基于VMD与MFE的光纤周界安防入侵事件识别北大核心CSCD

为了提高周界入侵事件的识别率,本文提出一种基于超弱光纤光栅(UWFBG)阵列的光纤周界入侵事件识别方法。该方法通过变分模态分解(VMD)将入侵信号进行分解,然后选择最佳分量并提取其多尺度模糊熵(MFE),与信号过零率(ZCR)相结合构造特征向量,将其输入到Sigmoid函数拟合的支持向量机(SVM),实现对晃动、剪切、刮风、下雨和无入侵5种不同的事件的识别。实验表明,该方法可以准确识别5种常见的事件信号,平均识别率达到98%。此外,该方法可以在输出各入侵事件类别的同时输出各类事件发生的概率值。     

基于CEEMD-PE的脑电信号降噪方法研究

在研究脑电信号特性的基础上,提出了一种基于CEEMD-PE对脑电信号进行降噪的方法.完全集合经验模态分解(CEEMD)能够克服模态混叠的问题,因此,对脑电信号进行CEEMD分解,得到一组固有模态函数(IMF)分量,计算各个IMF分量的排列熵(PE)值,依据PE的值剔除基本为噪声的IMF分量,将降噪后的分量与保留的分量进...     

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EMD-SVM的江水浊度预测方法研究

针对江水浊度序列宽频、非线性、非平稳的特点,将经验模态分解(EMD)和支持向量机(SVM)回归方法引入浊度预测领域,建立了基于EMD-SVM的浊度预测模型.通过EMD分解,将原始非平稳的浊度序列分解为若干固有模态分量(IMF),根据各IMF序列的特点,选择不同的参数对各IMF序列进行预测,最后合成原始序列的预测值.将该方法应用于实际浊度预测,并与径向基神经网络(RBF)预测及单独支持向量机回归预测结果进行比较,仿真结果表明该方法预测精度有明显提高.     

基于多元经验模态分解的多元多尺度熵静态平衡能力评估

提出了一种基于多元经验模态分解（Multivariate Empirical Mode Decomposition,MEMD）的多元多尺度熵（Multivarite Multiscale Entropy,MMSE）特征提取方法分析多模态信号,进行人体静态平衡能力评估.首先,采集人体多模态信号,采用多元经验模态分解对多通道信号进行自适应分解,得到一系列多元固有模态函数（Intrinsic Mode Functions,IMFs）,依据T检验和相关系数从中选取最佳的IMF分量进行信号重构;然后,采用多元多尺度熵算法提取特征,用K-均值与支持向量机对比本文特征提取方法与两种传统特征提取方法在处理人体静态平衡能力评估问题时分类效果,并分析两种分类器的人体静态平衡能力评估效果;最后,得出本文最优的特征为基于多元经验模态分解的多元多尺度熵特征,最优的分类方法为支持向量机.     

基于EMD和奇异值分解的心律失常分类方法

基于经验模态分解(Empirical Mode Decomposition,简称EMD)和奇异值分解(Singular Value Decomposition,简称SVD)理论,提出一种新的心律失常类型分类方法.首先,利用经验模态分解方法自适应地将心电信号(ECG)分解为一组固有模态函数(Intrinsic Mode Function,简称IMF)和一个残余分量,解决了目前广泛应用的小波分解方法中小波基选取困难以及分解结果不唯一的难题.利用这组固有模态函数构造初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值.奇异值是矩阵的固有特征,具有较好的稳定性,根据奇异值计算奇异熵.最后依据奇异熵和马氏距离判别函数对心电信号的心律失常类型进行分类.实验结果表明,本方法能方便有效地对心律失常类型进行识别判断,可用于心电信号病理辅助诊断领域.     

基于CVMD和DBO-SVM的光纤周界安防信号识别方法

为降低光纤周界安防信号中噪声对分类结果的影响,提升信号分类的准确率和运行效率,提出一种融合了相关变分模态分解(Correlation Variational Mode Decomposition, CVMD)、蜣螂算法(Dung Beetle Optimizer, DBO)和支持向量机(Support Vector Machine, SVM)的分类方法。利用CVMD去除原始信号中的噪声分量,并提取去噪后信号的能量、能量熵和峭度作为特征向量。采用DBO算法优化SVM,得到最佳惩罚因子和核函数参数,并构建DBO-SVM分类模型。搭建了基于相位敏感光时域反射(Φ-OTDR)技术的周界安防系统,采集了攀爬、敲击、踩踏和无入侵四类信号。实验结果表明,CVMD-DBO-SVM的分类准确率相比CVMD-PSO-SVM和CVMD-GA-SVM更高,达到了98.75%,同时运行时间更短,综合性能最优。     

改进的HHT变换在光纤振动模式识别中的应用

针对双马赫-曾德尔(M-Z)干涉型光纤振动传感系统输出信号非线性、非平稳特点,提出基于互补总体经验模态分解(CEEMD)的希尔伯特-黄变换(HHT)模式识别算法。该算法采用CEEMD将振动信号分解成多个本征模态函数(IMF),利用各阶IMF的归一化自相关函数筛选出噪声分量进行中值滤波;然后对各阶IMF分量做Hilbert变换,基于Hilbert边际能量谱构造特征向量;最后利用概率神经网络(PNN)实现振动信号的模式识别。对四种典型光纤振动信号的实验验证表明,算法的平均正确识别率最低可达85%。     

基于多尺度熵和遗传算法改进的语音识别技术

现代语音识别系统大多数都处在复杂的环境中,语音特征的提取势必会受到噪声的影响;在低信噪比环境下的隐马尔可夫模型,它的训练参数容易收敛于局部最小值,导致识别率下降。首先对采集到的语音信号,利用补充的总体经验模态分解(CEEMD)和多尺度熵算法对信号进行随机性检测,该方法在检测出CEEMD分解的异常分量后,进行经验模态分解(EMD);其次将分解得到的近乎纯净的语音信号,作为基于遗传算法改进的隐马尔可夫模型的输入。实验结果表明,利用多尺度熵与遗传算法改进的隐马尔可夫模型相结合的方式,具有更优的收敛速度和优化性能,识别率至少提高1.23%。     

经验模态分解结合频谱质心的方法在油管入侵信号诊断中的应用

在输油管道的安全防范系统应用背景下,针对传 统方法诊断光纤采集到的入侵信号准确率不高的问题,提出一种基于经验模态分解(EMD)算 法和频谱质心(SC)的入侵信号诊断方法。首先将采集到的原始入侵信号通过EMD进行 分解,分离含噪最 多的特征模态函数(IMF)分量,再组合剩余的IMF分量形成重构信号,对重构信号进行希尔伯 特变换(HT)得到希尔伯特谱,计算它的SC,进一步识别入侵信号和干扰信号。 通过对油管振动信号进行实验,本文方法对于每种入侵信号和干扰信号的诊断准 确率均在90.00%以上,整体的诊断准确率达到97.17%。对于该组油管振动信号, 同时运用奇异值分解(SVD)法进行诊断并将其结果与本文方法的诊断结果进行对比,整 体上本文方法的诊断准确率比SVD法高出19.00%。仿真实验结果表明 ,本文方法能有效诊断入侵信号,并且诊断效果明显优于奇异值分解法。     

基于峭度加权VMD和熵特征的雷达脉内调制识别

针对复杂电磁环境下识别雷达信号脉内调制样式困难以及受噪声影响识别准确率受限的问题,提出了一种将变分模态分解(Variational Mode Decomposition, VMD)与熵特征提取相结合的识别方法。首先,通过基于峭度加权的改进VMD算法对雷达信号进行分解,得到由三个本征模态函数组成的最优分量集合;其次,对各分量分别计算其模糊熵、排列熵和符号熵值,从而实现对熵特征信息提取;最后,将特征向量输入到支持向量机完成识别。相较于其他方法,该方法有着较高的识别准确率和抗噪性能,在2 dB信噪比以上平均识别准确率为94.63%。     

基于CEEMD和排列熵的SAR窄带干扰抑制方法

为了有效抑制合成孔径雷达（SAR）系统中常见的窄带干扰（NBI）,本文提出一种基于互补集合经验模态分解（CEEMD）和排列熵（PE）的NBI抑制方法。矩峰度系数法用于检测原始回波中是否存在NBI,对包含NBI的回波使用CEEMD将其分解为一系列本征模态函数（IMF）。计算所有IMF排列熵得到全局阈值以区分NBI和有用信号,并使用去除NBI后的IMF分量重建信号以获得良好聚焦的SAR图像。结果表明：所提方法能有效克服经验模态分解（EMD）带来的模态混叠问题,且干扰抑制性能优于传统频域陷波法及基于EMD的NBI抑制方法。     

微弱信号检测的变尺度Duffing振子方法

针对强噪声背景下微弱信号检测问题,本文把互补集总经验模式分解（CEEMD）方法和变尺度Duffing振子结合,提出了一种新的微弱信号检测方法.利用CEEMD将复杂含噪信号分解为不同的固有模态函数（IMF）,通过Duffing系统分岔图及其变化找到相轨迹变化的临界阈值,实现含噪信号的信息检测.结果表明,本文所提方法不仅可以很好地免疫噪声,而且能有效检测出信噪比低至-73dB的多频率周期信号.     

Application of kernel methods in signals modulation classification

A new approach to common signals classification of relevance vector machine(RVM) was presented and two signal classifiers based on kernel methods of support vector machine(SVM) and RVM were compared and analyzed.First several robust features of signals were extracted as the input of classifiers,then the kernel thought was used to map feature vectors impliedly to the high dimensional feature space,and multi-class RVM and SVM classifiers were designed to complete AM,CW,SSB,MFSK and MPSK signals recognition.Simulation result showed that when chose proper parameter,RVM and SVM had comparable accuracy but RVM had less learning time and basis functions.The classification speed of RVM is much faster than SVM.     

基于变分模态分解的癫痫脑电信号分类方法

癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到94.24%,95.58%和90.64%,ROC曲线下面积达0.978.     

融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数（Product Functions,PFs）,再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重（Laplacian score,LS）特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.     

基于BOTDA的海缆监测系统振动信号降噪方法研究

搭建了基于布里渊光时域分析(BOTDA)的海底电缆(海缆)振动信号监测模拟实验系统,通过实验获得了锚砸、冲刷、摩擦3种工况下的海缆振动信号.针对振动信号含有大量噪声,提出TSA-VMD-MPE降噪方法.利用被囊群算法(Tunicate Swarm Algorithm,TSA)优化变分模态分解(Variational Mode Decomposition,VMD),获取VMD分解层数与惩罚因子的最优值,对振动信号分解获得本征模态函数(Intrinsic Mode Functions,IMF)分量;利用IMF与原始信号的相关性及IMF的方差贡献率联合来确定IMF的多尺度排列熵(Multi-Scale Permutation Entropy,MPE)阈值,对振动实验信号进行降噪.实验结果表明:所提降噪算法使3种海缆振动信号信噪比平均提高了12.0296 dB;将提出的MPE阈值方法应用于EEMD与CEEMD算法也获得了良好的降噪效果.     

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题,具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥整体平均经验模式分解的优势,将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时,分解出的前5个分量与未分解前信号的相关系数明显减小,因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试,研究结果表明,该方法能有效地实现海杂波下目标的探测,性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。