基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题,提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点,对含噪IMF分量采用小波熵自适应阈值去噪后,与信号IMF分量重构,得到去噪后的心音信号。仿真结果显示,在不同信噪比条件下,上述算法均能明显提高心音信号的信噪比,降低均方根误差,优于其它传统去噪算法,具有良好地抑制噪声能力。     

基于遗传算法的EMD电力信号去噪

由于电网负荷波动较大,系统随机运行性强,系统中非线性设备都会引起严重的电力信号噪声.传统的EMD去噪方法是结合能量极小值寻找噪声信号和有用信号的分界点,主要适应于信噪比较高的信号中,在信噪比较低时会出现误判.因此提出了一种适合电力信号的基于遗传算法的EMD去噪方法.新方法基于电力信号与噪声信号的不同频带分布,对含噪的电力信号进行EMD分解得到多组IMF分量,并在数学排列组合的启发下重构电力信号,然后将遗传算法运用到寻找最优IMF分量组合中.仿真结果表明,采用遗传算法的EMD电力去噪方法无论在信噪比还是均方误差方面均具有一定的改善和提高,保证了电力供电的可靠性,提高了电力信号的检测精度.     

基于小波和EMD的语音信号去噪

为了解决语音信号问题,本文在传统小波阈值去噪方法的基础上提出了提出了一种基于经验模态分解的小波阚值去噪算法,并与小波阂值去噪法和EMD去噪效果相比较,试验结果证明,基于经验模态分解的小波去噪效果是相当有效和稳定的．为研究语音信号去噪处理提供了新的手段。     

基于小波去噪和EMD的船舶液位信号特性分析

为提高船舶液舱液位测量精度,研究了液位测量信号的特性,提出基于小波去噪和经验模态分解(EMD)的水位信号处理新方法。用平移不变小波去噪算法对液位信号进行预处理,消除异常事件对EMD方法的影响,用EMD分解信号,按照给定的置信度去除高频固有模态(IMF)分量,提取低频IMF及趋势项进行重构,得到的无干扰成分即为液位真实信号。理论及实验研究表明,只有在有效消除异常干扰的情况下才能获得可靠的IMF分量,采用该方法提取有异常干扰的液水位信号真实趋势是有效可行的。     

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。     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

基于近似熵及EMD的高铁故障诊断

抗蛇行减振器故障、横向减振器故障、空气弹簧故障是高铁的3种典型故障。针对高铁的3种常见故障的非线性、非平稳特性,本次研究中将近似熵和经验模态分解应用到高铁故障诊断中进行故障特征提取,并使用BP神经网络作为高铁故障诊断模型进行高铁的故障诊断。实验证明,该方法能够准确有效地进行高铁故障诊断。此外,通过对比实验表明,融合近似熵特征和EMD分解后的第一个模态分量的能量特征比单个特征更有利于高铁故障诊断。     

基于改进EMD的接触网绝缘子泄漏电流去噪

采集接触网绝缘子泄漏电流时存在大量干扰,且使用经验模态分解(Empirical Mode Decomposition,EMD)方法去噪时存在端点效应和虚假分量的问题。提出利用类似极值延拓法和功率比值法(The Ratio of Power,TRP)解决EMD存在的上述问题,结合小波阈值方法对泄漏电流进行去噪。选择小波阈值去噪作为对比,对泄漏电流仿真模型和高压实验采集的泄漏电流进行去噪处理。通过去噪前后的有效值、三次谐波和基波幅值之比和信噪比对去噪效果进行评价。结果表明类似极值延拓法和TRP法可有效解决端点效应和虚假分量问题,改进EMD阈值去噪方法去噪效果优于小波阈值去噪。改进EMD阈值去噪方法具有自适应性,适用于污湿情况下的绝缘子泄漏电流去噪处理。     

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.     

基于最大互信息最大相关熵的特征选择方法

特征选择算法主要分为filter和wrapper两大类,并已提出基于不同理论的算法模型,但依然存在算法处理能力不强、子集分类精度不高等问题。基于模糊粗糙集的信息熵模型提出最大互信息最大相关熵标准,并根据该标准设计了一种新的特征选择方法,能同时处理离散数据、连续数据和模糊数据等混合信息。经UCI数据集试验,表明该算法与其他算法相比,具有较高的精度,且稳定性较高,是有效的。     

基于二次Renyi熵的正则化互信息特征选择方法

提出了一种基于二次Renyi's熵的正则化互信息特征选择方法,该方法能高效地对互信息进行估计从而使计算复杂度大大降低。同时把正则化互信息特征选择方法与嵌入式方法相结合得到一个两段式特征选择算法,该算法可以找出更具特征的特征子集。通过实验比较了该方法与其他基于互信息的特征选择算法的效率与分类精度,结果表明该方法能够有效改善计算复杂度。     

基于互信息和邻接熵的新词发现算法

如何快速高效地识别新词是自然语言处理中一项非常重要的任务,针对当前新词发现存在的问题,提出了一种从左至右逐字在未切词的微博语料中发现新词的算法。通过计算候选词语与其右邻接字的互信息来逐字扩展,得到候选新词;并通过计算邻接熵、删除候选新词的首尾停用词和过滤旧词语等方法来过滤候选新词,最终得到新词集。解决了因切词错误导致部分新词无法识别以及通过n-gram方法导致大量重复词串和垃圾词串识别为新词的问题,最后通过实验验证了该算法的有效性。     

基于归一化互信息向量熵的多幅图像配准方法

提出了一种新的多幅图像配准方法,归一化互信息向量熵方法。这种方法先计算任意两幅图像间的联合概率分布,然后根据联合概率分布计算它们间的归一化互信息,把所有两幅图像组合得到的归一化互信息组成一个向量,最后计算该归一化互信息向量的熵。最大熵对应最佳配准位置。通过对人体脑部图像的刚体配准实验,从函数曲线、计算时间和配准精度方面,对新方法和其它三种方法进行了分析和比较。实验结果表明,新提出的方法可以提高配准精度、减少配准时间。     

加权熵互信息在医学图像配准中的应用

基于互信息的医学图像配准方法具有自动化程度高、配准精度高等优点。采用部分体积插值法和香农熵计算得到的互信息,无法避免会出现一些局部极值,可能导致错误的配准。提出了一种用加权熵代替香农熵的互信息计算方法,并将其应用于图像配准实验。实验结果表明,该方法能够有效平滑互信息的局部极值,减少错误的医学图像配准。     

基于信息熵的决策表约简

从信息论的角度,对决策表中属性重要性的大小进行度量,并在此基础上,提出了一种基于互信息大小的知识约简算法,实例表明能够有效得到决策表的近似最小约简。     

一种基于广义互信息的图像配准算法

互信息作为图像配准中的相关度矩阵有着广泛的应用,通常采用的是基于Shannon熵的互信息。采用一个广义的信息熵——Renyi熵,提出了一种基于广义互信息的图像配准方法。在全局搜索阶段,采用q取较小值的Renyi熵,此时,Renyi熵可以消除局部极值,再通过局部优化方法对当前的局部最优解进行局部寻优,以找到全局最优解;在局部优化阶段,使用基于q→1时的Renyi熵的归一化互信息测度作为目标函数。实验结果表明:相对于归一化互信息图像配准算法,基于Renyi熵的互信息配准算法有良好的配准效果,且提高了配准速度。     

基于最大联合条件互信息的特征选择

在高维数据如图像数据、基因数据、文本数据等的分析过程中,当样本存在冗余特征时会大大增加问题分析复杂难度,因此在数据分析前从中剔除冗余特征尤为重要。基于互信息（MI）的特征选择方法能够有效地降低数据维数,提高分析结果精度,但是,现有方法在特征选择过程中评判特征是否冗余的标准单一,无法合理排除冗余特征,最终影响分析结果。为此,提出一种基于最大联合条件互信息的特征选择方法（MCJMI）。MCJMI选择特征时考虑整体联合互信息与条件互信息两个因素,两个因素融合增强特征选择约束。在平均预测精度方面,MCJMI与信息增益（IG）、最小冗余度最大相关性（mRMR）特征选择相比提升了6个百分点;与联合互信息（JMI）、最大化联合互信息（JMIM）相比提升了2个百分点;与LW向前搜索方法（SFS-LW）相比提升了1个百分点。在稳定性方面,MCJMI稳定性达到了0.92,优于JMI、JMIM、SFS-LW方法。实验结果表明MCJMI能够有效地提高特征选择的准确率与稳定性。     

基于信息熵优化的极限学习机研究及应用

为了提高极限学习机对化工过程的高维数据进行建模的能力,提出了一种基于信息熵优化的学习算法。利用互信息方法判断输入变量与输出变量之间的相关性,通过去除部分与输出变量相关性较弱的输入变量来过滤冗余信息,从而达到降维的目的。然后利用熵权法对输入数据进行加权优化,从而降低输入数据中的离散点对极限学习机模型精确度的影响。因此本文提出了一种基于信息熵的ELM算法。该算法以UCI标准数据集进行测试,并以PTA工业系统数据进行实际验证。实验结果表明,与传统ELM算法相比,优化后的学习算法在处理高维数据时具有稳定性强、建模精度高的特点。从而拓展了神经网络技术在化工领域里的应用。     

一种新的颜色信息熵图像检索方法*

提出了一种新的相似性图像检索方法.首先分割图像,把一幅图像划分为若干子区域,抽取图像的分块颜色信息;再利用信息熵计算图像之间的颜色互信息.用这种方法对不同类型图像进行试验,结果表明,与其他颜色特征描述方法相比,该方法具有较好的效果.