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。     

添加自适应高频谐波的改进经验模态分解算法

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法,减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理,自动提取出原始信号中包含的最高频率分量,并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD算法,可有效减少EMD算法中频谱混叠现象,同时解决了高频谐波添加中频率难以确定的问题。     

基于核主成分分析的EMD去噪算法

本文以超声回波信号去噪为目的,研究了基于经验模态分解（EMD）分解的去噪方法。分解过程中固有模态函数（IMF）信号与噪声混叠,还会产生虚假分量,提出了基于核主成分分析（KPCA）的经验模态分解算法。首先对原信号进行经验模态分解得IMF分量;然后对信号进行KPCA变换,将各分量获得的贡献率与阈值比较,最终以去除分量中夹杂的噪声。为证明本文方法的有效性,还给出了仿真实验的仿真结果。     

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.     

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EEMD的信号处理方法分析和实现

Hilbert—Huang变换是一种具有良好自适应性,能够对非线性非平稳的信号进行分析的时频分析方法。而经验模式分解是HHT的核心部分。针对传统EMD分解带来的模态混叠问题,介绍了引入白噪声辅助分析方法的改进型算法EEMD并且通过Matlab平台进行了信号仿真系统设计和实验,验证了EEMD方法的抗混分解能力。     

基于自适应多尺度形态滤波与EMD的激光雷达回波信号去噪方法

在使用经验模式分解(Empirical Mode Decomposition,EMD)对激光雷达回波信号进行去噪处理时,由于信号含有脉冲及间歇等间断事件而产生模态混叠,导致不能很好地分解出有用信号成分,影响去噪效果。针对这一问题,提出了一种形态滤波与EMD相结合的组合算法。首先,使用自适应多尺度形态滤波器作为前置单元,对信号进行初步处理,剔除信号中的间断事件干扰。之后,应用EMD对处理过的信号去噪。采用仿真数据及真实激光雷达回波数据进行了去噪实验。实验结果表明,文中算法相比于直接EMD去噪,在仿真试验中信噪比提高了8.89 dB,均方根误差降低了0.0514;在真实回波数据去噪实验中,6 km以后平均信噪比提高了3.356 4 dB。该组合算法有效地抑制了模态混叠现象,具有良好的去噪效果及应用前景。     

基于主成分分析的经验模态分解消噪方法

 针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.     

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。     

基于CM-OMEMD和小波散射网络的语音情感识别

语音情感识别（Speech Emotion Recognition,SER）是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于改进的经验模态分解方法（Empirical Mode Decomposition,EMD）和小波散射网络（Wavelet Scattering Network,WSN）的语音情感识别方法。首先,针对用于语音信号时频分析的EMD及其改进算法中存在的模态混叠问题（Mode Mixing）和噪声残余问题,提出了基于常数Q变换（Constant-Q Transform,CQT）和海洋捕食者算法（Marine Predator Algorithm,MPA）的优化掩模经验模态分解方法（Optimized Masking EMD based on CQT and MPA,CM-OMEMD）。采用CM-OMEMD算法对情感语音信号进行分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,并从IMFs中提取了可以表征情感的时频特征作为第一个特征集。然后采用WSN提取了具有平移不变性和形变稳定性的散射系数特征作为第二个特征集。最后将两个特征集进行融合,采用支持向量机（Support Vector Machine,SVM）分类器进行分类。通过在含有七种情感状态的TESS数据集中的对比实验,证明了本文提出的系统的有效性。其中CM-OMEMD减小了模态混叠,提升了对情感语音信号时频分析的准确性,同时提出的SER系统显著提高了情绪识别的性能。      

Method for eliminating mode mixing of empirical mode decomposition based on the revised blind source separation

Since mode mixing of empirical mode decomposition (EMD) is mainly caused by the intermittence and noise, we propose a novel method to eliminate mode mixing of EMD based on the revised blind source separation. To this aim, an optimal morphological filter is employed to eliminate the noise. As a result, the component of mode mixing caused by noise is suppressed. Furthermore, the de-noised signal is decomposed into different intrinsic mode function (IMF) components through the EMD algorithm. Since it is impossible to apply blind source separation to a single channel signal directly, the IMF component, which has mode mixing is chosen and reconstructed in the phase space. Following that, the equivalent hypothetical signals are obtained. Finally, an improved fixed-point algorithm based on independent component analysis (ICA) is introduced to separate the overlapping components. The analysis of simulation and practical application demonstrates that our proposed method can effectively tackle the mode mixing problem of EMD.     

Gaussian Noise Filtering from ECG by Wiener Filter and Ensemble Empirical Mode Decomposition

Empirical mode decomposition (EMD) is a powerful algorithm that decomposes signals as a set of intrinsic mode function (IMF) based on the signal complexity. In this study, partial reconstruction of IMF acting as a filter was used for noise reduction in ECG. An improved algorithm, ensemble EMD (EEMD), was used for the first time to improve the noise-filtering performance, based on the mode-mixing reduction between near IMF scales. Both standard ECG templates derived from simulator and Arrhythmia ECG database were used as ECG signal, while Gaussian white noise was used as noise source. Mean square error (MSE) between the reconstructed ECG and original ECG was used as the filter performance indicator. FIR Wiener filter was also used to compare the filtering performance with EEMD. Experimental result showed that EEMD had better noise-filtering performance than EMD and FIR Wiener filter. The average MSE ratios of EEMD to EMD and FIR Wiener filter were 0.71 and 0.61, respectively. Thus, this study investigated an ECG noise-filtering procedure based on EEMD. Also, the optimal added noise power and trial number for EEMD was also examined.     

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。     

基于有理四次Hermite插值和PSO的EMD包络线拟合算法

针对经典三次样条插值在EMD分解中存在undershoot现象,模态混叠问题及分段三次Hermite插值不够灵活等问题,提出一种基于有理四次Hermite插值和PSO的EMD包络线算法.该算法利用有理四次Hermite中的形状参数调整曲线形状,并采用粒子群优化算法从曲线簇中找到最优平滑包络线.通过仿真信号实验和非平稳信号实验,表明该方法能够有效克服传统方法带来的undershoot问题,改善模态混叠效应,同时分解后的IMF分量正交性和能量保存度指标亦均优于经典CSI方法和PCHI方法.     

总体经验模态细分法提取血流超声多普勒信号的研究

提出基于总体经验模态分解（EEMD）血流细分法提高血流超声多普勒信号提取精度.首先估计辅助分析所需的白噪声幅度,进而用EEMD得到无模态混叠的本征模态函数（IMF）组,最后分离出血流信号的IMF.将本方法应用于计算机仿真和人体实测超声多普勒信号,并与高通滤波器法、原EMD法和EMD细分法比较.结果表明本文方法,提取的血流信号精度最高,特别对WBSR=70dB的混合信号,其精度比上述方法分别提高35%、38%及17%.     

稀疏时频表示的初始相位估计方法

经验模态分解是处理非平稳信号的常用方法之一。在本征模态函数与稀疏优化相结合的表示框架中,基于聚合经验模态分解的思想,本文提出了一种初始相位估计的方法。该方法首先通过噪声辅助的分解算法自适应地消除部分噪声,再用标准算子方法得到剩余分量的相位估计值。理论分析和仿真实验均表明该算法能够降低已有的相位估计算法对噪声的敏感程度,改善了信号稀疏时频表示方法的表示效果。      

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。