基于二维EMD和小波阈值的掌纹图像去噪

为有效抑制掌纹图像中含有的噪声、提高特征提取的精度,提出一种基于二维经验模式分解和小波阈值去噪相结合的掌纹图像去噪新方法。首先,对含有噪声的掌纹图像进行二维EMD分解,得到不同特征尺度的本征模函数子图像;然后对中高频成分的IMF进行小波多阈值去噪;最后将去噪处理后的各IMF与残差图像通过加和进行重构。实验结果表明,该方法与单独的二维EMD滤波及小波阈值去噪相比,去噪效果更明显,提取的主线和细节特征更清晰,因而均方误差最小、峰值信噪比最高。     

EMD相关度去噪及其在轧机信号处理中的应用

基于经验模式分解(EMD)时间尺度滤波特性,在引入相关度分析的基础上提出了EMD相关度去噪方法.首先对含噪信号进行EMD分解得到信号各个本征模函数(IMF)分量,再根据所建立的相关度阈值函数计算各个分量的相关度值,在与预定阈值比较得到满足阈值要求的IMF分量,然后对这些分量进行信号重构得到去噪信号.该方法消除了EMD时间尺度滤波不适用于噪声和信号在IMF成分混叠情况下的限制.通过对平稳含噪信号和非平稳含噪信号进行的去噪仿真研究,表明了该方法的有效性.通过轧机在轧钢时实测信号分析验证了该方法的可靠性.     

基于STA/LTA改进的CEEMD-SVD微震信号降噪算法

针对煤矿井下工作环境复杂,采集到的微震信号包含大量噪声信号,严重影响对微震信号的拾取、定位和反演。采用互补集合经验模态分解(complementary set empirical mode decomposition, CEEMD)联合奇异值分解(singular value decomposition, SVD)与长短时窗法(STA/LTA)相结合的降噪算法。利用CEEMD分解微震信号,得到固有模态分量(inherent modal component, IMF),依据相关系数确定噪声主导的IMF和信号主导的IMF,通过STA/LTA去除CEEMD产生的伪分量。对噪声主导的分量进行SVD分解降噪后与信号主导的分量及剩余分量重构得到降噪后信号。加入模拟噪声信号与实际采集的微震信号进行仿真实验,结果表明本文算法在保证小剩余噪声干扰的情况下,可以节省计算时间。通过与经验模态分解(empirical mode decomposition, EMD)、聚合经验模态分解(ensemble empirical mode decomposition, EEMD)及新型自适应聚合经验模态分解(nove...     

基于EMD的时间尺度去噪方法的研究

研究利用Hilbert-Huang变换中的经验模态分解(EMD)与希尔伯特变换(Hilbert)来进行信号瞬时参数的提取。构造了时间尺度滤波器,结合经验模态分解(EMD)获得有限数目的分段固有模态函数(IMF)的多特征尺度参数的特征进行非平稳信号的滤波,仿真实验验证了该法的可行性。     

EMD信号分析方法的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,提出了基于经验模态分解(EMD)的信号分析方法。该信号分析方法将管道泄漏产生的声发射信号通过EMD分解为多个平稳的固有模态函数(IMF)之和,选择包含声发射特征的若干IMF分量进行重构,可以提取到管道泄漏声发射信号的本质特征,消除噪声信号的干扰。通过对重构后的信号进行互相关分析计算,使基于声发射方法的管道泄漏检测的定位精度得到较大提高,验证了Hilbert-Huang变换是表征声发射信号的非平稳特征及信号参数提取的有效工具。     

基于二维EMD的Harris角点检测算法

为解决Harris角点检测算法在多尺度条件下无法正确提取角点的问题,本文将经验模式分解(EMD)方法运用到二维图像特征点提取中。先利用二维EMD方法将图像分解到多个图像细节层,并定义为本征模函数(IMF),再利用Harris算子对各图像细节层进行角点检测,最后采用层层筛选的方法提取角点。对比实验结果表明,新算法得到的角点更加丰富,抗噪性增强,明显提高了图像角点检测性能。     

工况模态分析的EMD方法

EMD（Empirical Mode Decomposition)算法1995年由NASA海洋水波实验室提出，本质上是一种将时域信号按频率尺度分解的数值算法，对于线性时不变系统，它可以从时域信号中直接提取具有不同特征时间尺度的内禀模式函数（IMF,Intrinsic Mode Function)，分解得到的IMF s之间具有正交性，且分解唯一，本文以此为基础，将NExT(Natural Excitation Technique)方法推广到多点随机激励下的复模态情况，对多自由度线性系统实测响应信号的互相关函数进行EMD分解，并进而实现模态参数的辨识。     

基于经验模态分解的爆破延期识别优化方法

针对爆破延期识别中采用经验模态分解(empirical mode decomposition, EMD)方法存在模态混叠现象,导致延期识别精度低的问题。提出了一种完全正交经验模态分解(principal empirical mode decomposition, PEMD)方法,首先对原始信号进行EMD初步分解,得到多个具有模态混叠现象的本征模函数(intrinsic mode function, IMF)分量,其次对IMF分量进行主成分分析(principal component analysis, PCA),将混叠的IMF分量完全正交化,之后选择幅值较大且波形衰减明显的主分量,使用Hilbert变换提取包络线,最后对包络线峰值点进行识别。通过相似物理模拟试验证明,PEMD与传统方法EMD相比,有效地抑制振动信号EMD分解时出现模态混叠现象,延期识别误差降低至0,并通过控制高程和延期时间对PEMD方法的稳定性进行了检验;同时以德兴露天边坡延期爆破试验为例,PEMD能够更好地对爆破振动波峰值点进行精确识别,识别率稳定在90%以上,对后续爆破工程中爆破参数设计优化和盲炮的识别具有重要意义...     

强噪声背景下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法.该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解.在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率.     

基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。