一种基于经验模式分解的心电QRS波检测方法

讨论了一种信号分析法——经验模式分解法,用于检测心电信号中QRS波的可行性和有效性,并提出了相应的检测算法。实验结果表明,适当选择心电信号在经验模式该方式分解后的内在模函数,特别是其高频分量,可有效地抑制或缓解各种主要噪声干扰,使用简单算法即可分离QRS波的特征点。该方法经标准心电信号进行有效验证,获得了较高的准确率。     

向量空间的模结构分解

将数域F上n维向量空间视为数域F上多项式环F[s]上的模，给出了向量空间的模结构分解，指出任一数域上的向量空间都可表示为若干多项式环上循环模的直和形式，特别讨论了复数域和实数域上向量空间的分解情形，引入了变换(或矩阵)的特征值对应的生成根向量的定义，得到了循环模的生成元与变换的生成根向量之间的关系。     

工程结构疲劳损伤与磁化特性的检测方法

分析了铁磁构件的疲劳损伤与其技术磁化性能的关系，比较了主要磁检测技术的各自优缺点，指出了研究漏磁法监测工程结构疲劳损伤的必要性和可行性。     

基于奇异值分解的雷达微小目标检测方法

提出了一种强杂波环境下雷达微小目标的检测方法。该方法以奇异值分解理论为基础,利用奇异值一阶、二阶差分谱进行奇异值选择,通过奇异值逆变换将雷达回波信号分解成不同的成份,从而实现杂波抑制和小微目标凸现。试验表明:该方法能有效抑制杂波,平均提升信噪比7 dB左右。     

土木工程结构损伤检测中的神经网络方法

结构损伤检测与识别对结构安全及人们生命财产具有重要意义．近年来结构损伤检测中的神经网络方法受到了广泛的关注和研究．对神经网络方法在结构损伤检测中的研究进行了综合论述．阐述了各类神经网络方法在损伤检测中的应用、输入输出数据的不同类型、结构建模误差对检测效果的影响和分步损伤检测方法等。并对神经网络方法在损伤检测中的发展前景作了展望．     

基于模型修改的结构损伤检测

提出一种基于模型修改的损伤检测理论方法。此方法是先对结构的有限元分析模型进行修正,然后运用此模型来模拟原始结构,损伤发生前后的模型计算模态模拟测试模态,最后运用最小二乘法确定损伤。     

一种基于奇异值分解的奇异性检测新方法

针对信号中的奇异点检测问题,提出了一种利用一维信号序列以连续截断信号方式构造出较小列数和较大行数矩阵的方法,并通过奇异值分解来实现这种检测.分析了该矩阵方式下奇异值分解的信号分解原理,研究了该方法的奇异性检测效果,并与Hankel矩阵方式以及小波检测效果作了比较,将其应用于铣削力信号的奇异性检测.实验结果表明,该方法能有效揭示铣削过程中可能由铣刀或工件问题引起的微小冲击现象,且其各分量指示奇异点位置的脉冲幅值大、宽度小,能与周围高频噪声形成鲜明对比,有利于更准确地判断奇异点的位置.     

基于双谱和奇异值分解的结构损伤试验

介绍双谱和奇异值分解（SVD）的理论,通过计算结构振动加速度信号的双谱,根据不同荷载下双谱幅值的等值线变化规律来判断结构的损伤程度和评价结构非线性振动特征.利用奇异值分解方法计算双谱的主奇异值,根据主奇异值在不同荷载下的变化情况,来评价结构的损伤和非线性变化.2根钢筋混凝土梁在逐级加载下损伤破坏的试验数据分析结果表明,双谱及其奇异值对结构损伤的变化比较敏感,双谱及其奇异值的变化规律与试验过程中试件的裂缝发展和损伤情况相一致,可以应用于结构损伤的监测.     

基于改进经验模态分解的泄漏电流去噪方法

为了有效地监测金属氧化物避雷器的绝缘工况,提出一种基于改进经验模态分解的泄漏电流去噪方法。首先,依据泄漏电流波形和幅值的综合相似度对信号端点进行延拓以抑制端点效应,进而根据本征模态函数的平滑度和相关性的综合指标重构无噪声干扰的泄漏电流信号;然后,通过坐标下降法对权重参数进行动态修正和更新,保证重构信号的合理性和准确性;最后,通过仿真和实验验证所提方法可以有效去除泄漏电流信号中的噪声干扰,且能判定出异常监测值,符合工程的实际要求。     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。     

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.     

基于经验模态分解的目标特征提取与选择

经验模态分解(EMD)是一种新的非平稳时变信号处理方法,可以自适应地将信号的局部特征逐级分解出来。提出了基于EMD的舰船噪声特征提取与选择方法,将本征模态函数(IM F)分量及其瞬时频率作为特征,并选择其判别熵作为特征向量的可分性度量。数值仿真和实际噪声数据处理的结果表明IM F分量和频率可以充分体现目标的特征,具有良好的类别可分性。     

基于经验模式分解和最小二乘支持向量机的胎儿心电信号提取

针对心电信号的非平稳特性,将非平稳信号处理方法与非线性估计方法相结合,提出一种从母体腹壁混合信号中提取胎儿心电信号的新方法。采用经验模式分解(EMD)方法将非平稳的母体心电信号分解为有限个本征模函数(IMF)和一个残差信号;母体腹壁混合信号中的母体心电成分为母体心电信号的非线性变换,采用最小二乘支持向量机(LSSVM)拟合这一非线性变换;将EMD分解所得的本征模函数和残差信号经由所拟合的非线性变换得到母体腹壁混合信号中母体心电成分的最优估计,从母体腹壁混合信号中减去该最优估计得到胎儿心电信号。引入基于特征值分析和基于互相关系数计算信噪比的方法,评估胎儿心电信号提取方法的性能。实验结果表明,在胎儿心电信号和母体心电信号QRS波分离或者重叠的情况下,通过本文提出的方法均可得到清晰的胎儿心电信号,且信噪比相对于传统方法有明显提高。实验结果验证了该方法的有效性。     

一种基于EMD的睡眠脑电图梭形波自动识别方法

提出了一种基于EMD分解的睡眠脑电图梭形波自动识别方法．通过对EEG信号作EMD分解,得到具有很好时频特征的Hilbert谱,对Hilbert谱进行分析处理,可以自动识别梭形波出现的准确时间和持续时间．结果显示,识别准确率高达95．6％．     

基于EEMD与动态神经网络的短期负荷预测

提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方法.首先运用EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.     

基于经验模态分解（EMD）的小波阈值除噪方法

针对低信噪比信号的去噪问题,提出了一种基于经验模态分解的小波阈值去噪方法,并与小波变换去噪法的效果相比较.试验结果证明,当信号的信噪比较小时,基于经验模态分解的小波阈值去噪效果是相当有效和稳定的,为研究环境脉动下结构的输出信号去噪处理提供了新的手段.     

悬臂板损伤数值模拟试验与WPNN识别方法

通过分析小波概率神经网络(WPNN)与数据融合技术在工程结构损伤识别中的应用原理,建立了基于小波概率神经网络和数据融合技术的模型.对悬臂板结构进行了数值模拟试验,运用损伤单元数据作为输入向量训练了WPNN与数据融合的损伤识别模型,并选取4个单元作为检验样本进行检验,检验的结果与数值试验分析吻合较好,从而表明,该方法在工程结构的损伤识别中有较好的应用价值.     

经验模态分解（EMD）中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.     

抑制经验模分解边缘效应的极值点对称延拓法

经验模分解(Em p iricalM ode D ecom position,EMD)是希尔伯特-黄变换(HHT)的核心,而经验模分解方法的关键是对提取固有模式函数(Intrinsic m ode function,IM F)时所谓边缘效应问题的处理。提出了极值点对称延拓方法,用来对边缘效应问题进行处理。算例分析结果表明该方法的算法简单,计算速度快,能有效地抑制EMD分解时的边缘效应,分解得到的固有模式函数完备地体现了原信号真实的频率和幅值信息。在信号重构时不会带来原始信号的畸变。