静息态下基于变分模态分解的生命体征检测

传统的无线生命体征监测方法在心跳和呼吸信号的分离方面容易存在谐波残留现象,针对这一情况,提出了一种基于变分模态分解（VMD）的生命信号检测方法。该方法使用毫米波段调频连续波（FMCW）雷达进行生命体征信号获取,根据心跳及呼吸的频率特征,使用VMD算法将主要信号分解为不同模态,保证了各模态之间信号频率范围互不重叠,分离出较为完整且无谐波残留的呼吸及心跳信号。实验结果表明,所提算法能够有效提取出目标的呼吸及心跳信号,且相比传统的模态分解算法具有更高的鲁棒性和稳定性,具有良好的信噪比（SNR）,提高了测量精度和距离。     

基于EMD与奇异值差分谱的侧信道信号特征提取

为了从强烈的背景噪声中提取侧信道信号的特征信息,提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解,计算各个特征模态函数（IMF）与原始信号的相关系数,找到最大相似特征分量;再对该分量进行奇异值分解求出对应的奇异值差分谱;最后根据差分谱进行重构和消噪,进一步提取分量的特征信息。实验结果表明,该方法可以有效应用于侧信道信号的特征提取,成功提高信号的信噪比和攻击成功率。     

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。     

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。     

基于IR-UWB雷达的非接触式呼吸检测方法

为消除脉冲超宽带（IR-UWB）雷达系统采集的人体呼吸回波信息中的干扰信号,并准确估计出人体呼吸频率和到达时间（TOA）范围,提出一种基于IR-UWB雷达的非接触式呼吸检测方法。对IR-UWB雷达回波信号进行线性趋势消除与滤波得到平滑的回波信号,在每个慢时间域上对回波信号使用傅里叶变换估计出人体呼吸频率,并设计基于回波信号均方根和超值峰度的EK-RMS算法确定TOA范围,同时将人体呼吸频率与TOA范围进行信息比对,最终得到受试目标的呼吸频率。实验结果表明,与Phase-Based、FFT和WT-Window算法相比,EK-RMS算法在低信噪比条件下具有更高的呼吸频率检测准确率和更强的鲁棒性,且对干扰信号有明显的抑制或消除作用。     

GH3536合金选择性激光熔化微小缺陷超声检测

针对GH3536合金选择性激光熔化（Selective laser melting,SLM）工艺中,孔隙和裂纹等微小缺陷与完好区域的声阻抗差异小,超声检测缺陷回波不明显问题,提出基于变分模态分解结合小波分析的信号处理方法。首先对回波信号进行变分模态分解,分析不同分量与原始信号的相关性进行降噪重构,然后选择db7小波函数对信号进行3层分解,以极大极小规则进行硬阈值平滑处理,提取信号突变点来判别缺陷回波。仿真和实际测试结果表明：该方法比单一的经验模态分解及小波重构效果明显,能够检出加工层厚为0.15 mm的人工缺陷,为高温合金SLM成型工件超声检测回波信号微小缺陷识别提供了新方法。     

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。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

煤矿救援生命探测仪信号处理机的设计

基于雷达的人体微动研究是近年发展起来的新技术。针对生命探测中多普勒频移信号提取,提出了采用小波变换对回波信号进行按频率分层,再对呼吸、心跳、体动等特征信号进行FFT分析的方法,给出了生命特征信号处理的算法流程。以ADSP-BF533、AD7723、FPGA为平台设计了信号处理机的硬件结构,并分析了系统的软件流程。实验结果表明,信号处理机能有效地剔除外界干扰信号,相对准确地给出生命特征信号。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

IMF复杂度特征在心音信号分类识别中的应用

为提高非线性、非平稳心音信号特征提取的准确性和分类识别的高效性,提出一种基于固有模态函数（Intrinsic Mode Function,IMF）复杂度和二叉树支持向量机（Binary Tree Support Vector Machine,BT-SVM）的心音分类识别方法。对心音进行经验模式分解（Empirical Mode Decomposition,EMD）,得到若干反映心音本体特征的平稳IMF分量;利用互相关系数准则对其筛选,计算所选IMF分量的复杂度值为信号的特征;将其组成特征向量输入到BT-SVM进行分类识别。临床数据仿真结果表明,该方法能有效提取心音特征,与传统识别方法相比,具有训练时间短,识别率高等优点。     

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。     

自适应去噪的非接触式生理参数检测方法

成像式光电容积描记法（imaging Photoplethysmography,iPPG）是一种利用视频信号实现非接触式生理参数检测的方法,但该方法的性能易受外界条件影响,尤其对环境光变化及受试者头部运动等噪声敏感。为了消除噪声影响,根据噪声信号和iPPG信号的时频特性,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）的相关能量熵阈值自适应去噪与方差表征序列（Variance Characterization Series,VCS）的抗干扰非接触式生理参数信号获取方法。利用分解算法将由人脸视频中获取到的血容量脉冲信号分解为频率由高频到低频且具有一定带宽的模态分量。分别计算各个模态分量子区间的噪声能量熵从而获得该分量的阈值,再经阈值处理得到重构的去噪信号。利用VCS方法检测重构后的信号的质量从而自适应地选择信号分析方法,实现心率和呼吸率的生理参数的精确估计。在公开数据集和自采数据集上进行验证实验,实验结果表明,提出的方法对环境光与头部运动干扰有着较强的稳健性,相比目前已有的方法能够得到更精确的心率与呼吸率估计值。     

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。     

穿墙脉冲雷达回波信号人体微动特征识别初步研究*

主要研究了超宽带雷达人体探测回波信号微动特征识别问题。在分析超宽带雷达生命特征检测原理的基础上,针对人体微动特征特点,引入能量积分识别算法,编制时窗函数,对雷达实验的多个回波数据进行小波去噪处理。结果表明,利用能量积分算法,可以识别出含有人体微动特征的信号。     

基于LMD的模态参数识别方法

采用局部均值分解（Local Mean Decomposition,LMD）方法来识别机械系统固有频率和阻尼比。局部均值分解（LMD）方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF（Production Function）分量之和,采用LMD方法对脉冲激励下机械系统的加速度响应信号进行分解,得到一列具有物理意义的PF分量,每一个PF分量可以对应于某一个模态下的振动响应,进而就可以通过拟合瞬时频率和瞬时幅值曲线识别模态固有频率和阻尼比。先采用仿真信号进行了分析,使用LMD方法和经验模态分解方法（Empirical Mode Decomposition,EMD）对梁的瞬态响应实验数据进行模态识别并同仿真结果进行对比研究,结果表明用LMD进行模态分析具有较好的效果。     

基于模态函数特征谱的海洋小目标检测

经验模态分解算法在海杂波抑制和目标检测方面具有应用潜力,但如何实现模态函数自动筛选和判别是算法的关键问题。通过分析模态函数谐波模型,提取其信号特征谱,选取检测量实现目标自动检测。首先,对雷达回波进行复数经验模态分解;然后对得到的各个内模分量提取特征谱,并根据特征谱分布情况得到散布特征;最后基于散布特征在各个内模函数间的分布差异实现目标检测。实测微波多普勒雷达数据处理结果表明,目标检测结果和实际情况一致,且在一定的虚警率约束下检测概率较传统检测算法有一定提高,为雷达海洋目标检测提供了新方案。     

某型飞机油量传感器修正及其流量特征提取方法研究

针对某型飞机油量传感器记录时易受外界环境影响而导致所记录信号存在大量噪声且不具有单调性,同时缺少燃油流量参数的记录问题,提出了一种改进的自适应噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)方法,在保证单调性的前提下对传感器数据的记录进行了修正,并实现了对流量特征的提取。首先提取飞参记录器中记录的剩余油量信号,然后使用改进的CEEMDAN方法提取固有模态函数和剩余分量并进行重构,最后将处理之后的剩余油量信号进行求一阶导数得到发动机的燃油消耗率。实验表明,使用改进CEEMDAN去噪方法相比于CEEMDAN去噪方法的信噪比提升了48.6%,均方根误差降低了69.9%。     

基于多维特征评价的风机齿轮箱早期故障诊断

为了及时有效地诊断风机齿轮箱早期微弱故障,针对齿轮箱微弱故障信号非线性、非平稳、低幅值、低信噪比的特点,提出一种基于多维特征评价的风机齿轮箱早期故障诊断方法.首先,利用变分模态分解将原始振动信号分解为多个固有模态分量,并构建“信息熵-峭度-包络谱峭度”多维特征评价模型,结合熵权法筛选关键特征分量以重构信号;其次,运用改进的小波阈值法降低噪声干扰对重构信号的影响,得到显著的故障冲击特征;再者,使用宽度学习系统进行状态识别,并利用$L_{21     

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。