基于多项式拟合算法的EMD端点问题的处理

经验模态分解(EMD)是由Huang等发展的一种新的数据分析方法,但是在利用样条插值获得上下包络过程中存在着棘手的端点问题。文章在解决该问题已有算法的基础上,提出了多项式拟合算法。它利用多项式来拟合临近端点处的极值点序列,再由此多项式求出极值点序列在端点处的近似取值,使得对极值点进行插值的三次样条在端点处不会发生大的摆动。通过对三种算法进行比较,证明了多项式拟合算法可以有效地抑制端点效应。     

基于EMD和交叉熵的语音端点检测算法

针对复杂噪声环境下基于经验模态分解(EMD)的端点检测算法准确率低且不能自适应环境问题,提出了一种结合EMD和交叉熵的语音端点检测新算法。算法利用白噪声在各本征模态函数(IMF)中的概率分布是既定的且与幅值无关的EMD分解特性,将衡量语音帧与噪声帧概率分布差异性的交叉熵特征与EMD能量特征相结合,设置自更新检测阈值,实现复杂噪声环境下的语音端点检测。仿真实验证实了该方法在低信噪比以及非平稳噪声情况下具有显著的有效性和优越性。     

基于局部积分均值的经验模态分解改进算法

端点效应和模态混叠现象是经验模态分解算法应用中存在的主要问题。在介绍标准经验模态分解算法的基础上,阐述了基于局部积分均值经验模态分解算法的基本原理,提出自适应的端点局部积分均值拟合线的拟合方法。改进算法通过距离相关度函数在待分解信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的局部积分均值拟合线来重新刻画端点处的局部积分均值拟合线,将修正后的局部积分均值拟合线应用于EMD算法筛选过程中。仿真实验结果表明,改进算法有效抑制了模态混叠和端点效应现象,提高了分解的精度和可靠性。     

基于改进EMD的爆炸微差延期时间尺度识别及应用

经验模式分解(EMD)具有高度的自适应性,但是存在较大的端点效应.为此提出利用支持向量机-镜像延拓法对其端点效应进行处理,实际效果良好.提出了爆炸微差延时的改进EMD时间尺度识别法,并以某工程中微差爆炸监测到的爆炸振动信号为例,通过改进的EMD时间尺度法对监测得到的爆炸振动信号进行分解,从而获得多个固有模态函数(IMF)分类;然后通过Hilbert变换提取这些IMF中占主成分的IMF分量的包络幅值,进而达到识别实际微差延时的目的.该方法为爆炸延期参数设计提供了分析手段.     

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EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

基于ICA算法的集合经验模态分解去噪方法

针对非线性非平稳信号的去噪问题,提出了一种基于独立分量分析(Decomposition Components Analysis,简称ICA)算法的集合经验模态分解去噪方法。首先利用白噪声辅助数据分析方法——集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)有效的抑制了经验模态分解(Empirical Mode Decomposition,简称EMD)中存在的端点效应和模态混叠现象,然后利用ICA算法对含噪信号经过EEMD分解后的有限个固有模态函数(Intrinsic Mode Function,简称IMF)进行去噪处理,有效的分离出若干个有效的语音信号分量,并对其进行语音重构,最后与小波阈值去噪方法进行比较,通过仿真可以看出,该方法对于信号去噪较为理想。     

基于EMD-DFA-NLM的电涡流传感器信号去噪方法

针对电涡流位移传感器输出信号中的非稳态噪声,提出一种基于经验模态分解(EMD) －去趋势分析(DFA)－非局部均值(NLM)原理的去噪方法。该方法解决了EMD去噪方法信号、噪声模态不易确定的问题,并且可在滤除高频背景噪声的同时保留信号细节。首先通过EMD将信号分解得到若干本征模态(IMF)分量,然后使用DFA区分噪声主导IMF分量和信号,主导的IMF分量,对噪声主导分量进行NLM去噪处理,最后与信号主导分量一起重构信号,分别对仿真信号和电涡流传感器输出信号进行去噪处理。结果表明,相较EMD去噪法和EMD－小波阈值去噪法,所提方法去噪性能更优SNR(MSE)值提升(减小)明显,去噪后信号的毛刺与高频震荡大大减少。     

一种ECG信号肌电干扰去除方法的研究

实测心电(ECG)信号通常被多种因素干扰,尤其是肌电干扰的去除存在较大困难.本文提出一种结合经验模态分解法(EMD)与主成分分析(PCA)的消噪算法来去除ECG信号的肌电干扰.解决了通常采用小波算法和EMD等方法会导致ECG信号产生振荡和丢失有用信息的难题.本研究利用PCA对含噪信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理,通过对MIT-BIH心电数据进行仿真,以及定性分析了信噪比(SNR)和均方误差(MSE).结果表明,ECG信号中的肌电干扰被有效去除,所提方法的消噪效果整体上优于小波去噪算法和EMD消噪算法,是一种有效的消噪方法.     

基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解（EMD）和递归图（RP）法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数（IMF）上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。     

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。     

基于小波去噪和EMD的船舶液位信号特性分析

为提高船舶液舱液位测量精度,研究了液位测量信号的特性,提出基于小波去噪和经验模态分解(EMD)的水位信号处理新方法。用平移不变小波去噪算法对液位信号进行预处理,消除异常事件对EMD方法的影响,用EMD分解信号,按照给定的置信度去除高频固有模态(IMF)分量,提取低频IMF及趋势项进行重构,得到的无干扰成分即为液位真实信号。理论及实验研究表明,只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用该方法提取有异常干扰的液水位信号真实趋势是有效可行的。     

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。     

结合EMD和加权Mel倒谱的语音共振峰提取算法

提出了一种利用经验模态分解（Empirical Mode Decomposition,EMD）和加权Mel倒谱（Weighted Mel-Cepstrum coefficients,WMCEP）提取语音信号共振峰的算法。对语音信号进行EMD分解,找出含有共振峰的固有模态函数（Intrinsic Mode Function,IMF）,并将其重构得到一个新的重构语音信号。对重构语音信号进行加权Mel倒谱分析,获得包含频谱主要成分的加权Mel倒谱系数;利用离散余弦平滑算法,从加权Mel倒谱系数获得谱包络,并从谱包络的峰值位置获得候选共振峰;根据共振峰的连续性约束条件和频率范围,从候选共振峰筛选得到共振峰的估计值。实验结果表明,该算法比单独使用WMCEP提取的共振峰误差更小,而且在信噪比小于20 dB时仍然能够准确提取出共振峰。     

QRS complex detection using Empirical Mode Decomposition

In this paper, we present a new Empirical Mode Decomposition based algorithm for the purpose of QRS complex detection. This algorithm requires the following stages: a high-pass filter, signal Empirical Mode Decomposition, a nonlinear transform, an integration and finally, a low-pass filter is used. In order to evaluate the proposed technique, the well known ECG MIT–BIH database has been used. Moreover it is compared to a reference technique, namely “Christov's” detection method. As it will be shown later, the proposed algorithm allows to achieve high detection performances, described by means both the sensitivity and the specificity parameters.     

一种新的自适应降噪方法及其应用研究

针对非线性、非平稳信号的降噪问题,提出一种基于经验模式分解和过零检测的自适应降噪方法。经验模式分解可以把信号自适应分解成多个基本模式分量和一个余项的和,此过程等效于用一组带通滤波器对信号进行滤波。以过零率作为噪声评判准则,对经验模式分解结果进行重构,可实现信号的自适应降噪。应用实例表明该方法的有效性和广泛的应用潜力。     

基于经验模式分解的音频水印算法

针对传统基于经验模式分解(EMD)的音频水印算法鲁棒性不强的问题,提出一种基于固有模态函数(IMF)极值的盲音频水印算法.首先对音频信号进行分帧,每个音频帧经过EMD后得到IMF; 接着利用均匀量化的方法将水印信息和同步码嵌入到最后一个IMF的极值中.所提算法的数据嵌入率是46.9~50.3 b/s,且携水印音频保持了原始音频的感知质量.对携水印音频进行加噪、MP3压缩、重新采样、滤波、剪切和重采样攻击后,提取出的水印信息变化不大,算法鲁棒性较好.与时间域和小波域算法相比,提出的算法在保证高数据嵌入率的同时,可以抵抗32 kb/s的MP3压缩攻击.     

基于小波—卡尔曼滤波混合预报的处理EMD边缘问题新方法*

经验模式分解(EMD)方法的提出为信号处理提供了新的方法。在已有经验模式分解的过程中,由于常用三次样条插值来拟合信号的上下包络,因此时常会出现边缘效应,从而影响了信号处理的质量。针对上述情况,利用周期性信号序列经离散小波变换后,使小波系数构成的周期性新序列具有随机游走特性;利用小波与卡尔曼滤波混合预报器对信号进行边界延拓,从而有效地抑制了EMD分解中的边缘效应。仿真结果验证了该方法的有效性。     

一种改善EMD端点问题的方法

经验模态分解（EMD）是一种先进的数据处理方法,对脑电信号（EEG）等非线性非平稳信号的处理非常有效。但是其在利用三次样条曲线构造上下包络时,端点附近的包络存在严重的摆动。针对该问题,在镜面延拓算法的基础上,提出了二次延拓算法。根据邻近端点的数据计算出该信号在端点处的拟合函数;利用该拟合函数在左右端点各延拓出一个极值点;采用镜面延拓算法对延拓后的信号进行EMD分解。算法考虑了信号端点处的变化趋势,使得端点处的延拓更加合理,从而使三次样条曲线在端点处不会出现大的摆动。仿真结果表明,该算法能有效地对脑电信号进行分解。