数据库中的加速度信号验证本文方法的有效性.实验结果表明,本文所提方法的信噪比和均方根误差明显优于未经消噪处理的压缩感知重构算法,能够有效抑制加速度信号噪声,增大加速度信号稀疏度,提高加速度信号压缩重构算法性能.     

EMD间歇信号的检测和提取方法

讨论了由于间歇信号嵌入导致经验模式分解结果出现模态混叠的现象,指出极值点序列幅值突变是产生模态混叠的根本原因.利用第一阶固有模态函数极值点间距的变化和信号极大值以及极小值序列值的变化,构建了两种间歇信号的判别方法,并讨论了间歇信号的边界延拓方式.在间歇信号识别的基础上,用局部经验模式分解的方法提取间歇信号.最后以实际算例证明了该方法的有效性.     

基于快速二维经验模态分解的纹理分割

经验模态分解是一种数据驱动的信号分解方法,具有局部性和瞬时性等特性,非常适合非稳态非线性信号分析.提出了一种新的快速二维经验模态分解方法,在新方法中,采用了新的边界抑制算法,改进了经验模态分解算法的筛选条件.将该方法应用于纹理分割,取得了满意的实验效果.     

基于EMD和互信息熵的微震信号自适应去噪

针对强干扰背景下的微震信号提取,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）和互信息熵的自适应提取算法。通过EMD对微震信号进行分解,得到高频和低频两部分信号,并对分解得到的各阶固有模态分量求出能量和能量熵值。根据互信息准则,通过依次计算相邻分量能量熵之间的互信息值来区分高频和低频信号。将经过自适应阈值滤波后的高频信号和低频信号一起进行信号重构,得到新的微震信号。仿真结果表明,在对微震信号去噪时,该方法可以有效地去除噪声信号,信噪比均提升了10 dB以上。工程上的微震信号通过该方法处理后,也取得了较好的效果。     

经验模态分解频率分辨率的一种改进方法

针对传统的经验模态分解（Empirical Mode Decomposition,EMD）中由于信号间的相互作用造成的单个固有模态分量带宽过大的问题,提出使用改进的掩蔽信号并结合增加筛选过程迭代次数的方法来对其进行改进。研究了迭代次数与EMD频率区分能力的关系;提出了一种改进掩蔽信号的方法,采用自适应加权的方式构造掩蔽信号的频率,权值的选择基于分离误差最小化的准则。仿真实验表明,对具有不同幅度比与频率比的信号,提出的改进方法能够有效地提高EMD的频率分辨能力。     

基于EMD和小波阈值滤波降噪的MATLAB仿真

本文对经验模式分解(EMD)时频分析进行研究,具体的讲述了EMD算法相关基本概念以及EMD分解方法,同时分析了EMD的改进方法,提出了基于EMD与小波阈值滤波结合进行信号降噪的方法,根据这一方法对非平稳、非线性信号在高斯白噪声下进行了降噪,最后基于MATLAB仿真对小波阈值降噪、基于EMD的小波阈值降噪法进行了比较.仿真结果表明,后者效果好.     

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.     

基于改进EEMD的心电信号基线漂移消除方法

针对传统方法滤波效果不佳的问题,本文提出了基于改进集合经验模态分解（Ensemble empirical mode decomposition,EEMD）的消除心电信号基线漂移方法。该方法克服了经验模态分解（Empirical mode decomposition,EMD）模态混叠的问题,并对EEMD方法存在的问题和不足进行改进,建立集合经验模态分解方法中加入辅助白噪声大小的可依据准则,从而确定加入的辅助白噪声大小以及集合平均次数这两个重要参数。它从含噪心电信号中提取基线漂移信号,然后重构其余本征模函数（Intrinsic mode function,IMF）分量得到"干净"的心电信号,为后续的研究提供前提。经实验验证表明：相较于传统方法,这种方法能够提高信噪比、降低均方差、保持特征波形、去噪更加彻底,很好地解决了心电信号低频成分损失的问题。     

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。