混沌背景下微弱谐波信号的恢复

提出一种新的从混沌干扰中恢复微弱谐波信号的方法。首先根据混沌的几何性质,融合相空间重构技术和离散余弦变换,建立了一种新的分离谐波信号相空间投影方法。然后,从功率谱密度估计中提取谐波信号的频率,利用最小二乘估计提高谐波信号的恢复精度。仿真实验表明该方法具有高度的稳定性和可靠性。     

谐波水印信号的模式

在探索数字水印算法多样性的基础上,提出了一种新的数字水印算法。该算法以几个谐波迭加构成嵌入图像中的水印信号,检验时对提取出来的水印信号估计其中的谐波频率,以此来验证与原始水印的相似性。由于采用的谐波估计算法能抵抗复杂加性噪声,使得该水印算法具有较为理想的鲁棒性,仿真实验验证了这一点。实验结果表明:本文的算法可以抵抗剪切、jpeg压缩以及高斯噪声的污染,说明了谐波恢复数字水印技术中的成功应用。     

提取混沌中谐波信号的时频方法

首先采用谐波小波变换将观测信号分解成窄带信号,然后使用经验模态分解方法将每一个窄带信号分解为有限个内禀模态函数(IMFs),根据功率谱密度选取内禀模态函数,提取谐波信号。该方法的性能可由噪声缩减因子和相关系数两个指标度量。理论分析和仿真实验表明,在信噪比不太低的情况下,该方法对提取淹没在混沌和噪声背景下的谐波信号非常有效。     

基于驱动响应同步的混沌背景下谐波信号频率估计方法

提出一种基于混沌驱动响应同步的强混沌背景下谐波频率估计的方法.该方法利用采样的混合信号(混沌加谐波)驱动一新构建的同类响应混沌系统,若响应混沌系统同步于驱动混沌信号,则驱动响应信号的误差序列中应含有谐波成分,对误差序列互谱的分析,估计谐波频率.该方法同时也适于其它噪声加混沌干扰的复合背景下的谐波频率估计.理论分析给出了该方法的适用条件,仿真实验证明该方法简单有效.     

复杂噪声背景下谐波信号频率估计新方法

利用待测谐波信号的周期性及混沌信号能量集中在低频部分的特性,提出一种将倍频法、小波包分解与互谱分析相结合的强混沌噪声背景下谐波频率估计新方法。首先,利用谐波信号的周期性,将采样数据等距取值构造谐波信号倍频的新数据序列,且倍频谐波偏离混沌能量中心频段;其次,利用小波包分析法对新数据进行多层分解,使倍频谐波信号与混沌噪声主能量分离;最后,对谐波信号能量集中的分量进行互谱功率谱分析,估计谐波频率。该方法适用于强混沌信号与强观测噪声共存背景下的周期小信号频率估计。仿真实验结果表明:该方法十分有效,且计算量小。     

一个新的多涡卷混沌系统的设计与硬件实现

为了产生复杂的混沌信号,通过在三维系统中引入两个阶跃函数设计了一个新的混沌系统,并对该系统的基本特性进行了分析。该系统能够产生一种新的多涡卷混沌吸引子,设计了一个模拟电路对其进行了实验验证,实验与仿真结果完全吻合。     

一种连续混沌的分析及量化实现方法

基于sportt系统,构造了一个新的连续混沌系统。对该系统的动力学特性进行了分析,并设计了一个模拟混沌电路进行实验验证,实验结果与仿真结果完全相符。在此模拟电路基础上,设计了一个量化电路,对连续混沌信号进行二值量化,实现了一种新的量化序列的方法。     

一类混沌背景中正弦信号的提取

利用信号的尺度特性,提出了一种应用小波多尺度分解算法进行混沌信号的降噪及从混沌背景中分离正弦信号的方法。该方法不需要已知产生混沌信号的数学模型以及要求叠加在混沌背景中其他信号的幅度远远小于混沌背景信号的幅度的假定,便可从Lorenz混沌背景下提取正弦信号。计算机仿真结果表明:该方法具有实现简单、鲁棒性好、计算量小等优点。     

基于非线性状态空间投影的混沌序列消噪算法

针对混沌信号和噪声在状态空间中吸引子的不同表现形式, 研究了一种基于非线性状态空间投影的混沌时间序列消噪算法.对仿真信号和实际测量信号都进行了实验, 得到了较好的噪声消除效果.其中仿真信号是受到50%高斯白噪声污染的Lorenz信号;实测信号是从孕妇腹部测得的一导联混合信号.模拟仿真和半实物仿真都体现了该算法在混沌信号消噪方面的应用价值.     

基于VMD的APF谐波检测算法

提出基于变分模态分解(VMD)的谐波检测算法,并将其运用于有源电力滤波器。首先,VMD将畸变电力信号分解成一系列固有模态函数(IMF),不同的IMF分量代表不同频段信号,可提取其中基波IMF分量;然后,将原畸变信号减去提取的基波分量,即可检测出谐波分量。为验证VMD算法对于谐波检测的有效性,对VMD算法进行仿真分析,仿真结果表明:VMD算法不仅对稳定信号具有很好的谐波检测效果,而且对非稳定信号也有较好的谐波检测效果。     

基于EMD虚拟通道的ICA算法在信号消噪中的应用

提出了一种由经验模态分解构造虚拟噪声通道,结合独立分量分析进行信号消噪的方法. 在分析经验模态分解及独立分量分析的优越性基础上,阐述了构造虚拟噪声通道的基本原理,给出了具体构造方法. 用固有模态函数的Hilbert时频谱作为虚拟噪声通道重构分量选择的依据. 仿真计算表明,该方法对白噪声的消除是有效的,消噪效果较为理想. 与传统小波方法比较,具有优势.     

基于MEEMD的内燃机辐射噪声贡献

为了研究内燃机振动成分对噪声的贡献,提出一种改进的集总平均经验模态分解（MEEMD）方法.通过仿真试验,对比MEEMD与传统经验模态分解（EMD）和集总平均经验模态分解（EEMD）的结果.结果表明,MEEMD是一种更为优秀的自适应信号模态分解方法,不仅能够抑制模态混叠问题,而且能够解决模态分裂等问题.采用MEEMD方法对内燃机振动成分对辐射噪声的贡献进行研究,以一个4缸4冲程内燃机为例,对标定工况下的缸盖罩振动信号和缸盖罩近场噪声信号进行MEEMD分解,并对分解得到的本征模态函数（IMF）进行时频分析,研究对辐射噪声贡献大的振动成分的来源.研究结果表明,通过MEEMD方法能够得到对内燃机辐射噪声贡献大的振动成分,并且准确确定其来源.     

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．     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

基于EMD自适应滤波的谱分析方法研究

经验模态分解（EMD）是一种分析非线性非平稳信号的时频分析方法．基于该方法提出一种新的自适应滤波算法EMD—LMS,并对滤波后信号进行谱分析．实验表明：与经典的功率谱分析方法相比,本文提出的谱分析方法具有更好的分辨率．     

基于高次样条插值的经验模态分解方法研究

基于经验模态分解(EMD)方法,把一列时间序列数据分解成一组本征模函数组,然后经希尔伯特变换获得其希尔伯特谱.在现有的采用三次样条插值的EMD算法基础上,提出了基于高次样条插值的EMD新算法.仿真研究结果表明,所提出的新算法能有效提高EMD时频分析的精度.     

一种基于Hilbert Huang变换的直扩信号盲检测方法

针对直扩信号在低信噪比情况下难以检测的问题,提出一种基于Hilbert—Huang变换的盲检测算法。通过对信号进行经验模态分解,根据能量最大原则对得到的内蕴模态函数进行筛选和提取,实现信号的重构;计算其时间、瞬时频率及幅值的分布图和边际谱,从而检测出直扩信号并估计出载频。理论分析和仿真实验表明该算法在信噪比为-16dB的情况下能有效地检测出直扩信号。     

基于EMD和小波变换的结构风振高阶参振模态识别

为了确定结构随机理论求解中的高阶参振模态数目,采用经验模式分解(EMD)与小波变换相结合的方法分析结构气弹模型自激响应数据信号的时-频-谱联合特性,从原始信号中分解出固有模态函数(IMF),再对各个IMF进行小波变换提取信号特征参数,从而识别出结构风振随机计算所需的高阶参振模态截止频率,并将识别结果与直接采用随机理论对...     

具有间断事件检测和分离的经验模态分解方法

针对在经验模态分解（EMD）筛选过程中间断信号引起的模态混叠问题,提出了一种新的解决方法．该方法为根据间断过程信号与正常背景信号时间尺度的不同,利用固有模态函数（IMF）的瞬时频率特性实现间断信号的精确定位,依据定位的间断信号段经端点延拓重新做EMD分离出间断信号,从而在后续的EMD中消除该间断信号的影响．将该方法与小波法消除间断信号的结果进行了比较,显示其滤除结果的信号失真较小,并可将间断信号分解为一固有模态函数．