变模式分解在供水管道漏点定位中的应用研究

针对供水管道中泄漏声信号的非平稳特征,提出了一种基于变模式分解（Variational Mode Decomposition,VMD）的漏点定位方法。算法首先利用VMD将传感器所采集的两路泄漏声信号按预设尺度自适应地分解为若干个固有模态函数,而后根据各模态函数与原始信号的相关系数选择分量重构信号,并达到消噪的目的。通过对消噪后的信号作互相关实现时延估计,最终实现对漏点的定位。实验结果表明：VMD分解方法可以在保留泄漏声信号本质特征的前提下,消除噪声对信号的干扰。较传统的EMD方法而言,其定位精度更高。     

基于VDM和小波阈值的语音降噪方法研究

针对带噪声的语音信号,提出了基于变分模态分解（VMD）和小波阈值相结合的去噪方法。首先,采用VMD对带噪声道信号进行分解,从而得到分解后的固有模态（IMFs）信号;然后,引入T检验对各IMFs分量进行低频和高频区分,对其中的高频分量用小波阈值进行噪声滤除;最后,对将低频IMFs分量和滤波后的高频IMFs分量进行重构,从而得到降噪后的具有较高信噪比的语音信号。通过实验验证,本方法与EMD和小波阈值联合算法相比,具有更好的去噪性能,具有一定的实用价值。     

一种局部放电信号去噪的新方法

小波变换是在局部放电信号去噪过程中常用的方法,由于实际信号中噪声频带较宽,仅用小波变换去噪有可能带来波形畸变。文中将经验模态分解（Empircial Mode Decomposition,EMD）引入小波阈值去噪算法中,提出了一种基于EMD的小波阈值去噪算法,信号经EMD变换后被分解成若干个频率的本征模态函数（Intrinsic Mode Function,IMF）,再对各个频率的IMF分量进行小波阈值去噪。相比于普通的小波阈值去噪算法,该方法能取得更好的去噪效果。对仿真信号和实测信号的处理结果验证了该方法的有效性。     

基于VMD与SSA的OTDR信号去噪算法

为对光时域反射计(Optical Time Domain Reflectometer, OTDR)数据进行去噪处理,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)与奇异谱分析(Singular Spectrum Analysis, SSA)的去噪算法。首先,对OTDR数据进行VMD分解;然后根据相关系数准则判定有效分量,并采用SSA对与原信号相关系数较小的分量进行处理;再对所有分量求和,得到重构后的信号,从而实现数据信噪比的提高。经实验验证,该算法的去噪效果良好,容易实现,具有较大的实用价值。     

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.     

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。     

自适应信号处理算法对比分析

时频分析技术是处理非平稳信号的有效手段,非平稳信号的时频表示是人们研究的热点问题。针对此问题,人们提出了一系列的自适应信号处理方法,包括经验模态分解(Empirical Mode Decomposition,简称EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)、互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,简称CEEMD)、经验小波变换(Empirical Wavelet Transform,简称EWT)、变分模态分解(Variational Mode Decomposition,简称VMD)。阐述了它们算法的基本思想和研究成果,并通过实际信号的例子对不同算法进行了实验对比分析,指出了不同算法的优点和缺点,在对近期研究进展分析的基础上展望了自适应信号处理的发展方向。     

变分模态分解联合改进小波阈值函数的PPG降噪算法

针对PPG信号采集过程中存在大量混合噪声的问题,提出一种变分模态分解（VMD）改进小波阈值降噪的降噪算法。首先通过傅里叶变换得到脉搏波信号频域信息,确定分解个数和主频率;然后利用变分模态分解算法将含噪声的PPG信号分解为一系列固有模态分量,分解过后确定各分量的中心频率,并筛选有效固有模态分量;最后利用改进后的小波阈值函数对残余噪声进行降噪处理,避免了软阈值的恒定偏差,又保证了阈值函数的连续性,降噪后的信号与原始信号相关系数均值为0.934 7,比变分模态分解方法重构信号提升了7.1%。与其他降噪算法相比,信噪比分别提高了5.77 dB、5.38 dB、4.5 dB,均方根误差分别降低了26.1%、16.8%、7.4%。实验结果表明,通过理论计算、数值模拟和应用研究验证了所提方法的有效性和优越性,在滤波效果和信号保真度之间取得了很好的平衡。     

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%。     

CEEMDAN和小波包降噪算法在光纤光栅复用传感网络中的应用

针对被采样的超弱光纤光栅反射光谱中含有干扰噪声的问题,提出一种应用于大容量超弱传感网络的混合组网去噪算法.该算法将具有自适应噪声的完整集成经验模态分解(CEEMDAN)与小波包降噪算法相结合,通过小波包阈值去噪对测量信号进行处理后,将初步处理过的信号进行CEEMDAN;再将分解得到的本征模态函数(IMF)分量和残余分量...     

基于改进CEEMDAN在电能质量复合扰动去噪中的应用

为提高噪声环境下电能质量复合扰动识别精度，提出一种基于改进自适应噪声完备经验模态分解（CEEMDAN）去噪算法。首先通过CEEMDAN方法将含噪信号分解为若干本征模态函数（IMF）；然后将改进兰氏距离与多重分形去趋势波动分析（MFDFA）结合，把若干IMF分量分为信号IMF分量、噪声和信号混叠IMF分量、噪声IMF分量。对于混叠IMF分量、噪声IMF分量分别采用改进奇异谱分析（SSA）、小波阈值（WT）去噪；最后，将经去噪处理的IMF分量与信号IMF分量进行重构。实验表明：与对比算法相比，含噪扰动经新算法去噪后，信噪比显著提高，去噪效果良好。     

基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

基于VMD和排列熵的海缆振动信号降噪方法

为了有效去除信号中的噪声,提出了基于变分模态分解（VMD）和排列熵（PE）的海缆振动信号降噪方法。该方法首先使用VMD将信号分解成从高频到低频的数个本征模态函数,然后计算各模态分量的PE值定量表征其随机性程度。接着,对含噪声信息较多的本征模函数（IMF）分量进行小波阈值降噪,并通过信号重构得到降噪后的海缆振动信号。为了验证该方法的有效性,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,通过实验获得了冲刷、摩擦、锚砸3种工况下的海缆振动信号。实验结果表明：所提方法能有效去除海缆振动信号中的高频噪声,其冲刷、摩擦及锚砸3类信号的信噪比分别提升至30.257 8 d B、29.635 4 d B、38.786 2 d B,且标准差较低。     

基于集合经验模态的微弱激光脉冲信号自动去噪方法

由于微弱激光脉冲信号中存在噪声，需对其进行去噪处理，为此，提出基于集合经验模态的微弱激光脉冲信号自动去噪方法。首先建立微弱激光脉冲信号模型，模拟信号回波；其次采用集合经验模态分解方法分解微弱激光脉冲信号，并计算模态分量的排序熵，根据计算结果消除虚假分量；再采用基于峰度检测的加窗方法获取噪声与有效信号的分界点，确定噪声区域；最后引入小波滤波器在噪声区域内对微弱激光脉冲信号自动去噪。实验结果表明，所提方法的噪声检测精度高、去噪效果好、去噪效率高。     

一种基于CEEMDAN-改进小波阈值的OTDR信号去噪算法

为了解决光时域反射仪(optical time domain reflectometer,OTDR)中背向散射信号受 噪声干扰严重问题,本文提出了一种 基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN) 和改进小波阈值的OTDR信号去噪算法,利用CEEMDAN分解算法具有的抗模态 混叠现象和降低重构误差等优点,将信号分解为若干IMF分量,根据相关系数的分析方法, 找到噪声占主导的本征模态函数(intrinsic mode function,IMF)分量和信号占主导的IMF 分量的临界点,去除噪声占主导的IMF分量, 并将改进的小波阈值去噪方法对信号占主导的IMF分量进行去噪,最后重构信号。结果表明 , 本文提出的方法与传统的硬阈值方法、CEEMDAN-硬阈值方法和改进的小波阈值方法相比, 能 更好地抑制噪声,并达到更好的去噪效果,突显OTDR事件特征,更易于事件的检测。     

强噪声下非平稳时延目标信号提取

为实现强噪声背景下时延目标信号自提取,设计了相关检测模型,提出了基于目标数据段自截取和变分模态分解(Variational Mode Decomposition, VMD)算法的目标信号自适应定位和提取算法。首先,根据目标信号频域参数构建基准信号;然后,利用互相关检测技术并以峰值梯度为特征值确定目标信号时延参数;最后,利用预设参数自适应初始化的VMD算法对截取的数据段进行处理,并对分解的各分量进行自动筛选实现目标信号有效提取。不同算法的对比实验表明,自截取+VMD算法可有效实现强噪声下时延信号的定位提取,实时性基本满足实际应用需求。     

基于改进小波阈值去噪和CEEMDAN-HT融合的谐波检测技术

针对电网环境噪声导致自适应噪声的CEEMDAN谐波检测精度低的问题,文中提出了一种基于改进小波阈值去噪和CEEMDAN-HT融合的谐波检测技术。利用修正因子T_j自适应调整阈值,通过可调参数τ调节阈值函数软、硬特性,并将改进的小波阈值去噪方法应用于谐波信号的预处理。经预处理的信号再进行CEEMDAN分解,可有效抑制模态混叠束缚。运用相关度判据去除虚假分量,并利用Hilbert变换解调包含谐波特征的分量,准确提取其幅频信息。经MATLAB仿真可知,改进小波阈值去噪与CEEMDAN-HT的融合算法可将稳态谐波检测平均误差被控制在1%以下,暂态谐波检测平均误差被控制在2.1%以下,呈现出良好的抗噪性能。     

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.     

小波包分析结合VMD的气体泄漏信号降噪

针对气体泄漏声波信号降噪的问题,提出一种集合小波包分析(WPA)与变分模态分解(VMD)相结合的降噪方法。通过小波包变换对信号的噪声进行预处理;利用VMD对去除噪声的信号进行分解,得到所有的本征模函数(IMF)分量,并根据相关系数准则判断有效IMF;最后提取有效成分并进行信号重构。对本文方法进行验证,结果表明,本文方法能够有效剔除气体泄漏信号中包含的各种噪声,降噪后信噪比为15.485 1,均方根误差为0.028,为后续信号分析减少了干扰,也为气体泄漏声波信号的特征提取与分析提供了新的思路。     

基于EEMD-PE的ADS-B信号降噪研究

自动相关监视广播(Automatic Dependent Surveillance-Broadcast, ADS-B)信号在传输过程中经常受到复杂电磁环境、地面杂波等因素的干扰,给其后续的译码带来困难。结合排列熵(Permutation Entropy, PE)原理,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)的ADS-B信号降噪方法。利用EEMD将含噪ADS-B信号分解得到其各阶本征模态函数(Intrinsic Mode Function, IMF),计算各阶IMF的排列熵,通过排列熵的相对大小筛选出被噪声污染较高的IMF并将其剔除,利用剩余的IMF重构ADS-B信号,以达到降噪的目的。实验结果表明,该方法可以有效提高ADS-B信号的信噪比(Signal-to-Noise Ratio, SNR)。