低差错平底特性的非规则LDPC码的设计

介绍了非规则LDPC码的发展并给出了其优势及缺点，重点论述用ACE算法来构造非规则LDPC码从而降低其差错平底特性。对降低非规则LDPC码的差错平底特性的其它方法提出了展望。     

EMD与KOH溶液的相互影响

利用滴定分析、热失重分析以及XRD方法研究了EMD和KOH溶液混合后的变化。结果表明:碱与MnO2可以相互作用并导致体系温度的升高,碱浓度的下降,EMD中形成Mn3O4以及MnO2中结合水的损失。相互作用的结果与所加KOH溶液的浓度、EMD中的水含量、二者用量的比例关系以及体系的温度有关。     

EMD-IT去噪算法的阈值估计方法

为解决EMD-IT去噪算法中阈值难以确定的问题,提出一种基于高斯白噪声能量分布的阈值估计方法。将含噪信号进行经验模态分解并估计各固有模态函数(IMF)中噪声的能量;根据模态单元阈值的含义,在各IMF中利用去除掉的模态单元包含的总能量等于噪声能量这一准则估计阈值。合成数据和实际心电信号的去噪仿真实验验证了该方法的有效性,其是自适应的且避免了阈值选择的主观性。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

两种近似EMD的图像检索方法

相似度量是图像检索的关键,EMD是一种有效的度量距离,但其计算比较复杂,而且赖于基本距离的选择。采用Lloyd聚类算法对图像进行高斯混合建模,并以聚类失真作为基本距离提出了两种近似EMD的方法计算相似度。实验结果验证了该方法的有效性,其检索效率与EMD方接近,而且计算复杂度比EMD方法低,基本距离的选择不敏感。     

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用

针对目前风电机组齿轮箱故障率很高,特别是对兆瓦级风电机组齿轮箱早期齿轮故障缺乏有效诊断经验的现状,提出EMD分解和支持向量机技术方法相结合的故障诊断方法,以行星齿轮箱为试验平台,充分利用两种方法的各自优势,对风电机组齿轮箱的齿轮早期故障诊断进行研究。     

基于EMD和BP神经网络的雷达体征信号检测算法

随着城市生活中医疗、治安、反恐等方面的需求日益突出,非接触式雷达生命体征检测逐渐得到各方面的关注.文章提出一种基于EMD和神经网络的雷达生命体征信号检测算法.由于UWB雷达回波信号的非平稳非线性特性,利用EMD的空间时间尺度特性对信号进行分解,得到一系列的本征模态函数IMF,然后通过结合了免疫遗传算法IGA的BP神经网络对信号进行优化,获得心跳和呼吸信号.结果表明,文章提出的算法比直接用EMD分解重构的信号的准确性高,弥补了EMD分解的端点效应问题,具有广阔的应用前景和研究价值.     

基于EMD的电能质量扰动检测与分类方法

针对电能质量扰动信号的检测和分类问题,提出了一种基于EMD的电能质量扰动检测与分类方法,并对常见的几种扰动信号进行仿真。应用该方法检测扰动发生时间、持续时间以及扰动的频率与幅值。仿真结果表明,所提算法简洁有效,能够准确分析电能质量扰动信号,可以估计电压凹陷、电压凸起以及电压中断等扰动信号的变化幅度和频率。     

经验模态分解效果与信号频率振幅的关系

利用经验模态分解(Empirical Mode Decomposition,简称EMD)方法对由两个正弦线性叠加而成的信号进行分离处理,研究正弦信号的频率和振幅对EMD分离效果的影响.通过多组实验得出,两正弦信号的频率相差越大或振幅相差越小,EMD分离效果越明显.