适于泥石流除噪的EMD联合小波阈值除噪方法

次声传感器采集到的泥石流次声信号中包含有大量的无关干扰信号,严重影响信号的分析与评估。针对含噪泥石流信号中无法准确确定噪声频段的特点,以及传统经验模态分解(Empirical Mode Decomposition, EMD)联合小波阈值去噪方法无法智能分辨噪声所在频段的缺点,提出了信号经EMD分解后,基于相关性选择噪声频段的方法。首先利用EMD分解获取信号的固有模态函数(Intrinsic Mode Function, IMF)分量,然后计算各个IMF分量与原始信号的相关性,根据相关性大小确定IMF噪声频段,然后采用小波阈值去噪方法对噪声频段进行处理,最后对处理后的信号进行重构得到去噪泥石流信号。通过模拟实验分析,证明该方法具有智能选择噪声频段的能力,是一种更适于泥石流信号的去噪方法。     

基于经验模态分解与小波分析的超声信号降噪方法

经验模态分解(EMD)是目前信号去噪中应用较多的一种方法,但处理与噪声时频特征相近的信号时,该算法存在内蕴模态函数(IMF)混叠现象.本文从信号降噪的角度出发,提出基于经验模态分解与小波分析的超声信号降噪方法,首先利用EMD将信号分解为多个IMF分量,通过计算各分量与信号间的互相关系数判断存在模态混叠现象的过渡IMF,从多个IMF分量辨识出噪声与信号的分界,对过渡IMF进行小波去噪,去除过渡分量中的噪声;然后将去噪后的过渡分量IMF与其后续分量进行信号重构,得到去噪后的信号.为了验证所提方法的有效性,本文分别以含噪bumps信号和实际超声信号为例,将该方法与其它4种去噪方法进行了对比.实验结果表明:EMD结合小波法优于单独小波法,而本文方法进一步提高了EMD方法的去噪能力,为EMD去噪方法的改进提供了新思路.     

一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解（EEMD）去噪方法,该方法根据本征模态函数（IMF）能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。     

基于EMD的振动信号去噪方法研究

煤矿机械在重载情况下运行,其振动信号往往具有非线性、不平稳等特性,其不仅带有大量设备运动状态的信息,同时也夹杂着大量的环境噪声,无法直接对其进行分析。而经验模式分解(EMD)在处理非线性、非平稳信号时具有一定优势,是一种自适应的信号处理方法。针对煤矿机械振动信号的特性,提出基于EMD的去噪方法,首先将振动信号进行EMD分解,得到各固有模态函数(IMF),然后计算各IMF与原始信号的相关系数,并将相关系统按照从小到大进行排序,通过相邻两个相关系数的差值最大,找到敏感IMF分量重构,实现非平稳信号的滤波,为机械设备后期故障诊断奠定了良好基础。并通过实验数据分析,验证了EMD方法对振动信号进行去噪的有效性及可行性。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

改进EMD-小波分析的转子振动信号去噪方法

针对低信噪比转子振动信号的去噪问题,提出了EMD和小波分析相结合的去噪方法。首先对含噪信号进行EMD处理,利用连续均方误差准则对IMF分量进行高低频区分。然后设定不同的阈值,利用小波分析对高低频IMF分量进行有用信号的提取,将提取的信号和低频IMF分量叠加重构,实现降噪。为了验证所提方法的有效性,进行了数字仿真和转子振动信号降噪分析,结果表明,所提方法整体上优于EMD和小波阈值去噪方法。     

基于交叉证认的EMD小波滤波在大桥动态监测去噪中的应用

在大桥动态位移监测中,为了更好地滤除噪声,提出了一种改进的交叉证认EMD小波滤波方法。即先用EMD对信号进行分解,再用交叉证认方法自适应地算出噪声主导分量,最后用小波阈值对噪声主导分量进行滤波;其中阈值函数选取极为关键,给出了一种新的阈值函数计算方法;最后进行信号重构。实例分析表明,该方法能够更有效地滤除噪声,提取大桥振动信息,是一种高效的去噪方法。     

基于ICA-CEEMD小波阈值的传感器信号去噪

针对传感器在采集信号时混入不同的噪声,提出一种基于ICA-CEEMD小波阈值的组合去噪算法。该方法是对一维含噪信号进行剪切分段、平移和拼接,得到几个不同的含噪信号作为独立分量分析(ICA)的输入通道信号。通过ICA的盲源分离技术使得信号和噪声进行初步分离。再利用互补集合经验模态分解(CEEMD)对分离信号进行分解去噪,由于不同的高频和低频噪声,需要对分解的高阶和低阶固有模态函数(IMF)进行处理。对第一层和最后一层IMF利用3σ原则提取细节信息,进一步抑制模态混叠影响,重构去噪信号。最后,利用小波阈值对重构信号做去噪处理,提升去噪效果和性能指标。为验证该方法的有效性,进行了仿真和中北大学汾机实测实验,结果表明,该方法在去噪效果和性能指标上都优于小波软阈值去噪和基于CEEMD的小波阈值去噪方法,是一种有效的信号去噪新方法。     

基于EMD算法的光栅莫尔条纹信号去噪方法研究

针对计量光栅莫尔条纹信号的质量问题,提出了基于经验模态分解（EMD）算法对非平稳光栅莫尔条纹信号模型的去噪方法。建立非平稳的光栅时变信号模型,利用EMD算法不需要定义滤波器参数的自适应性优点,对添加不同噪声的多组光栅信号模型进行了滤波分析的仿真实验,其信噪比和均方根误差两项指标优于均值滤波、小波阈值去噪方法。对两路正余弦理想信号添加高次谐波分量,通过对比EMD算法抑制高次谐波前后的李萨如图形,验证了该方法在去噪过程中对光栅莫尔条纹信号正弦性误差补偿的良好效果。     

基于EEMD和小波的爆破振动信号去噪

针对爆破振动信号去噪的问题,提出基于EEMD(ensemble empirical mode decomposition,集成经验模态分解)和小波变换结合的去噪方法。首先,采用EEMD将爆破振动信号分解成若干个IMF分量,然后利用自相关函数选择主要包含噪声的分量,再利用基于无偏估计的小波阈值去噪方法分别对含噪声分量进行去噪,最后,将去噪得到的分量之和与剩余分量相加,得到最终的消噪信号。该方法兼具了小波去噪以及EEMD去噪的优点,使得去噪后的信号信噪比更高,有用信息保留更完备,为爆破振动信号的去噪提供了一条新的途径。