基于小波变换和FFT的电能质量检测的研究

傅立叶变换可以精确确定出平稳波形中各次谐波的幅值;它只能检测基波和整数倍于基波的谐波,傅立叶变换算法存在着频谱泄漏和栅栏现象,从而使检测出谐波的幅值、相角和频率均存在较大的误差。小波变换可以准确确定发生突变的时刻,滤除干扰信号,但出现各次谐波频段混叠现象。故此文中采用基于小波变换和FFT相结合分析电能质量信号的方法。用小波变换检测电能质量信号的突发信号,对各次谐波混叠的信号采用FFT进行频谱分析,并进行了计算机仿真,取得了较满意的结果。     

自适应信号分解和相空间重构的钢琴和弦识别

文中首先阐述了和弦识别技术在音乐分析和音乐数据库中的重要应用价值,建立了特征参量结合分类器的识别流程。在信号预处理环节中引入了基于算子的NSP自适应信号分解的方法,将原始信号分解成包含特征信息的子信号,再对子信号提取非线性特征,用于分类器构造和识别实验。相关实验表明,同EMD方法相比,NSP自适应信号分解方法提取出子信号的特征信息较为单一,这样就避免了EMD方法中多种特征量混叠的现象,从而提高了识别准确率。     

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EMD算法的双外腔激光自混合微振动测量

基于激光自混合理论,提出了一种双外腔激光自混合干涉信号分离的方法,以实现两路微振动的同时测量。用EMD算法对不同频率的两路激光自混合信号进行分离。以原始信号和各IMF分量的互相关系数作为判断依据,选择出高频一路所需的IMF分量。根据两路自混合信号具有线性叠加的性质,原始信号减去高频一路信号即得低频一路信号。对分离出的每一路信号进行频谱分析,利用主频阶次判定法实现振幅重构。结果表明,仿真和实验信号均能有效被分离。     

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。     

基于改进带宽自适应ACMD的信号分离方法

针对复杂电磁环境下出现多个辐射源信号混叠造成的多分量信号分离问题,提出了基于改进带宽自适应线性调频模态分解（ACMD）的信号分离方法。该方法利用频谱集中性指标对各信号分量的瞬时频率进行估计,将估计的瞬时频率值作为改进算法的预设频率;利用递归框架和改进带宽自适应更新方法对各信号分量进行循环迭代;直到剩余信号能量小于阈值,完成所有信号分离。仿真实验表明,该方法能够在复杂电磁环境下分离出多分量信号,相比较已有算法对紧邻信号具有更好的分离性能和抗噪声性能。     

噪声干扰环境下抑制EMD模态混叠方法

经验模态分解(EMD)作为时频分析的经典算法,已经得到广泛的应用。然而,其分解质量容易受到噪声等干扰的影响,产生模态混叠问题。本文针对经验模态分解中因噪声存在的模态混叠问题,提出一种自适应的预处理方法。首先对输入信号进行B样条最小二乘拟合,消除了噪声的影响后,再进行EMD分解。为提高算法的自适应性,提出了一种基于极值点出现时刻的节点选取方法。对线性信号与非线性信号的仿真实验表明该方法有较高的分解精度;与聚合经验模态分解方法(EEMD)的分析对比结果表明该方法能很好地抑制噪声引起的模态混叠。      

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。     

基于EMD/HHT的变压器故障检测算法研究

为精准实现变压器故障检测,文章提出基于EMD/HHT的变压器故障检测算法。该算法依据EMD算法对采集的变压器运行信号进行经验模态分解,获取多个固有模态分量;利用HHT算法分析固有模态分量的时频变化情况,获取其频率谱并提取变压器运行信号特征频率,将提取结果输入卷积神经网络模型中,通过网络模型的学习和训练,得出变压器故障检测结果。测试结果显示：该方法具有较好的应用性能,能够有效获取变压器的运行信号固有模态分量,通过所提取分量的频率特征精准完成不同类别变压器故障检测,为电力系统稳定运行提供了可靠的依据。     

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.     

频率辅助信号结合EMD的旋转机械故障诊断

针对旋转机械的故障自动诊断问题,提出一种基于经验模态分解(EMD)和频率辅助信号(FAS)的故障诊断方法.首先,利用滤波器移除非故障分量,通过实验采集各种故障下的特征频率,构建故障模型.然后,在实时故障诊断中,对光电位移传感器采集到的机械振动信号进行频谱分析,当主频接近一个特定故障的特征频率时,根据该特征频率构建一个FAS,并将其与振动信号进行叠加.接着,对叠加后的信号进行EMD,根据能量准则选择出主固有模态函数(IMF).最后,通过三次样条插值法获得主IMF信号的包络,并获得包络谱的中心频率,以此对故障进行诊断.实验结果表明,提出的方法能够解决EMD的模态混叠问题,同时对故障的并发情况具有鲁棒性.     

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。     

改进的小波包算法及在故障信号特征提取中的应用

分析TDaubechies小波系列的频带特性,针对故障诊断信号特征提取的问题,提出了一种改进的小波包算法,并运用该算法对变频调速系统输出电流进行分析。该算法克服了小波包频谱混叠的缺陷且其计算量和占用的存储空间较标准的小波包算法均减少50%.经过仿真证明,该方法适用于变频调速系统故障信号的特征提取。     

基于MCEEMD分解的多分支配电网行波测距

根据双端行波测距方案原理,提出一种适用于T型支接线路区段的三端行波测距方法.针对行波测距使用的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)中经验模态分解(Empirical Mode Decomposition,EMD)存在模态混叠现象的问题,引入MCEEMD分解算法进行改善.通过Matl...     

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.     

光电轴角编码器莫尔条纹误差信号补偿

为保证光电轴角编码器在恶劣工作环境下的细分精度,提出一种基于Hilbert-Huang变换的误差补偿方法。针对编码器系统受正弦振动引起的测角故障,提出一种莫尔条纹误差信号的数学模型;采用经验模态分解算法,获取误差信号的本征模态函数,分别对本征模态函数进行希尔伯特变换解调分析,提取包含干扰特征的莫尔条纹信号;同时,基于光电轴角编码器的精码信号方波信息,获取精码信号的基波时域频率;提取与基波时域频率匹配的本征模态函数包络分量。以24位光电轴角编码器为实验对象,实验结果表明:编码器莫尔条纹信号动态细分误差峰值由约200降低到1.54左右,细分精度明显提高。     

Improved nonlinear frequency scaling algorithm for squint FMCW SAR

An improved nonlinear frequency scaling algorithm is proposed to process squint frequency modulated continuous wave synthetic aperture radar data. The algorithm uses a decimation technique to decrease the bandwidth of the signal introduced by the frequency scaling operation, effectively removing the range frequency aliasing. Simulated results show the validity of the algorithm.     

一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪.     

Hierarchical decomposition based on a variation of empirical mode decomposition

Adaptive methods of signal analysis have proved a very useful tool for analysis of non-stationary signals. This is due to the ability of these methods to adapt to the local structures of the signals being analysed, as these methods are not constrained by a fixed basis. Empirical mode decomposition (EMD) is among the more recent data-adaptive signal decomposition methods, which decomposes a given signal into modes which are hierarchically arranged based on their frequency content. In this paper, we will present a novel adaptive hierarchical decomposition scheme based on a novel modification of EMD, namely empirical mode decomposition-modified peak selection (EMD-MPS). EMD-MPS allows a time-scale-based signal decomposition, thereby allowing control over the decomposition process, not possible in the original EMD algorithm. Using time-scale-based decomposition and the properties of EMD-MPS, a given signal can be decomposed into octave frequency bands, with the centre frequency of the separated modes given by the frequency separation criterion of EMD-MPS. The spectral limits of the separated bands are established, and their relation with the centre frequency derived empirically. The method is validated by its application to simulated and real signals.