添加自适应高频谐波的改进经验模态分解算法

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法,减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理,自动提取出原始信号中包含的最高频率分量,并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD算法,可有效减少EMD算法中频谱混叠现象,同时解决了高频谐波添加中频率难以确定的问题。     

基于经验模态分解的自适应滤波算法及其应用

在对炮膛进行检测时,由于温度、光照强度等影响,使得测得的信号带有很大的噪声,当噪声频带很宽时,自适应滤波器的参数设置比较困难,致使去噪效果不明显.为此,提出了一种基于经验模态分解的自适应滤波算法,该算法基于信号和噪声经过经验模态分解后在不同的IMF上有不同的特征,即先对信号进行经验模态分解,然后对各个高频IMF信号分别选用不同的滤波参数,进行自适应滤波处理.通过实验对比研究了该算法与普通自适应去噪、多尺度EMD滤波的降噪效果,实验表明,该算法具有很好的去噪效果.将该算法应用于炮膛检测系统中身管内径测量信号的降噪处理,取得了满意的效果.     

极点均值型经验模式分解及其去噪应用

使用经验模式分解（EMD）对信号进行去噪时,由于EMD 本身会产生模态混叠,往往很难将噪声完全分离。针对这一问题,提出了一种新型的极点均值型EMD 方法,并且给予固有模态函数（IMF）一个新的定义。首先,将相邻极点平均以求得均值包络,然后迭代相减进而获得IMF。最后用原始信号减去分离出的高频IMF 实现去噪。随机信号仿真以及激光雷达回波信号去噪实验表明,该方法与EMD 分解相比,可以更好地将噪声分离,有效地抑制模态混叠,更可以极大地减小均方误差。因此,极点均值型EMD 拥有很好前景。     

自适应掩膜信号集成局部特征尺度分解及其应用

局部特征尺度分解（LCD）是为克服经验模态分解（EMD）中均值曲线构造的不足而提出的一种自适应信号分解方法,已被应用于机械故障诊断领域.但LCD存在与EMD类似的模态混叠问题,为此,基于均匀相位差掩膜信号构造,提出了自适应掩膜信号集成局部特征尺度分解（AMSELCD）,该方法不仅能够将一个复杂信号自适应地分解为若干个本征模态函数和一个剩余项之和,而且能够有效地解决LCD的模态混叠现象.通过仿真信号分析,将AMSELCD与现有多种抑制模态分解方法进行了对比,结果表明了所提方法的有效性和优越性.最后,针对滚动轴承和转子碰摩故障振动信号的调制特征,将所提AMSELCD方法应用于转子碰摩和滚动轴承的故障诊断,对比和实验分析结果进一步验证了所提方法的有效性和优越性.     

基于ARIMA改进的实时动态滑坡预测模型

针对应急救援环境下,滑坡实时动态位移测量存在数据波动范围广、噪声大、模态混叠等问题,提出了一种基于CEEMDAN-Kmeans-ARIMA的组合预测模型。首先基于自适应噪声完备集合的经验模态分解算法,将添加PPP定位偏差噪声的斋藤模型信号分解为多个本征模态函数,并且根据K-means聚类算法将物理意义相近的本征模态函数进行聚类重构;然后针对多个聚类重构分量,构建最优的差分自回归移动平均预测模型;最后将聚类重构分量的预测值进行叠加,得到组合模型的预测值。实验结果表明,组合模型的MAPE指标相对于ARIMA单模型提高了2.16%,解决了ARIMA预测模型存在的突变量不敏感、剩余滑坡预测时间不准等问题。在救援环境下,采用所提出的模型对实时动态滑坡进行预警预测具有一定的工程应用价值。     

基于EEMD算法在信号去噪中的应用

为了抑制经验模态分解中出现的端点效应和模态混叠现象,利用白噪声辅助数据分析方法——集合经验模态分解构造一个自适应滤波器组,对原信号进行各级滤波,最终得到纯净的信号.然后与小波阈值去噪方法进行比较,通过仿真可以看出,集合经验模态分解构造的滤波器组滤波效果比较理想.     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提.针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别.首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成分分析以提取出R波特征最明显的成分,对该成分进行结构分析,从而实现对R波的准确定位.仿真结果表明,该文算法对带噪声心电信号的R波识别具有更优性能,对异常心电信号的R波识别也具有明显效果.     

基于集合经验模态分解和信号结构分析的心电信号R波识别算法

R波作为确定心电信号各波段的重要参考,是心电自动分析的前提.针对大多数R波识别算法的预处理过程影响识别准确度和耗时问题,该文提出一种基于集合经验模态分解(EEMD)和信号结构分析的算法对带噪心电信号(ECG)的R波直接进行识别.首先通过EEMD将带噪声的心电信号分解成一系列本征模态分量,然后对分解后的各模态分量作独立成...     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数（IMF）分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。     

基于经验模态分解的空中飞机目标分类

该文研究常规窄带雷达体制下喷气式飞机、螺旋桨飞机和直升机目标的分类问题。首先根据微多普勒效应利用多散射中心模型从理论上分析了飞机目标旋转部件的雷达回波模型;然后针对3类飞机目标回波在多普勒域频率调制的不同,提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)算法的特征提取方法;最后基于仿真数据训练、实测数据测试的模式,使用支持矢量机(Support Vector Machine, SVM)分类器的分类结果表明新方法较现有方法在较高信噪比条件下具有更好的分类性能。     

信号采样率对经验模态分解的影响研究

为更合理和准确的应用经验模态分解EMD方法,我们通过数值实验全面的研究了不同采样率对EMD的影响。结果表明采样率从两个方面影响经验模态分解,其一是由于离散化带来的非对准,导致的信号非对称从而给本征模态函数的提取带来的能量泄漏,其二为过高的归一化频率带来信号表达的粗糙化而引起的分解结果的正交性降低。实验结果也表明:较为理想的EMD应用环境应该为采样频率大于4倍的Nyqvist频率,而应用EMD的最低要求应该是:采样频率大于2倍的Nyqvist频率。该结果将对EMD方法的工程应用有着重要的指导意义!     

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。     

基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。     

变时间尺度城轨客流的本征模量分解及组合深度学习预测

城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括：基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。     

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。

     

基于复数据经验模式分解的天波超视距雷达瞬态干扰抑制

针对目前大多数瞬态干扰抑制方法需要先抑制海(地)杂波,计算复杂度高等问题,该文提出了一种基于复数据经验模式分解(CEMD)的天波超视距雷达瞬态干扰抑制方法。该方法在CEMD分解雷达回波信号后,同时完成瞬态干扰的检测、挖除和数据重构。它的主要优点是无需抑制杂波,也不需要通过自回归(AR)模型预测恢复数据,运算量小,实用性强。实测数据处理结果表明：该方法可以有效地抑制瞬态干扰。