基于EEMD的地声信号单通道盲源分离算法

针对只有一个观测通道时,基于矩阵运算的盲源分离算法将会失效的问题,提出一种适用于单观测通道的地声信号盲源分离方法.首先采用总体经验模态分解方法将观测信号分解为固有模态矩阵,使单通道的欠定问题转化为多通道的正定问题,再利用已有的盲源分离算法进行分离.仿真实验说明该方法可以抑制宽频及瞬态干扰,有效地提取源信号,而且对频带有...     

调制故障源信号盲分离的经验模态分解法

针对非线性、非稳态、含噪原始信号混合且混合信号数目小于源信号数目的旋转机械调制故障源信号盲分离问题，提出了一种基于经验模态分解(EMD)和主成分分析(PCA)相结合的方法.对混合信号进行经验模态分解提取嵌入在信号中的所有振荡模式，应用主成分分析方法对所提取的模式进行共性分析，得到模式中的主要成分.利用该方法对仿真数据和两通道滚动轴承加速度振动数据进行了分析，结果表明，该方法能够有效突出旋转机械的故障特征频率成分，避免了误诊断，且适用范围优于独立分量分析方法.     

AWGN信道中盲源分离的时频联合两步消噪预处理方案

针对加性高斯白噪声AWGN环境下盲源分离算法的性能随信噪比降低而大幅下降的难点问题,借助于经验模态分解和小波变换2种时频分析方法,并对其消噪性能进行优势互补,采用粗消噪-细消噪的两步化思想,提出一种应用于盲源分离的时频联合两步消噪预处理方案.仿真试验与其他算法进行对比,证明了新的噪声预处理方案可以更有效地降低观测信号中的加性噪声,使盲源分离算法工作在更宽的信噪比范围内提高算法的鲁棒性,并说明了算法对通信信号具有数据延拓的必要性.     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation,BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量...     

基于EEPS-BSS算法的脑深部诱发电位提取

脑深部诱发电位对探究神经刺激器治疗疾病的工作机理起着重要作用.为解决临床治疗中采集电极数少于源信号数而产生的欠定盲源分离问题,提出了一种在欠定情况下不需利用先验知识的改进盲源分离法.针对单路脑深部诱发电位的提取,仅利用经验模态分解对观测信号进行分层处理,以一定的规则重构信号来扩展观测信号数目,进而进行分离.仿真与实测数据表明:该方法能实现从低信噪比的单路信号中有效提取微弱诱发电位,分离后各输出信号间的互相关系数较分离前大幅下降,从而证实了该算法提取诱发电位的有效性.     

基于经验模态分解的旋转机械故障信号去噪源分离

针对旋转机械故障诊断中信号源不足的问题,综合经验模态分解(EMD)、主成量分析(PCA)和去噪源分离(DSS)各自的优点,提出一种基于EMD和PCA的欠定去噪源分离方法(EMD-PCA-DSS)。首先通过EMD求出本征模函数(IMF),进而重组IMF分量和原观测信号作为新的观测信号,解决了盲源分离(BSS)中源信号数据不足的问题。然后,通过PCA估计观测信号的源数,利用DSS估计出源信号。将该方法应用于某转子的实测故障信号分析中,诊断出转子发生了不平衡故障,表明该方法在旋转机械故障诊断中的有效性,这对于机械设备的状态监测和故障诊断具有重要的工程意义。     

基于摄像测量法的在轨柔性结构模态参数辨识

针对在轨传感器布置困难的问题,提出一种利用数字摄像测量技术对在轨大型柔性结构进行模态参数辨识的方法。阐述了三维动态重构技术、相机标定算法和像素点特征提取算法原理。利用一类柔性星载天线模型进行了地面试验,采用高速数字摄像机记录模型的自由振动响应过程,并从采集的图像序列中提取给定测点的位移振动数据,通过特征系统实现法（ ERA）辨识星载天线模型的前5阶固有频率、阻尼比等模态参数。结果表明,数字摄像测量方法可以在满足在轨测试设备简单要求的同时,有效地辨识柔性天线的在轨模态参数。     

一种基于AR模型的非线性盲源提取方法及其应用

针对非线性盲源分离中非线性问题转化为线性问题,提出了一种基于AR模型的新方法。该方法在已知源信号的AR模型前提下,不但能够处理源信号的分离问题,还能够提取特定源信号,而后者是原来方法不具备的。从语音信号的非线性混合中提取源信号的仿真实验证实了该算法的有效性。     

基于VMD-PARAFAC的轴承故障欠定盲源分离

针对传统的轴承故障欠定盲源分离方法需要施加约束的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和平行因子(parallel factor,PARAFAC)分析的欠定盲源分离方法.利用VMD算法将振动信号分解为多个带限本征模态函数(band-limited int...     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

陀螺随机误差补偿中一种改进混合降噪法

为降低微机电系统陀螺测量数据中的随机误差,针对当载体运动状态突然改变导致陀螺传感器数据发生阶跃变化的情况,提出了一种改进的自适应噪声完备经验模态分解-前向线性预测滤波(CEEMDAN-FLP)的混合降噪方法。改进算法首先对于低阶噪声本征模态函数采用软阈值滤波,避免了常规方法将噪声本征模态函数直接去除引起高频信号丢失的问题,同时对混合本征模态函数采用前向线性预测滤波,避免阈值提升引起的过度滤波问题;最后对滤波结果与信号本征模态函数进行数据重构。通过仿真验证,表明改进算法滤波结果的均方根误差与滤波前相比减小了约51.53%,与经验模态分解滤波算法相比减小了约17.39%;通过实测数据验证,表明改进算法滤波后的陀螺数据与基于CEEMDAN的算法滤波后的陀螺数据分别用于姿态解算,在不明显增加运算负担的同时,改进算法姿态累积误差仅约是CEEMDAN算法姿态累积误差的20.56%。可见,改进算法可以有效地提高传感器的测量精度。     

基于EEMD-SVD-PE的轨道波磨趋势项提取

钢轨波磨检测是保障行车安全的重要手段,针对复杂钢轨线路波磨数据中的轨道起伏趋势提取问题,提出了一种基于排列组合熵(Permutation Entropy, PE)选取低复杂度奇异值分量重构趋势的EEMD-SVD信号去趋方法.相比已有的经验模式分解去趋算法,该方法考虑到原始IMF可能存在的信号成分混杂问题(如含有白噪声与信号的低频成分),首次提出通过奇异值分解来精确提取隐藏在多维IMF矩阵中的趋势项成分作为奇异值分量.由于协方差矩阵构建的奇异值分量排列时只考虑了能量的分布而未考虑趋势项信号低复杂度、高幅的特点,使用排列组合熵来选出符合趋势项特征的奇异值分量,最后对满足要求的奇异值分量进行重建得到最终的趋势项.为验证本文方法的有效性,分别进行了数字仿真和实际钢轨波磨数据去趋实验.数字仿真实验结果表明该方法整体去趋性能优于低通滤波法、与EMD结合的线性规划法和小波分解法,尤其在多信噪比的仿真实验中,当信噪比较低时,提趋准确率最大提高约30%.同时,实际钢轨波磨数据去趋实验说明本文方法能够适用于钢轨波磨检测.     

基于EEMD和ICA方法的驾驶室内噪声源时频分析

为有效控制工程机械驾驶室内噪声,利用集合经验模态分解(ensemble empirical mode decomposition, EEMD)后的本征模函数作为稳定独立成分分析(independent component analysis, ICA)算法中的多个虚拟通道,提出了基于EEMD和ICA相结合的驾驶室内噪声盲源分离方法。通过分析仿真信号验证了EEMD-ICA方法研究复杂非平稳信号可行。结合相干分析、时频分析方法研究推土机驾驶室内噪声特性。结果表明,柴油机的1／2阶、1阶转动频率是驾驶室内相关零部件的振动辐射噪声的主要激励来源,柴油机的燃烧噪声也是室内噪声的来源。通过相干分析与时频分析相结合的技术可较准确实现噪声源定位,结合测试对象的相关常识可实现对噪声类型判别、噪声传入途径等复杂的问题进行研究,为进一步实现驾驶室内噪声治理、故障诊断,提供经济实用的分析手段。     

基于二次分解的风机齿轮箱油温预测模型

齿轮箱作为风机的重要部件,其故障占风电机组停机故障的80%。风机齿轮箱油温预测研究是为了实现风电机组齿轮箱状态的实时检测,提高其故障预测准确度可有效减少维修费用,提高风机系统运行可靠性。风电机组的监控与采集系统的众多参数具有高维度、非线性等特性。为解决上述问题,提出了一种基于二次分解、样本熵计算、序列重构和LSTM预测相结合的方法,首先利用EEMD对原始油温度数据进行预处理,得到多个子序列。然后计算各个子序列的样本熵,将样本熵最高的子序列用VMD进行二次分解。最后,利用LSTM对分解后的序列进行预测,得到最终的预测结果。通过对比不同分解方法、不同预测模型的预测结果与真实值之间的误差,证明了所提出分解方法与模型预测结果的可靠性。     

基于EEMD-JADE的桥梁挠度监测中温度效应的分离

针对桥梁挠度各成分的分离问题,提出一种基于EEMD-JADE的单通道盲源分离算法。首先,利用传统的集合经验模态分解法（Ensemble Empirical Mode Decomposition,EEMD）将单通道的桥梁挠度信号分解为一系列线性平稳的本征模函数（Intrinsic Mode Function,IMF）;然后,采用基于能量熵增量的判别法识别并剔除虚假的IMF分量,将能量熵增量较大的IMF分量组成盲源分离模型的输入信号;最后,采用矩阵联合近似对角化（Joint Approximate Diagonalization of Eigen-matrices,JADE）算法对输入信号进行盲源分离。JADE算法在源信号频率差异较小且频率有所混叠的状况下也能较好地分离出源信号,但要求观测信号数必须大于等于源信号数目;EEMD具有良好的自适应性,能够将单通道的混合信号进行多尺度分解,形成多通道信号,但分解结果存在端点效应与模态混叠。JADE算法能够解决EEMD分解结果存在的端点效应与模态混叠问题,且EEMD也解决了JADE分离算法的先决条件。两种算法优势互补,能够较好地分离出各挠度组分。通过有限元软件Midas/civil建立了背景桥梁模型,经仿真分析得到了各单项因素作用下的桥梁结构响应,并将其叠加在一起作为待分离的混合挠度信号。仿真信号分离的结果与源信号的相关系数均在0.98以上,说明分离效果较好。最后,采集实测挠度信号进行分离,处于对称位置测点分离出的各挠度组分的相关系数均在0.9以上,证明了该算法的适用性。     

基于改进的多时间尺度特征排列熵的 心率变异性分析研究

为了分析不同生理状态下人体心率变异性的差异性,并弥补传统心率变异性分析方法时间尺度特征单一的不足,本文结合了互补式集合平均经验模态分解和改进的排列熵算法对心率变异时间序列进行了具有多时间尺度特征的排列熵分析,并计算得到反映心率变异显著差异性的指标CEEMD-mPE.最后基于MIT-BIH心率失常数据库的实验结果分析表明,本文所使用的心率变异性分析方法相比于其他基于熵的分析方法具有更优异的表现.