EEMD的非平稳信号降噪及其故障诊断应用

针对往复机械振动信号的瞬时非线性、非平稳特性,提出一种基于总体平均经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）与过零率分析相结合的自适应降噪方法,并与能量矩、支持向量机（Support Vector Machine,SVM）结合应用于故障诊断。利用EEMD对非平稳振动信号进行自适应的分解,有效抑制经典经验模式分解的可能出现的模式混叠现象,再以所得的各固有模式分量（Intrinsic Mode Function,IMF）的过零率作为噪声评判准则,重构过零率阈值范围内的非噪声分量以实现信号降噪。另外,计算非噪声分量的能量矩作为故障特征提输入二叉树支持向量机实现的柴油机故障诊断验证了该方法有效性。     

一种新的故障检测与诊断方法及其应用研究

给出了在故障检测与诊断中采用经验模式分解与希尔伯特变换相结合的方法。经验模式分解不同于小波变换、KL变换、奇异值分解(SVD)等信号分解方法,它把数据序列分解为能够表示数据中嵌入的不同振荡的本征模式函数。首先介绍方法的原理与特点,然后将该方法用于齿轮故障的探测与诊断,结果显示,这种方法能准确识别出裂缝故障的特征频率。     

一种新的瞬时频率估计方法及其应用

将一种新的瞬时频率估计方法一基于经验模式分解(Empirical Mode Decompositi on,简称EMD)的信号瞬时频率分析方法,应用于电力系统的信号分析中.它是通过EMD方法提取非平稳信号的本征模态函数(Intrinsic Mode Function,简称IMF),再进行Hilbert变换即可得到各信号分量的瞬时频率,对其进行分析即可检测到信号发生故障和扰动的准确时刻.此方法从根本上摆脱了傅立叶分析的局限性,通过仿真,验证了此方法的有效性.     

一种基于偏微分方程的车辆加速度信号自适应降噪方法

提出一种针对MEMS加速度计信号的基于偏微分方程的自适应降噪方法,该方法不仅能有效克服由于传感器本身原因及车载环境振动噪声带来的影响,获得准确的加速度信号,而且实现容易、实时性好.通过对车辆加速度信号进行建模并叠加真实加速度噪声作为仿真信号,将该方法与选用db6小波基、heursure自适应阈值、4层分解的最佳小波进行降噪性能对比,证明在车辆正常行驶的加速度幅值下,该方法不仅能够取得和小波近似的降噪性能,而且很大程度上减少了运算时间.最后通过对实际车载加速度信号的降噪处理和倾角测量中的应用,再次证明该方法在滤除噪声的同时能够较好体现细节信息,很适合应用在对实时性和准确性要求高的实际工程中.     

一种能量自适应的降噪阈值函数

为探讨非平稳信号降噪的有效算法,基于Donoho阈值降噪思路,提出了一种能量自适应的降嗓阈值函数,仿真实验结果显示,其效果优于Donoho软硬阈值降噪和竹里叶频谱分析降噪的效果,探讨了四种常用的小波降噪的效果,同时也研究了能量自适应函数中的常数M对降噪效果的影响,结果说明,不同的小波降噪,存在一M值,降噪效果最好.     

一种基于小波变换的加速度传感器信号降噪方法

为了提高加速度传感器比较法冲击激励校准处理时频率响应函数估计精度,构建了一种通过小波变换方式来实现对加速度传感器进行信号降噪的高效方法,对相同激励对应的参考与加速度传感器产生的响应信号依次通过小波变换进行处理,通过此阈值实施降噪,最终达到显著降噪的作用。仿真结果得到:与采用小波变换方法进行阈值降噪的过程相比,本文处理方式能够显著提高SNR,显著优化降噪效果,可以达到比小波变换阈值降噪效果更高的信号响应控制精度。采用本文方法可以显著消除加速度传感器进行信号输出时形成的噪声,对加速度传感器输出信号降噪处理后可以使RMSEH明显减小并获得更高平滑度。     

捣固车磁力信号峰值降噪整形检测方法研究

为了准确描述捣固车磁力传感器信号中道钉峰值信号和鱼尾板峰值信号,针对Smoothed z-score算法进行研究,采用该算法进行峰值信号整形检测,由于信号中含有噪声干扰,首先利用零相位数字滤波方法降噪,然后进行整形检测,接着引入逼近度、相关度和目标评价函数来评判降噪整形检测性能。实验中采用一组实测磁力传感信号评测该算法,与SZ-S、SSS-Z (单边和双边)方法相比,该方法的目标函数高达0.559190。结果表明,提出方法在降噪整形检测效果上优于传统方法。     

一种语音信号端点检测方法的研究

在语音识别系统中,端点检测的误差会降低系统的识别率,进行有效准确的端点检测是语音识别的重要步骤。因此端点检测逐渐成为语音信号处理中的一个热点。本文提出了一种基于模型的Teager能量端点检测方法。实验证明,该算法比传统的能量过零率端点检测算法具有更高的识别率,能够更准确的检测出语音信号的端点。     

经验模式分解及其应用研究

经验模式分解（Empirical Mode Decomposition,EMD）是一种完全由数据驱动的自适应非线性时变信号分解方法,它将数据分解成具有物理意义的几个内蕴模式函数分量。介绍了一维EMD、二维EMD的基本概念、主要算法及其主要应用,指出了EMD的主要优点和缺点,给出了EMD研究与应用的发展趋势。     

基于BEMD与自适应维纳滤波的图像降噪

自适应维纳滤波器是一种经典的线性降噪滤波器,较其他线性滤波器能够更好地解决边界模糊的问题。然而由于含噪图像的噪声主要集中于它的高频部分,而图像的低频部分所含有的噪声较高频部分则小很多。自适应维纳滤波算法对图像中所有频率成份都不加区分地进行滤波降噪处理,因而它不能得到更为令人满意的结果。提出了一种将二维经验模态分解和自适应维纳滤波相结合的图像去噪方法,通过将图像分解为不同频率成份的子图像并对各子图像采用不同的降噪处理,从而更好地对含噪图像进行降噪。实验结果表明,算法相对于自适应维纳滤波算法降噪效果更好。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

三维几何信号经验模式分解及其应用

针对三维几何信号非线性、非平稳的特点,提出基于经验模式分解的三维几何信号处理方法。将信号球面参数化,映射到平面,进行均匀规则采样。对平面信号进行限领域的经验模式分解,得到各个内蕴模式图层。从图层信号得到不规则的原始映射信号,逆映射回三维几何模型信号。将该方法用于几何模型的光顺及增强处理,实验结果表明,该方法能够有效处理三维几何信号。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

一种对汉语孤立字词进行声韵分割的时频方法

正确的声韵分离是汉语语音识别与合成等的基础和关键。针对传统声韵分割中,时域短时能量和过零率容易受到噪声干扰从而导致分割不准确的问题,结合语谱图所体现的时频信息对汉语孤立字进行了声韵分割,并进一步对信号进行经验模态分解和计算保号率,实现了一种对二字词的时频声韵分割方法。仿真实验结果显示,该方法对汉语孤立字和二字词的分割准确率分别达到了86.92%和77.47%。     

基于EMD和自适应提升小波分析的图像增强

针对经典和提升小波变换共同的缺陷,提出基于EMD和自适应提升小波分析的图像增强算法。对二维图像信息作EMD分解,提取出图像信息的IMF分量,对此IMF分量进行自适应提升小波分解并重构,得到增强图像。仿真及实验结果表明该方法具有有效性和实用性。     

基于归一化幅频系数的模态混叠解决方法

针对在经验模态分解的过程中由于间断信号造成的模态混叠问题,提出利用对信号作经验模态分解得到的第1个固有模态函数的瞬时频率和幅度定义归一化幅频系数,分离出间断信号。实验结果证明,该方法可以克服间断信号对后续经验模态分解的影响,将间断信号分离为一个固有模态函数。     

HHT在浅层地下震动信号分析中的应用

利用希尔伯特-黄变换(HHT)中经典模态分解(EMD)法,对浅层地下爆炸场采集的震动信号进行分解,得到满足一定条件的IMF分量,再对其进行希尔伯特变换,得到能量谱图,通过对波形和能量谱图的分析,实现对浅层爆炸场信号的分析及特征提取。     

一种基于EEMD域统计模型的话音激活检测算法

该文提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsic Mode Function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的 VAD算法,特别在噪声强度大时体现出明显的优势。