基于三维地震数据的并行希尔伯特黄变换算法研究

为了对地震属性原始剖面中的细微构造特征或岩性界面进行较好的分辨和验证,一种改进的希尔伯特黄变换算法被采用.该方法首先对信号进行经验模态分解,对分解分量进行希尔伯特频谱分析.采用了最新的图形处理器(graphical processing unit,GPU)技术,将数据转换到GPU上进行并行处理,极大地提高了处理速度.实验结果表明,与基于CPU的方法相比,该方法计算速度提高了4倍左右.     

基音周期检测的希尔伯特-黄变换方法

根据语音信号非平稳非线性的时变特点,提出了一种基于希尔伯特-黄变换的基音周期检测法。该方法不需要对语音信号进行短时平稳假设,能自适应地对信号进行分解,具有很高的时频分辨率(不受Heisenberg不确定原理的制约)。利用短时能量对语音进行清浊音判断,再经过经验模态分解将信号分解为若干固有模态函数,然后对每个固有模态函数进行希尔伯特变换求其瞬时幅值与瞬时频率,根据基音特点对分解得到的固有模态函数加权求和突出基音周期信息,最后采用自相关平方法进行基音检测。实验表明,该方法较传统的基音检测法精度有所提高,且鲁棒性较好。     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

基于希尔伯特-黄变换的AEP去噪方法

在高刺激率模式下,采用去卷积方法提取暂态的听觉诱发电位存在噪声敏感的问题.为此,提出一种结合希尔伯特-黄变换(HHT)与总体相关的去噪方法.利用HHT方法提取有用信号,通过总体相关方法区分混叠在同—频率段的信号和噪声,获得相关性强的成分.实验结果表明,该方法能在不增加刺激个数的情况下,使得平均信号的信噪比提高约4倍,且...     

基于希尔伯特-黄变换的心音信号分析

人造心脏瓣膜心音信号是一种典型的非平稳随机信号,传统的傅里叶变换和小波分析的方法很难分析出其内在的特征,本文中采用希尔伯特-黄变换（HHT）将心音信号进行频谱分析,直观显示心音信号的频率分布,有助于对病人的心脏瓣膜进行监测,早期发现人工心脏瓣膜的病变。     

一种非线性非平稳自适应信号处理方法—希尔伯特-黄变换综述：发展与应用

非线性非平稳信号的分析、处理以及特征提取问题,一直是学术和工程界关注的热点问题之一。为突破传统数据分析方法受线性或者平稳性假设的限制,一种新颖的、高效的非线性、非平稳、自适应的数据分析方法——希尔伯特-黄变换（HHT）被提出。在这篇综述中,我们介绍HHT的基本思想和近期发展,总结起在工程领域中的应用情况,并且列举与之相关的数学问题。     

希尔伯特-黄变换端点效应抑制算法综述

希尔伯特-黄变换（Hilbert-Huangtransform,HHT）作为一种自适应的时频分析算法,是近十年来信号处理领域十分有效的新方法之一．但是,由于它来自于工程实际,目前尚无一套完整公认的数学理论基础,因此存在一些亟待解决的问题．其中,端点效应会导致HHT得不到原始信号真实的组分和瞬时信息,将严重阻碍HHT的广泛应用,本文以端点效应抑制算法为主线,对国内外有关研究现状进行综述．首先概述HHT的基本过程和关键技术,然后在分类研究各种端点效应抑制算法的基础上,对比分析各算法的基本原理、适用范围及优缺点,并提出一种基于灰色预测模型的边界延拓算法,最后探讨端点效应抑制算法未来的研究方向及其面临的挑战．     

希尔伯特-黄变换中的一种新包络线算法

先介绍希尔伯特一黄变换(Hilbert Huang transform,HHT)中的包络线算法,分析了两种具代表性的算法——三次样条插值法和Akima插值法存在的问题;然后在抛物线参数样条插值法原理的启发下证明了分段光滑定理,依据该定理并结合直观的几何意义提出了一种新包络线算法——分段幂函数法。算例表明,在某些情况下新算法比三次样条插值法具有更好的“柔性”,比Akima插值法具有更好的“光滑性”,用其进行HHT分析时出现虚假频率的概率更小。     

频谱管理中基于希尔伯特-黄变换的干扰诊断

为了给频谱管理的干扰协调机制提供科学有效的依据,在分析系统间EMC干扰的特点基础上,采用希尔伯特-黄变换分析接收机端的干扰信号样本的时-频信息、希尔伯特谱和边际谱,得到干扰信号的时频特征。采用多级频率搬移的方法,解决信号的经验模态分解中出现的模态混叠。文章以互调干扰信号的诊断分析为例,验证此法能够将互调干扰从信号样本中分离。     

频谱管理中基于希尔伯特-黄变换的干扰诊断

为了给频谱管理的干扰协调机制提供科学有效的依据,在分析系统间EMC干扰的特点基础上,采用希尔伯特-黄变换分析接收机端的干扰信号样本的时-频信息、希尔伯特谱和边际谱,得到干扰信号的时频特征。采用多级频率搬移的方法,解决信号的经验模态分解中出现的模态混叠。文章以互调干扰信号的诊断分析为例,验证此法能够将互调干扰从信号样本中分离。     

基于HHT变换的电缆故障脉冲法定位分析

电力电缆故障的实际测试波形与理论波形相差较大,需要经验比较丰富的专业测试人员才能够比较准确地确定出故障位置。针对这一问题,对电力电缆实际故障测试波形采用HHT变换,从而获得与理论波形更为相似的波形。经实际测试,能够获得更为准确的测试结果,为电力电缆故障定位提供了一种更为有效的方法。     

基于小波分解与希尔伯特-黄变换的跳频信号检测

现有的基于时频分析的检测方法在时间分辨率和频率分辨率上往往不能同时满足要求,针对这一问题,提出了一种结合小波分解与希尔伯特-黄变换(HHT)的跳频(FH)信号检测方法.利用小波分解去除混合信号中的噪声;利用希尔伯特-黄变换实现跳频信号的检测,避免了传统时频分析过程中窗函数的影响.理论推导和仿真实验表明:本文方法能同时有效地兼顾时间分辨率和频率分辨率,明显改善了跳频信号检测的准确性.     

希尔伯特-黄变换手写体汉字识别方法

针对脱机手写体汉字的非平稳特性,提出了一种基于希尔伯特-黄变换的手写体汉字识别方法.该方法根据汉字图像的特点将一维HHT扩展为二维HHT,用以获得汉字的瞬时频率特征,并将局部的瞬时频率特征和全局的Zernike矩特征组合作为最终的识别特征.实验结果表明,该方法是有效的.     

基于希尔伯特-黄变换的轴承振动特性分析

滚动轴承是异步电动机的重要部件,其运转状态直接影响到电机运行的安全性.因此在线监测轴承工作状态,及时发现轴承早期故障,对保证异步电动机长期可靠运行具有特别重要的意义.利用希尔伯特-黄变换对非平稳信号的敏感性,提出一种可有效提取轴承故障特征的新方法.对振动加速度传感器获取的轴承随机振动信号,进行经验模态分解,自适应地获得本征模态函数,继而对每组本征模态函数进行希尔伯特变换,得到时间-频率-能量三维希尔伯特谱,希尔伯特谱揭示了轴承不同工况的时频特征.试验结果进一步证明了该方法的有效性.     

使用希尔伯特-黄变换的医学图像检索

使用希尔伯特-黄变换对医学图像进行分解并将分解产生的内蕴模态函数及其二维希尔伯特变换的幅值作为纹理特征,提取后的特征用于医学图像检索.根据图像内局部极值点的几何分布,提出了一种新的基于聚类算法的边界处理方法.实验中使用的纹理特征包括基于希尔伯特-黄变换得到的特征和对比用的Gabor特征、纹理谱特征和多尺度复杂性及多尺度分维数特征.初步的实验结果表明:采用希尔伯特-黄变换可以有效地描述医学图像的纹理信息,并取得较好的图像检索结果.     

基于希尔伯特-黄变换的超宽带信号检测方法

基于超宽带信号检测中希尔伯特-黄变换经验模态分解的边界问题,研究分析了基于非等间隔灰色模型预测极值点的解决方法。针对该方法在某些极值分布情况时个别极值点检测不到的问题,提出了时序残差修正的非等间隔灰色模型解决新方法。通过理论推导,证明了该新方法的有效性,在此基础上,对实际超宽带信号进行了结合新方法的希尔伯特-黄变换检测仿真。分析和仿真结果表明,改进的经验模态分解可以较为准确地重构出淹没在干扰或者噪声中的超宽带脉冲信号,明显改善了超宽带信号检测的准确度。通过与离散小波变换对比分析,体现出希尔伯特-黄变换更适合用于检测超宽带信号。     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率,提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解,得到有限个固有模态函数,去掉第一个固有模态函数,其他的都让其通过一个带宽为250～3500Hz的带通滤波器,消除部分噪声。对所选固有模态函数加权,再进行希尔伯特变换得到能量特征值。通过分析噪声特性,估计噪声阈值。在希尔伯特能量谱上,根据阈值搜索语音起点以及终点。仿真实验表明,在低信噪比的情况下,方法的准确率有明显的提高,并具有很强的鲁棒性。     

基于希尔伯特-黄变换双频信号的参数估计

为了提高双频信号参数估计在工程测量领域的精度,创新的提出了基于希尔伯特-黄变换和数据拟合算法估计双频信号参数的方法。输入系统的双频信号序列先经过EMD分解算法得到单频的信号序列,采用Hilbert变换得到信号的频率、幅值和相位信息,通过数据拟合算法对信号的频率、相位和幅值等进行校正,校正后参数的值可以精确到两位小数。为了增强该方法在操作上的便捷性和交互性,基于Matlab的GUI工具箱开发界面程序。     

信号自适应去噪方法的仿真研究

研究信号问题,实际中信号都带有噪声.对不同的信号寻找最佳的去噪方法一直是信号处理和检测的主要问题,传统的信号去噪方法存在基函数单一,或者基函数难以选择的问题,使去噪效果不理想.提出一种新的基于Hilbert-Huang变换的自适应的信号去噪方法,解决了传统去噪方法存在的问题,提高了信号去噪的效果.方法是一种新的分析非线性非平稳信号的时频方法,包括经验模态分解(EMD)和Hilbert变换两部分,从信号本身的尺度特征出发对信号进行EMD分解,得到一组固有模态函数,具有良好的局部自适应性.进行仿真证明,方法的基函数具有自适应性,能很好的匹配信号的特征,既能分析平稳信号又能分析非平稳信号,尤其是对短时的非平稳信号进行去噪是非常有效的.