基于BEEMD分解的红外与可见光图像融合

针对二维经验模态分解（BEMD）算法在图像分解过程中存在模态混叠,提出了一种基于二维集合经验模态分解（Bi-dimensional Ensemble Empirical Mode Decomposition,BEEMD）算法的红外与可见光图像融合方法。为了抑制分解过程中存在的模态混叠现象,获得准确的特征分量和残差分量,使用BEEMD算法对图像进行分解。对获得的特征分量采用局部区域能量选择与加权的融合策略进行融合,而残差分量采用模糊逻辑进行融合。将融合后的特征分量和残差分量叠加得到最后的融合图像。实验结果表明,该方法能够很大程度上保留可见光图像的背景信息,同时突出红外图像的目标,具有较好的可视性,而且在平均梯度（AG）、标准差（SD）、信息熵（IE）等客观评价指标方面,也有明显的优势。     

基于局部积分均值的经验模态分解改进算法

端点效应和模态混叠现象是经验模态分解算法应用中存在的主要问题。在介绍标准经验模态分解算法的基础上,阐述了基于局部积分均值经验模态分解算法的基本原理,提出自适应的端点局部积分均值拟合线的拟合方法。改进算法通过距离相关度函数在待分解信号内部寻找与端点处信号变化趋势相关度最高的一段波形,并用此段波形的局部积分均值拟合线来重新刻画端点处的局部积分均值拟合线,将修正后的局部积分均值拟合线应用于EMD算法筛选过程中。仿真实验结果表明,改进算法有效抑制了模态混叠和端点效应现象,提高了分解的精度和可靠性。     

一种改进的经验模态分解方法

针对经验模态分解中存在的端点效应及模态混叠现象,提出一种新的改进方法。利用镜像延拓方法对信号两端数据进行延拓后,结合余弦窗函数以解决端点效应对分解结果的影响,再利用高频谐波法结合掩膜信号法抑制EMD分解过程中存在的模态混叠。通过实验对比验证了该方法的有效可行性。     

基于高阶导数改进的经验模态分解算法

经验模态分解(Empirical mode decomposition,EMD)自提出以来已广泛用于信号检测与处理,但其存在很多的缺陷,如频率混叠现象等.为了减轻混叠现象,提取真实的频率成分,本文分析了信号及其一阶导数和二阶导数的关系,作出一种用信号二阶导数的极值点处的信号值取代原EMD算法中的信号极值点进行三次样条插值的方法,其余计算流程不变,仍采用镜像拓延法改善端点效应.仿真结果与原EMD计算结果对比表明,基于信号二阶导数改进的算法能准确分解出信号中幅值分量表现不明显的高频信号,具有实用价值.     

一种改进的二维局部均值分解算法

针对二维局部均值分解(BLMD)对图像进行多尺度分解时,计算过程费时,模态混叠现象严重的问题,提出一种快速自适应二维局部均值分解算法(FABLMD)。算法首先通过图像极值点信息计算顺序统计滤波器(OSF)窗口大小;然后利用OSF求图像上下包络曲面,进而得到包络估计函数和局部均值函数;最后在新的筛分终止条件下经过有限次迭代,快速将图像分解成一系列尺度不同的分量图像。仿真结果表明,改进算法计算速度更快,模态混叠现象得到有效抑制,对图像中不同频率成分的分解能力和效率都要优于BLMD。     

基于CEEMD阈值和相关系数原理的MEMS陀螺信号去噪方法

针对经验模态分解（EMD）方法易产生模态混叠问题,而集成经验模态分解（EEMD）方法又存在重构误差较大的缺陷,提出了一种基于完备集成经验模态分解（CEEMD）阈值滤波和相关系数原理的MEMS陀螺信号去噪方法。首先通过CEEMD方法对陀螺信号进行有效完备的分解,并利用相关系数原理合理确定分解后噪声分量与有效分量的界限。在此基础上,通过借鉴小波阈值处理方式和EMD阈值设置方法,对信号进行阈值滤波去噪。对仿真信号和实际MEMS陀螺信号的研究结果表明,CEEMD阈值去噪方法的去噪效果要优于CEEMD、EEMD、EMD强制去噪方法和小波分析方法。这也充分体现了其在MEMS陀螺信号去噪应用中的可行性和有效性。     

基于CEEMD-VMD-SIST算法的sEMG信号降噪方法

针对基于表面肌电信号(sEMG)的手势识别中,由于传统降噪算法对sEMG信号高频部分分解不当或存在频率混叠现象使得对含噪sEMG信号降噪效果不佳而导致手势识别精度大大降低的问题,提出使用基于互补集合经验模态分解(CEEMD)与变分模态分解(VMD)组合的滑动区间软阈值(SIST)降噪算法(CEEMD-VMD-SIST)对含噪sEMG信号进行降噪处理;使用CEEMD将含噪信号分解为从高频到低频的多个不同本征模态函数(IMF),根据自相关系数客观界定后续降噪模态分量范围,对选中的模态分量采用VMD的SIST方法进行分解降噪并与部分剩余模态分量进行重构;从实验结果中可以看出,在不同信噪比下,所提算法的降噪性能与传统降噪方法相比,信噪比与均方根误差均有明显改善,可以更大程度上保留信号的有用信息,即所提算法的降噪性能更佳。     

交联电缆局部放电检测研究

为了提取局部放电信号特征,将集合经验模态分解方法用于交联电缆局部放电信号分析中,提出了一种用于处理局部放电数据的自适应阈值算法。首先利用集合经验模态分解方法将含有噪声的局部放电信号分解成一些相互独立的模态函数分量,然后对所得的模态函数分量进行自适应阈值处理与重构,从而抑制噪声干扰。该算法克服了经验模态分解方法易产生的模态混叠问题,仿真和实测数据验证了其正确性及可行性。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于经验模态分解的单通道盲源分离算法

为了提高单通道盲源分离性能,首先由单路信号利用经验模态分解得到一系列本征模函数分量组合成多路信号;其次针对存在模态混叠的本征模函数分量,提出利用信号周期性构造其多路信号、并利用独立分量分析消除模态混叠的有效方法;然后利用互相关性消除上述所得到的多路信号中的虚假分量,并将剩余的分量信号与观测信号构成新的多路信号;最后利用Fast-ICA(fast-independent component analysis)算法分离得到源信号。仿真实验表明该算法能够有效分离源信号,分离性能优于目前已有的基于经验模态分解的单通道盲源分离算法。     

基于HHT倒谱系数的说话人识别算法

针对LPCC只反应语音静态特征且不能突出其低频局部特征问题,提出一种以HHT倒谱系数为特征的说话人识别算法,HHT的经验模态分解使语音的低频局部特征得到更好的描述,Hilbert变换能够刻画语音动态特性,改进了LPCC的不足。用经验模态分解将语音分解为一系列固有模态函数分量并做Hilbert变换求得Hilbert边际谱,计算总边际谱的对数功率谱并做DCT得13维倒谱系数,将此特征送入高斯混合模型进行说话人识别。仿真实验结果表明,基于HHT倒谱系数的说话人识别算法,相较LPCC识别率提高了12.59%,但特征提取时间增加了19.27 s。     

基于EMD和互信息熵的微震信号自适应去噪

针对强干扰背景下的微震信号提取,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）和互信息熵的自适应提取算法。通过EMD对微震信号进行分解,得到高频和低频两部分信号,并对分解得到的各阶固有模态分量求出能量和能量熵值。根据互信息准则,通过依次计算相邻分量能量熵之间的互信息值来区分高频和低频信号。将经过自适应阈值滤波后的高频信号和低频信号一起进行信号重构,得到新的微震信号。仿真结果表明,在对微震信号去噪时,该方法可以有效地去除噪声信号,信噪比均提升了10 dB以上。工程上的微震信号通过该方法处理后,也取得了较好的效果。     

基于经验模态分解与差分包络谱的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合经验模态分解与纯调频信号差分包络谱,对齿轮故障诊断提出了一种新方法;首先,对齿轮振动信号进行经验模态分解得到多个不同分量;其次,根据峭度最大分量及其相邻分量的峭度值情况,合成有效分量;然后,运用经验调幅-调频分解得到纯调频信号;接着,将纯调频信号应用经验调幅-调频分解及傅里叶变换得到纯调频信号差分包络谱;最后,观察分析纯调频信号的差分包络谱进行故障诊断;利用该方法对断齿齿轮的振动信号进行分析,验证了方法的有效性。     

基于自适应阈值的心音分段方法仿真研究

针对心音信号频率低、易受干扰并含有大量杂音的特点,提出了一种心音分段新方法。首先,采用dB6小波进行5层小波分解做心音信号降噪处理;然后,采用了一种提取降噪后心音信号连续平均能量包络的方法;最后,根据连续平均能量包络及自相关函数提出了一种自适应阈值心音分段方法。仿真结果表明,该方法所提取的心音信号包络特征更稳健,提出的分段算法与基于短时能熵比法和短时自相关函数法等心音分段算法相比,本文所提算法分段准确度更高。     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

基于EEMD和二代小波变换的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。     

基于信号经验模态分解与分集合并的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合信号经验模态分解与分集合并,提出了一种新的故障诊断方法;首先,运用经验模态分解对齿轮振动信号进行分解得到若干个分量;其次,根据分量的峭度大小以及相邻分量的峭度是否接近,筛选、合成有效分量;然后,运用等增益分集合并技术对有效分量进行合并,即将其包络进行叠加;接着,使用快速傅立叶变换得到信号包络和的频率谱;最后,根据该频率谱进行故障诊断;通过对仿真信号和齿轮断齿故障振动信号的分析,验证了方法的有效性.     

基于多元经验模式分解的SSVEP目标识别研究

在脑-机接口(BCI)系统中,对稳态视觉诱发电位(SSVEP)的准确识别在生物医学等领域是至关重要的,而各种伪迹影响了识别准确率.提出一种基于多元经验模式分解的多元同步指数法(MEMD-MSI),首先用白噪声辅助的多元经验模式分解(MEMD)对原信号进行分解,各通道提取出前6个本征模式函数(IMF)分量,提出通过网格搜...     

A new optimum feature extraction and classification method for speaker recognition: GWPNN

Speech and speaker recognition is an important topic to be performed by a computer system. In this paper, an expert speaker recognition system based on optimum wavelet packet entropy is proposed for speaker recognition by using real speech/voice signal. This study contains both the combination of the new feature extraction and classification approach by using optimum wavelet packet entropy parameter values. These optimum wavelet packet entropy values are obtained from measured real English language speech/voice signal waveforms using speech experimental set. A genetic-wavelet packet-neural network (GWPNN) model is developed in this study. GWPNN includes three layers which are genetic algorithm, wavelet packet and multi-layer perception. The genetic algorithm layer of GWPNN is used for selecting the feature extraction method and obtaining the optimum wavelet entropy parameter values. In this study, one of the four different feature extraction methods is selected by using genetic algorithm. Alternative feature extraction methods are wavelet packet decomposition, wavelet packet decomposition – short-time Fourier transform, wavelet packet decomposition – Born–Jordan time–frequency representation, wavelet packet decomposition – Choi–Williams time–frequency representation. The wavelet packet layer is used for optimum feature extraction in the time–frequency domain and is composed of wavelet packet decomposition and wavelet packet entropies. The multi-layer perceptron of GWPNN, which is a feed-forward neural network, is used for evaluating the fitness function of the genetic algorithm and for classification speakers. The performance of the developed system has been evaluated by using noisy English speech/voice signals. The test results showed that this system was effective in detecting real speech signals. The correct classification rate was about 85% for speaker classification.     

基于改进小波阈值-CEEMDAN算法的ECG信号去噪研究

Electrocardiogram (ECG) signal denoising has always been a hot research issue. In order to eliminate the noises in ECG signal, a denoising method based on adaptive complete set empirical mode decomposition (CEEMDAN) and wavelet improved threshold function is proposed. Firstly, this method firstly decomposes the ECG signal by CEEMDAN to obtain a set of intrinsic modal functions (IMFs) from high frequency to low frequency. CEEMDAN decomposition is performed on ECG signal to yield several modal components (IMF). Secondly, the correlation coefficient method is used to perform wavelet denoising with improved threshold on the high frequency IMFs. For the low frequency IMFs, by setting a fixed threshold, the IMFs below the threshold is considered to be the baseline drift signal and removed. Finally, the denoised IMFs and the retained IMFs are reconstructed. The experimental results show that the proposed method is more effective than the empirical mode decomposition (EMD) wavelet denoising, and the global average empirical mode decomposition (EEMD) wavelet denoising method.