管道泄漏模拟声发射的压缩感知及经验模态分解

管道泄漏监测中常用到声发射信号检测技术。压缩感知理论是一种高效的信号采集压缩处理方法,将其应用到模拟声发射信号的采样重构中,可以使信号采样不再受Nyquist采样定理的限制,降低了数据采集成本,通过重构算法实现对原始信号的精确重构。进而对重构声发射信号进行分解,通过对比信号的经验模态分解,集合经验模态分解和掩膜信号法分解结果,表明掩膜信号法能有效抑制分解过程中存在的模态混叠现象,使分解结果更加精确有效。为声发射信号的特征提取打下坚实基础。     

基于VMD和小波阈值的ECG肌电干扰去噪处理

针对现有心电信号肌电干扰去噪方法的不足,本文提出利用变分模态分解和小波阈值相结合的方法对心电信号肌电干扰进行去噪处理,该方法通过对含噪心电信号进行变分模态分解,确定信号主导模态分量与噪声主导模态分量,噪声主导模态分量的小波阈值变换和重构无噪心电信号,共四步实现对含有肌电干扰的心电信号的去噪处理。其中,通过分析研究所有模态分量中心频率的分布,确定变分模态分解的层数,多组仿真与真实含噪心电信号的相关实验表明。本文所提出的去噪方法可有效去除心电信号中的肌电干扰,且去噪效果优于小波阈值法、变分模态分解法和经验模式分解法。     

基于VMD和小波分析的电能扰动信号去噪算法

为了提高检测电能扰动信号特征的精度,抑制混杂噪声的干扰,提出将变分模态分解(VMD)结合小波阈值的去噪算法。首先利用Hilbert变换对扰动信号进行频谱分析,通过计算平均瞬时频率值,确定分解的模态个数;然后将含噪信号进行VMD分解,筛选部分模态分量重构信号;最后通过小波阈值法去除重构信号的残余噪声。与现有算法去噪效果对比,实验结果表明:提出的去噪算法效果良好,能够更好保留扰动期间信号的特征信息。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

矿用带式输送机驱动滚筒轴承振动信号降噪方法

针对现有振动信号降噪方法中经验模态分解存在模态混叠、独立分量分析要求采集的振动信号数不少于源信号数等问题,提出了一种基于集合经验模态分解(EEMD)和快速独立分量分析(FastICA)的矿用带式输送机驱动滚筒轴承振动信号降噪方法。首先,通过EEMD算法对采集的振动信号进行分解,得到若干不同尺度的包含故障特征频率的本征模态函数(IMF)分量;然后,基于相关系数对IMF分量进行重构,得到特征信号和虚拟噪声信号,将重构的特征信号和虚拟噪声信号组成输入矩阵,并作为FastICA算法的输入;最后,利用FastICA算法实现信号与噪声分离,达到信号降噪的目的。实验结果验证了该方法的可行性和有效性。     

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。     

大型水轮发电机组机械振动信号随机噪声控制

由于传统大型水轮机发电机组机械振动信号受到环境干扰，其稳定性较差，难以准确判断机组机械运行状态。因此，提出了一种基于变分模态分解-小波变换的振动信号随机噪声控制方法。采用交替方向乘子法和拉格朗日函数建立了振动信号模态分解寻优函数模型，并通过傅里叶变换和变分约束条件完成了振动信号的模态分解。使用能量差方式确定分层数，通过Stein无偏似然估计确定小波系数的阈值，得出随机噪声，并将剩余模态层信息重构，得出实际振动信号，实现了随机噪声控制。实验结果表明，该方法在振动信号随机噪声控制方面效果好且用时短。     

基于CEEMD的人体微动信息提取信号处理方法

心跳与呼吸信号是人体重要的生命信息,且属于微弱信号。由于心跳和呼吸信号强度较小,在低信噪比条件下从雷达回波中提取微动特征信号存在一定困难。针对低信噪比下人体微动信号的提取,提出了一种基于互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）的信号重构方法,该方法以单频连续波雷达信号为载体,将含噪回波信号按频率特征分解为多个不同的本征模态分量（Intrinsic Mode Function,IMF）,并从中选择合适的分量进行信号的重构,以此提高信号的信噪比。通过仿真实验,验证了该方法处理信号的可行性。     

基于VMD和小波阈值的水听器信号去噪方法

针对水听器采集信号过程中存在的外界环境噪声干扰问题,提出了一种基于变分模态分解和小波阈值(VMD-WT) 的联合去噪方法该方法首先对含噪信号进行VMD分解,得到固有模态函数(IMFs)。然后计算每个IMF分量的中心频率和相关系数,通过相关系数阈值去除噪声IMFs,并对其余有用的IMFs进行小波阈值去噪处理。最后对去噪的IMF分量进行重构,得到具有良好信噪比的信号,通过仿真实验,证明了本方法与CEEMDAN=WT(自适应噪声的完备经验模态分解－小波阈值去噪)、EEMD-WT(集合经验模态分解－小波阈值去噪)、EMD-WT(经验模态分解－小波阈值去噪)、WT(小波阈值去噪)等方法相比,具有更好的去噪效果。通过对光纤水听器的实测实验表明本文的VMD-WT法在实际水听运用中具有良好的提高信噪比的性能。     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

基于EMD的语音特征信息提取

有效提取语音信号的特征信息是语音识别的关键。对语音信号采用经验模态分解法可得到语音的一系列本征模函数,提取本征模函数的过程是降低语音信号冗余度的过程。在语音识别的试验中以本征模函数为训练模型较传统的识别方法识别率更高。仿真结果表明:方法是有效的,用于提取语音的特征信息是可行的。     

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition, BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明：与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。     

Analysis of normal and epileptic seizure EEG signals using empirical mode decomposition

Epilepsy is one of the most common neurological disorders characterized by transient and unexpected electrical disturbance of the brain. The electroencephalogram (EEG) is an invaluable measurement for the purpose of assessing brain activities, containing information relating to the different physiological states of the brain. It is a very effective tool for understanding the complex dynamical behavior of the brain. This paper presents the application of empirical mode decomposition (EMD) for analysis of EEG signals. The EMD decomposes a EEG signal into a finite set of bandlimited signals termed intrinsic mode functions (IMFs). The Hilbert transformation of IMFs provides analytic signal representation of IMFs. The area measured from the trace of the analytic IMFs, which have circular form in the complex plane, has been used as a feature in order to discriminate normal EEG signals from the epileptic seizure EEG signals. It has been shown that the area measure of the IMFs has given good discrimination performance. Simulation results illustrate the effectiveness of the proposed method.     

基于约束模糊聚类的电力系统扰动信号识别方法

传统电力系统扰动信号识别方法只能解决单一扰动问题,无法对多个扰动信号进行高效率识别,为避免传统方法的弊端,提出了基于约束模糊聚类的扰动信号识别方法。计算拟合信号包络平均值,获取拟合信号和包络平均值之差,将差值作为新的拟合信号,获取最小特征尺度分量,不断进行模态分解,可将信号分解成若干个不同特征尺度函数。经过模态分解的信号满足路由信息协议标准,以新的稀疏向量为基础,对混叠的扰动信号进行特征提取。采用傅里叶变换描述扰动信号基本变化情况,计算电力系统中扰动信号的n阶导数,由此获取传输过程中的变换参数,得到采集点空间位置坐标系,依据该坐标系选择最优窗口标准,使用约束模糊聚类方法,将扰动信号全部聚类到中心位置。通过建立权值系数矩阵,设置迭代次数,并进行误差补偿,获取新的聚类中心,对抗噪声扰动信号进行有效识别。由实验结果可知,该方法最高识别精准度可达到98%,为电力系统正常运行提供支持。     

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BEMD的图像去噪

通过研究图像信号去噪的原理和过程,提出一种基于BEMD的图像去噪算法.首先利用BEMD方法对图像信号进行分解,然后对分解结果的频谱特性进行选择性的去噪.针对噪声和图像信号混叠,采用一种选取的阀值优于软阀值或者硬阀值的方法.去噪结果能充分保留图像信号本身所固有的非平稳特征,并具有自适应强和灵活、有效的特点.实验证明,该算法是一种比小波去噪法更有效的图像信号去噪方法.     

Epileptic seizure classification in EEG signals using second-order difference plot of intrinsic mode functions

Epilepsy is a neurological disorder which is characterized by transient and unexpected electrical disturbance of the brain. The electroencephalogram (EEG) is a commonly used signal for detection of epileptic seizures. This paper presents a new method for classification of ictal and seizure-free EEG signals. The proposed method is based on the empirical mode decomposition (EMD) and the second-order difference plot (SODP). The EMD method decomposes an EEG signal into a set of symmetric and band-limited signals termed as intrinsic mode functions (IMFs). The SODP of IMFs provides elliptical structure. The 95% confidence ellipse area measured from the SODP of IMFs has been used as a feature in order to discriminate seizure-free EEG signals from the epileptic seizure EEG signals. The feature space obtained from the ellipse area parameters of two IMFs has been used for classification of ictal and seizure-free EEG signals using the artificial neural network (ANN) classifier. It has been shown that the feature space formed using ellipse area parameters of first and second IMFs has given good classification performance. Experimental results on EEG database available by the University of Bonn, Germany, are included to illustrate the effectiveness of the proposed method.     

基于虚拟通道独立分量分析的阻抗胃动力消噪

为消除胃动力阻抗信号中混叠的噪声信号,利用独立分量分析的冗余取消特性,提出一种新的胃动力阻抗信号消噪方法。采用经验模态分解构造虚拟噪声通道,将一维原始胃动力阻抗信号扩展为多维观测信号,应用FastICA算法对其实施盲分离。仿真实验结果表明,该方法能有效消除叠加在胃动力阻抗信号中的噪声,不需要大量的观测样本,可运用独立分量分析实现对单个观测样本的消噪处理。     

基于特征值分解的循环平稳离散时间信号的盲分离

盲分离的目的是从观测到的混叠信号中恢复出各个未知的源信号,现今的很多方法都是利用了信号时域表示的某些统计特性来解决这个问题。从信号频域分析的角度提出了一种利用信号的循环平稳特性来处理离散时间信号的频域盲分离方法。该方法构造两个二阶统计矩阵的乘积,并对该乘积矩阵进行特征值分解,从而实现源信号的分离;同时,还对特征值分解的条件进行了分析。该方法在低维信号的情况下可以取得相当满意的分离效果,仿真结果表明该方法具有良好的性能。