几种改善EMD端点效应方法的比较研究

经验模态分解(EMD)的一个关键问题是改善端点效应。目前工程上已经提出了多种处理方法。在此对端点镜像方法、多项式拟合法、极值延拓法、平行延拓法和边界局部特征尺度延拓法等5种方法进行对比研究,利用分解信号与原信号的相似系数、分解信号与原信号的平均相对误差以及算法的运行时间作为端点处理方法的评价指标。仿真结果表明,极值延拓法是处理准周期信号的相对较好的EMD端点效应处理方法。     

EMD端点效应问题解决方法的研究

经验模态分解(EMD)是近年来兴起的一种非平稳信号处理方法,但在分解过程中因产生端点效应而造成分解结果严重失真。因此,研究了一种自适应波形匹配延拓法的改进方法,该方法根据信号端部不同特点确定延拓点并进行延拓,从而解决端点效应问题。实验结果表明,改进的自适应波形匹配延拓法能避免信号EMD分解失真。将改进的自适应波形匹配延拓法的EMD结合小波软阈值去噪方法用于处理加噪超声仿真信号,得到的信噪比比小波软阈值法处理后的信噪比高33.78%,说明该方法在非线性、非平稳信号处理方面有一定优势。     

基于EMD和小波去噪处理的信号瞬时参数提取

本文提出用小波去噪后再运用经验模式分解(EMD)和希尔伯特变换方法提取信号瞬时特征。该方法克服了直接运用EMD分解方法由大量噪声带来的不必要的干扰,减少了EMD存在的边界效应和分解层数,提高参数提取的准确性和时效性,使算法在信号瞬时特征提取中更具有应用和研究前景。     

关于多种模态分解方法的分离效果的差别探讨

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。     

单电梯竖井中PHS场强的多重镜像法分析

电梯信号场强预测是PHS(无线市话)室内分布系统设计的难点。用多重镜像法计算了矩形横截面单电梯井道内PHS信号场强,预测了不同地点的不同服务质量,并与普通镜像法比较。在电梯井道PHS场强预测中,多重镜像法优于普通镜像法。对PHS室内分布系统单电梯井道设置定向天线提出了建议。实验验证了这种方法的正确性,从而可望改善电梯内PHS通话质量。     

光纤陀螺基于SNR检测的EMD滤波方法

光纤陀螺的输出信号是一种非线性、非平稳的随机信号.针对光纤陀螺信号的特点采用经验模分解(EMD)滤波法对陀螺输出信号进行滤波存在一个如何重构信号的问题,为此提出了基于信噪比检测的EMD滤波法.该方法通过连续检测相邻两个重构信号信噪比提高的程度来确定滤波后的输出信号.实验结果表明,该法能有效消除光纤陀螺信号中的噪声,并为EMD滤波法重构信号提供了一个客观的判断方法,且无需任何先验知识.     

一种ECG信号肌电干扰去除方法的研究

实测心电(ECG)信号通常被多种因素干扰,尤其是肌电干扰的去除存在较大困难。本文提出一种结合经验模态分解法(EMD)与主成分分析(PCA)的消噪算法来去除ECG信号的肌电干扰。解决了通常采用小波算法和EMD等方法会导致ECG信号产生振荡和丢失有用信息的难题。本研究利用PCA对含噪信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理,通过对MIT-BIH心电数据进行仿真,以及定性分析了信噪比(SNR)和均方误差(MSE)。结果表明,ECG信号中的肌电干扰被有效去除,所提方法的消噪效果整体上优于小波去噪算法和EMD消噪算法,是一种有效的消噪方法。     

基于改进EMD和HMM的齿轮故障诊断方法

首先针对EMD算法中端点效应问题,采用镜像延拓法进行算法改进;而后提出一种相关度选取IMF方法,对分解得到的IMF进行相关分析,选出敏感IMF;进而将有效IMF能量比作为故障特征,采用HMM分类器进行故障识别以实现齿轮的故障诊断,实验结果表明了改进EMD和HMM方法的有效性。     

近海摩托艇信号的模态分解

在非线性非平稳信号的分析、处理以及特征提取中,希尔伯特-黄变换(HHT)是一种高效的自适应分析方法,在工程领域中有着广泛应用。本文利用经验模态分解(EMD)和变分模态分解(VMD)方法对近海摩托艇的水声信号进行对比分析,发现水声信号能量主要集中在低频段。与高频段相比,其振幅相对较大。EMD方法在分析这类信号时,会产生模态混叠,因此不能有效分解信号和提取特征;而VMD方法可有效降低模态混叠现象,能够成功提取其信号特征。研究结果表明,VMD方法在船舶水声信号处理分析及特征提取时更为有效,为复杂水声信号的处理提供了一种可行的技术参考。     

基于新的EMD降噪技术在表面微裂纹检测中的应用

采用超声检测技术,对弹体表面进行微裂纹检测,通过经验模态分解(Empirical Mode Decomposition,简称EMD)算法对检测所得超声回波信号进行降噪处理。针对传统EMD在利用三次样条插值求上下包络时,由于不能确定两端点处的极值,致使拟合出的包络线有可能偏离实际的包络线,进而影响分解质量这一方法的不足即端点效应。提出了基于最优化求导(Derivative-optimized)的抑制EMD端点效应新方法。该方法以两个端点(qL和qR)作为参数,用厄米特多项式求一阶导数来获取上下包络线。这样可以在最小时域变化的基础上,在分解的每一步中准确的确定低频部分。通过实验分析证明该方法能有效抑制端点效应,实现表面波测裂纹缺陷信号的分离与诊断,且不需要任何先验选择标准。消除了由实测信号直接读取反射波特性所存在的误差,具有良好的准确性和灵活性。     

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。     

An Analytical Expression for Empirical Mode Decomposition Based on B-Spline Interpolation

Although empirical mode decomposition (EMD) lacks a rigorous theoretical basis, it has attracted much attention for analyzing nonstationary signals adaptively. In this paper, the EMD method is investigated from a digital signal processing perspective. Based on an analysis of extrema sampling and B-spline interpolation, we show that the upper and lower envelopes of signals are formed by a succession of three basic operations: decimation of local extrema, interpolation, and filtering by a B-spline filter. We then show that some aliasing noise can be suppressed by the mean of the envelopes, though the extrema sampling is a sub-Nyquist sampling. For uniformly spaced extrema of signals, we derive a general analytical expression of intrinsic mode functions (IMFs) extracted by the EMD method from signals.     

Boundary extension for Hilbert-Huang transform inspired by gray prediction model

One of the open problems to which Hilbert-Huang transform (HHT) inevitably confront is end effect, a plague from which many data analysis methods have been suffering from the beginning. Aiming at mitigating end effects of HHT, a boundary extension method is introduced, which is based on the well-known gray prediction model termed as GM(1,1). Using the idea of cubic spline, the calculation of derivative to accumulated generating operation (AGO) series in GM(1,1) model is developed. We further make full use of residual series produced in the GM(1,1) model to achieve better prediction precision. According to numerical experiments on synthetic and real world signals, as well as comparisons of the proposed method with other six generally acknowledged methods, including the original HHT, multiple residual error gray model (MREM), “window frame”, mirror extending (ME), autoregressive (AR) model, and artificial neural network (ANN) based HHT, it is demonstrated that our method significantly reduces end effects and improves decomposition and transformation results of HHT.     

一种自适应的EMD端点延拓方法

由美国国家航空航天局(NASA)的Huang等发明的经验模态分解(EMD)是一种先进的信号处理方法,能够有效地获得非平稳信号的时频特征,但是其利用样条曲线构造信号上下包络线的过程中存在严重的端点问题.在研究了该问题已有方法的基础上,提出了一种基于波形匹配的自适应端点延拓方法,采用信号内部和端点处变化趋势最为相似的子波来对端点处的信号进行延拓.该方法充分考虑了信号的内在特性以及边缘处的变化趋势,使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动.实验表明该方法能够有效地抑制端点效应.     

噪声干扰环境下抑制EMD模态混叠方法

经验模态分解(EMD)作为时频分析的经典算法,已经得到广泛的应用。然而,其分解质量容易受到噪声等干扰的影响,产生模态混叠问题。本文针对经验模态分解中因噪声存在的模态混叠问题,提出一种自适应的预处理方法。首先对输入信号进行B样条最小二乘拟合,消除了噪声的影响后,再进行EMD分解。为提高算法的自适应性,提出了一种基于极值点出现时刻的节点选取方法。对线性信号与非线性信号的仿真实验表明该方法有较高的分解精度;与聚合经验模态分解方法(EEMD)的分析对比结果表明该方法能很好地抑制噪声引起的模态混叠。      

基于经验模式分解法的光学相干层析成像去噪研究

针对光学相干层析(OCT,optical coherence tomography)成像中存在的散斑噪声和扫描噪声,提出了采用经验模式分解(EMD,empirical mode decomposition)算法同时减小这两种噪声的思想。EMD是一种时频分析法,较傅立叶谱法能准确地确定时变非平稳的这两种噪声随时间变化的频率特性,从而获得更好的滤波效果。结果表明,通过合理设计EMD滤波参数,即可有效地同时减小散斑噪声和扫描噪声,信号的信噪比(SNR)提高(不考虑扫描噪声时,SNR达7dB左右,考虑到扫描噪声时,SNR提高达3dB左右),扫描噪声的条纹对比度降低60%以上,改善了成像质量,同时图像细节得到保留。与小波去噪法相比,本文方法具有滤波器设计简单、去噪效果明显及能同时有效地去除两种噪声的优点。     

Lithium-ion batteries remaining useful life prediction based on a mixture of empirical mode decomposition and ARIMA model

Prediction of lithium-ion batteries remaining useful life (RUL) plays an important role in battery management system (BMS) used in electric vehicles. A novel approach which combines empirical mode decomposition (EMD) and autoregressive integrated moving average (ARIMA) model is proposed for RUL prognostic in this paper. At first, EMD is utilized to decouple global deterioration trend and capacity regeneration from state-of-health (SOH) time series, which are then used in ARIMA model to predict the global deterioration trend and capacity regeneration, respectively. Next, all the separate prediction results are added up to obtain a comprehensive SOH prediction from which the RUL is acquired. The proposed method is validated through lithium-ion batteries aging test data. By comparison with relevance vector machine, monotonic echo sate networks and ARIMA methods, EMD-ARIMA approach gives a more satisfying and accurate prediction result.     

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.     

基于经验模态分解的激光陀螺随机信号消噪

各种随机噪声是导致激光陀螺产生误差的主要因素,且其性质特殊,很难用传统的滤波方法去除。为了抑制激光陀螺的随机漂移,提高使用精度,提出了一种新型经验模态分解方法对陀螺随机漂移测试信号进行滤波处理。该方法将经验模态分解的内模函数中两个相邻过零点之间的信号定义为模态单元,并作为基本分析对象,通过对模态单元振幅的阈值处理来判断模态单元的类型,进而建立模态单元滤波模型。分析了经验模态分解法在分解不同Hurst指数分形高斯噪声时模态振幅的演化规律,并建立了一种用于高斯消噪的阈值选取规则。运用该方法对激光陀螺测试数据进行了滤波降噪实验,并用Allan方差法对不同降噪算法的降噪效果进行了比较分析,实验结果验证了该方法的有效性和优越性。