BEMD在复杂背景下弱小目标检测中的应用

针对复杂背景下的弱小目标检测与识别问题,提出了一种基于二维经验模态分解(Bidimensional Empirical Mode Decomposition,BEMD)的检测算法。待检测的原图像经过BEMD分解筛选出多个二维的内蕴模函数(Intrinsic Mode Functions,IMF)和趋势图像,使用全局门限法分割各个IMF,将处理后的IMFs综合成一个分割出待检测目标的结果图像。实验结果表明,该方法使用简洁的步骤,有效、准确地检测出弱小目标。     

基于小波包和EMD的异步电动机轴承故障诊断方法

针对传统的异步电动机轴承故障诊断方法对于轴承的局部缺陷及早期故障的诊断效果不明显的问题,提出了一种采用小波包理论与EMD相结合的方式提取异步电动机轴承故障特征频率的方法。该方法先采用小波包理论对原始信号进行消噪及频带划分,接着采用EMD对小波分解重构得到的信号进行分解以获得固有内在模函数(IMF),最后将IMF经时频变换得到频谱图,根据故障特征频率得出诊断结果。实验结果证明,该方法可有效地提取出故障特征频率,并方便地判断出故障类型。     

经验模态分解在相关峰检测和测向中的应用

互相关测向法在低信噪比时检测不到相关峰,无法实现有效的方位估计.经验模态分解可以在突出信号局部特征的基础上,把信号分解成多个固有模态函数.采取对互相关函数进行经验模态分解,适当选取分解出的IMF重构互相关函数.重构的互相关函数有明显的相关峰,可以有效地提高检测目标的能力.将经验模态分解与互相关测向法相结合,可以实现低信噪比下的时延估计,从而更好地估计目标的方位.仿真结果表明重构的互相关函数较原互相关函数,其相关峰较最高伪峰的相对值提高了约4.9 dB,从而可以更好地实现时延估计.方位估计结果显示此方法在信噪比为-14 dB时,仍能准确地估计目标的方位.     

基于EMD和SVM的抑郁症静息态脑电信号分类研究

以静息态脑电信号为基础,通过固有模态分解(empirical mode decomposition, EMD)算法对脑电信号进行信号去噪和特征值提取,通过支持向量机(support vector machine, SVM)算法对抑郁症患者和正常对照组人群的脑电特征值进行分类分析。 通过系统化的数据采集试验,采集了20位抑郁症患者和25位健康对照组的静息态脑电信号;对静息态脑电信号进行信号的去噪和特征提取;采用SVM算法对抑郁症患者和正常人对照组脑电特征值进行二值分类,分类正确率达到93.3%。 相较于传统的小波变换提取的特征值,分类准确率有明显的提高。     

极值斜率经验模式分解结合独立分量分析的单通道盲分离

针对单通道盲分离领域先验信息不足的问题,提出了一种基于极值斜率经验模式分解和独立分量分析的单通道盲分离算法。首先通过极值斜率经验模式分解算法以不同尺度逐次分解混合信号的波动和趋势,得到一组固有模态函数。然后将其作为独立分量分析算法的输入信号,从得到的独立分量中萃取出与源信号相似的独立分量,通过重构算法恢复源信号,达到分离目的。实验信号采取仿真信号和实际信号,实验结果表明,该算法不需任何先验信息,鲁棒性强,能较快地得到良好的分离效果。     

基于EMD的局部放电窄带干扰抑制算法

以经验模态分解(empirical mode decomposition,EMD)为基础,提出了一种基于包络线及有效值的自适应窄带干扰抑制算法,用以从噪声中提取局放信号。EMD可以自适应地将信号分解成若干阶不同频率段的固有模态函数(intrinsic mode functions,IMF),窄带干扰经分解后在振幅上显示出与局放脉冲明显不同的特征,通过包络线及有效值确定的阈值可以有效地区别开来。仿真及实际处理结果表明:与常规的基于小波变换的窄带抑制算法相比,该算法具有较强的自适应性;能有效地抑制局放信号中的窄带干扰。     

基于希尔伯特-黄变换（HHT）的机组同调研究

概述了利用功角曲线进行同调识别所面临的困难,阐述了希尔伯特-黄变换(HHT)在非线性、非平稳功角信号处理中的优势,提出了一种基于HHT的同调识别新方法。该方法利用经验模式分解方法将功角信号进行分解,得到剩余分量和各固有模态信号,逐次对这些分量进行比较得到机组的同调特性。该方法不受系统模型、故障场景限制,能随着不同的故障自适应调整数据时间窗的长度,并能克服小波分析、prony分析等算法难以处理非平稳信号的不足。测试结果表明了该算法的有效性。     

基于EMD分解的变压器励磁涌流鉴别

针对励磁涌流波形畸变严重且会出现尖顶波,而故障电流基本保持基频正弦波特征的特点,提出了一种利用HHT(Hilbert-Huang Transform)的EMD(Empirical Mode Decomposition)分解来识别变压器励磁涌流的新方法.该方法利用EMD将数据分解成有限个IMF(Intrinsic Mode Function),定义并计算各个IMF在X轴上的投影面积Sc、Simf的比重系数Kc及其最大值Kmax.在比较励磁涌流和故障电流Kmax不同特点的基础上,提出了一种变压器保护新方案.理论分析及动模实验结果表明,该方法能够正确区分励磁涌流及故障电流,其判断时间约20ms;方法实现方便,不受非周期分量等影响.     

基于经验模态分解的Wigner-Ville时频分布

针对利用Wigner-Ville分布进行时频分析时受交叉项干扰的缺点,提出了基于经验模态分解的Wigner-Ville时频分布方法。首先通过经验模态分解使非平稳信号平稳化,将信号分解成为多个相互独立且具有简单频率成分的内蕴模式函数,然后对这些内蕴模式函数分别计算Wigner-Ville分布,最后重构原始信号的Wigner Ville分布。〖JP〗通过理论模型和实际地震信号分析验证了该方法在降低交叉项干扰、提高时频分析精度方面的有效性。     

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。