经验模态分解中端点效应的抑制

Hilbert-Huang变换是通过对信号的经验模态分解,使非平稳信号平稳化,从而使信号Hilbert变换后得到的瞬时频率具有物理意义。在应用经验模态分解方法时,通过3次样条插值算法给出的上、下包络在数据信号的两端不可避免地会出现发散现象。会严重影响经验模态分解的质量,使分解出的本征模态函数没有实际的物理意义。镜像闭合端点延拓通过镜像法把镜内信号映射成一个周期性的环行信号,不存在端点,从根本上避免了经验模态分解和Hilbert变换的端点效应。从理论上说,镜像闭合端点延拓是解决经验模态分解端点的一个好方法。     

一种改进的Hilbert-Huang变换方法及其应用

针对希尔伯特-黄变换方法中存在的端点效应和虚假模态分量等问题,通过对上述问题产生原因的分析,提出一种基于边界极值均值延拓的端点效应抑制方法与虚假模态分量剔除算法相结合的改进方法。该方法首先根据信号两侧端点和其临近极值点的特性,对包络线在信号两端点处的位置进行约束,从而改善包络线拟合结果,在一定程度上抑制端点效应问题的产生。然后,依据各模态分量间的正交性原理,通过虚假模态分量剔除算法,选取能够反映信号特征的敏感模态分量,以保证分析的准确性。通过数值仿真,验证了所提方法的有效性。最后,应用于发动机异响故障诊断中,诊断结果表明该方法有效抑制了传统希尔伯特-黄变化方法的端点效应和虚假模态问题,可有效提取发动机异响信号的故障特征。     

一种改善EMD端点效应的新方法

针对经验模态分解（Empirical Mode Decomposition,EMD）过程中可能产生的端点效应问题,提出一种基于最近相似距离的端点延拓方法．首先给出了匹配距离和波形相似系数的概念,然后按照一定配准和筛选准则,在原信号内部找到与信号端点处变化趋势最为相似的子波来对端点处的信号进行延拓．该方法兼顾了信号的内在特性以及端点处的变化趋势,实现延拓数据与原信号交界处的光滑过渡．将其分别应用于模拟信号中分析,仿真结果表明该方法可有效地抑制EMD端点效应问题．     

非线性非平稳波浪极短期预测的复合优化模型

海浪的时间序列一般具有非线性和非平稳性,针对直接对其进行预测精度较差,本文利用复合模型对波浪进行了预测。利用长短期记忆神经网络模型的非线性学习能力和经验模态分解的非平稳数据处理能力,采用镜像对称和长短期记忆算法联合消除经验模态分解端点效应,建立了一种用于不规则波极短期预测的复合经验模态分解-长短期记忆模型。研究表明：通过比较分析水槽试验获得的一般不规则波、线性聚焦波和非线性畸形波的预测效果,结果揭示出经验模态分解端点效应对模型预测精度具有负面影响,本文基于自适应镜像延拓的复合经验模态分解-长短期记忆模型可以更好地预测极短期非线性、非平稳波浪时序的变化趋势。     

自适应的KEEMD方法及其在光谱去噪中的应用

聚合经验模态分解( ensemble empirical mode decomposition, EEMD)方法极好地抑制了EMD算法的模态混叠,但仍未很好地解决端点效应,另外由于EEMD加入白噪声的幅值系数及总体平均次数需靠经验设定,不利于信号快速、准确地分解与重构。针对上述问题,提出了自适应KEEMD( KELM-EEMD)方法。首先,基于核函数的极限学习机结合镜像法进行极值点延拓以抑制端点效应,并用于仿真信号分解及小麦反射光谱的去噪,验证了该方法抑制端点效应的有效性。其次,通过抑制端点效应后分解获得的高频分量,自适应地确定算法所需加入白噪声的幅值系数及总体平均次数,将此自适应KEEMD方法用于油菜、菠菜反射光谱的去噪。结果表明：该方法更加快速地获得了与靠经验设定参数的KEEMD方法基本一致的去噪效果。     

基于最优特征的改进经验模态分解方法

针对经验模态分解(EMD)过程中存在的模态混叠等问题,提出了一种基于最优特征的自适应白噪声平均总体经验模态分解方法。该方法采用基于边界局部均值延拓的方法抑制端点效应问题,同时,在经验模态分解的每个阶段自适应地添加有限次白噪声,保证在平均次数相对少的情况下,通过计算唯一残余分量来获取信号的固有模态函数,从而避免了模态混叠问题的产生。通过分析仿真信号和实测信号,证明了该方法对模态混叠现象有一定的抑制作用,同时可有效避免端点效应问题的产生。     

基于EMD-SVM镜像延拓的转子故障诊断研究

利用EMD算法把机械中转子的振动信号进行分解,通过镜像延拓法对EMD算法产生的端部效应进行抑制,得到若干个能够反映转子故障信号内在变化特征及变化规律的固有模态函数分量;对每一个固有模态函数分量建立AR模型,将模型的自回归参数和残差的方差作为故障特征向量,以此建立SVM分类器并进行故障类型识别。结果表明,基于EMD-SVM镜像延拓的方法能够准确快速地得到转子故障的特征和状态,增加了转子故障诊断系统的可靠性和实用性。     

改进HHT方法在轨道不平顺信号分析中的应用

针对希尔伯特-黄变换(Hilbert-Huang transform,HHT)中经验模态分解法(empirical modedecomposition,EMD)的端点效应问题,提出一种镜像延拓和灰色神经网络预测法相结合的改进方法,即先对信号进行灰色神经网络延拓,再利用镜像延拓法对数据进行延拓.分析仿真信号和实际轨道不平顺信号认为,该方法可以有效抑制EMD的端点效应.利用改进HHT方法对轨道轨距和水平不平顺信号进行研究,结果表明,该方法可有效去除轨道轨距和水平不平顺中低频趋势项,提高轨道不平顺信号的精度,有利于轨道质量的评价.     

基于补充改进集合经验模态分析法-多尺度排列熵分析桥梁振动信号优化滤波方法

针对桥梁振动信号高度非平稳特征和含噪声成分严重的问题,提出了一种应用于桥梁健康监测领域的信号自适应分解与重构的优化滤波方法。该方法以自适应加噪的完备集合经验模态分解(CEEMDAN)为核心算法,将原始振动信号逐级分解为多个不同特征时间尺度相对平稳的固有模态函数(IMF),采用端点对称延拓法抑制端点效应,引入多尺度排列熵(MPE)分析各IMF在不同尺度上的熵均值,检索随机程度较大的IMF分量,将含噪严重与由于加噪分解产生的伪分量剔除完成一次滤波,为了择优选取剩余IMF进行信号重构保证滤波具有较好的相似度与光滑度,建立了优化重构模型完成两次滤波。研究表明:本文方法在自适应分解阶段较常用的集合经验模态分解(EEMD)、补充集合经验模态分解(CEEMD)方法具有更好的完备性、正交性与计算效率,在一定程度上抑制了模态混叠现象,端点效应问题有所改善,并对IMF进行优化重构,经分析最终的滤波信号具有较高的信噪比,通过对真实桥梁振动信号分析再一次验证了本文方法的优势,该方法的滤波结果可以作为实现桥梁健康监测技术的可靠依据。     

基于改进经验模态分解的泄漏电流去噪方法

为了有效地监测金属氧化物避雷器的绝缘工况,提出一种基于改进经验模态分解的泄漏电流去噪方法。首先,依据泄漏电流波形和幅值的综合相似度对信号端点进行延拓以抑制端点效应,进而根据本征模态函数的平滑度和相关性的综合指标重构无噪声干扰的泄漏电流信号;然后,通过坐标下降法对权重参数进行动态修正和更新,保证重构信号的合理性和准确性;最后,通过仿真和实验验证所提方法可以有效去除泄漏电流信号中的噪声干扰,且能判定出异常监测值,符合工程的实际要求。     

基于DTW 和EMD的孤立词语音识别研究

针对语音识别过程中环境噪声干扰大的问题,提出一种基于经验模态分解(EMD)与动态时间规整 (DTW)相结合的孤立词识别算法。该方法利用EMD 算法,首先将提取的性能不好的语音信号分解成若干个基本模函数(IMF),去掉原始信号中的干扰和噪声。然后,基于DTW 算法,采用短时过零率和短时能量对语音信号进行端点检测,提取语音特征参数后与参考模板进行匹配。将参考模板与待测模板之间的最短路径作为识别结果。仿真结果表明,该算法能够提高语音的识别效率和识别的正确率。     

基于非均匀B样条插值的EMD算法

经验模态分解(EMD)是一种非平稳信号分析方法,存在分解不完全的问题.采用非均匀B样条插值生成包络线,得到了一种新的EMD算法,以实现准确的经验模态分解.针对同一信号给出的对比仿真,表明了算法的有效性.区别于传统算法的非均匀参数化方法具有精度高、实用性强的特点,利于多元推广.     

HHT的改进及其在电压闪变分析中的应用

介绍了Hilbert-Huang变换方法在电压闪变分析中的应用,该方法利用经验模态分解法EMD将电压波动信号分解成有限个固有模式函数IMF,再运用概率大值统计方法实现电压闪变的分析。对Hilbert-Huang变换方法进行了一些改进:对EMD分解的停止条件进行改进,加快了收敛速度;对EMD分解过程中的端点抖动问题采用端点镜像法消除;对虚假分量采用相关系数法进行消除。试验结果表明,改进后的Hilbert-Huang变换方法提高了分析准确度。     

经验模式分解在QRS波群和T波检测中的应用

针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法.该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用"经验阈值"能得到准确的检测结果.利用MIT BIH Arrhythmia Database中心电数据检测表明,QRS波群的检...     

基于变分模态分解的心冲击信号和呼吸信号分离

为了在睡眠时以非侵入方式监测心冲击信号（BCG）和呼吸信号,使用电阻式薄膜压力传感器嵌入床垫中,将变分模态分解（VMD）算法引入到二维生理信号提取过程. 信号经床垫中的柔性压力传感器,通过硬件低通滤波、数字去趋势（DFA）后,利用VMD算法分解出生理信号中心冲击信号与呼吸信号的潜在分量,通过自适应选取有效分量重构BCG信号与呼吸信号. 基于Hilbert变换,对比VMD、经验模态分解（EMD）、互补集合经验模态分解（CEEMD）分量的瞬时频率. VMD在0~3.0 Hz内的混叠情况相对于EMD与CEEMD得到改善. 采用Bland-Altman法,对标准结果和实验重构结果进行一致性评价. 结果表明,利用VMD法所得BCG与呼吸信号分别有93.75%和92.5%的点在95%一致性标准界限内,有较高的一致性.     

基于LS-SVM回归对EMD中端点效应的研究

针对EMD中端点效应的问题,利用最小二乘支持向量回归机的预测特性对信号两端进行预测,从而对端点效应进行抑制。通过对仿真信号进行分析,探讨了端点延拓处理后的Hilbert谱。