基于EMD和Hilbert变换的心电信号去噪方法

基于经验模态分解(EMD)和Hilbert变换理论,提出一种心电信号(ECG)去噪方法.经验模态分解法将任意信号分解为一组固有模态函数IMF,对于非白噪声层IMF的阈值选取,针对传统阈值去噪方法存在较大偏差的问题,提出利用各层IMF的平均频率和能量密度乘积来确定非白噪声层IMF的噪声水平.介绍了白噪声层IMF的检验方法,并给出了利用该方法以及小波阈值去噪方法对心电信号进行去噪处理的实验结果.     

基于集合经验模态分解法的局部放电信号去噪

针对局部放电检测中存在较多白噪声干扰的问题,采用基于集合经验模态分解的方法对放电信号进行消噪处理。该方法首先利用集合经验模态分解(EEMD)把信号分解成多个经验模态函数分量(IMFs),然后利用3σ法则对各分量进行细节信息提取和能量估计,最后对IMF分量进行PCA变换,并根据IMF所含噪声能量选择主成分分量进行重构。EEMD建立在经验模态分解(EMD)基础之上,通过人为添加白噪声成分,并利用多次重复取均值的方式去除白噪声,同时抑制模态混叠现象。仿真数据分析表明,所提消噪方法可以有效抑制局部放电噪声干扰,成功提取出有效的局部放电信号。     

基于CEEMDAN-TQWT方法的变压器局部放电信号降噪

针对传统方法处理局部放电信号时存在振荡明显、消噪不彻底等问题,采用基于自适应白噪声完备集成经验模态分解（complete ensemble empirical model decomposition with adaptive noise,CEEMDAN）与可调品质因子小波变换（tunableQ-factorwavelettransform,TQWT）相结合的方法对局部放电信号进行消噪处理。采用CEEMDAN将含噪变压器局部放电信号分解成多个固有模态函数（intrinsic mode function,IMF）分量,并利用相关系数判断IMF分量与原始信号的相关度。将弱相关者视为劣质IMF,对其进行TQWT分解,利用能量占比与峭度指标来筛选小波子带,提取IMF的有效细节信息,进行TQWT逆变换,从而得到新的IMF分量;将强相关者视为优质IMF,与变换后的新IMF分量共同进行信号重构,得到消噪结果。仿真及实测信号分析验证了该方法的有效性和实用性,相比传统的经验模态分解（empirical mode decomposition,EMD）方法,仿真信号经所提方法去噪后的波形失真百分比下降了44...     

小波包变换和EEMD结合的信号去噪方法

超声波采样信号中的噪声也会参与经验模态分解(EEMD),造成各分解分量IMFs失真,针对于此,利用小波包分解能同时处理高频及低频噪声的特点,并结合EEMD分解算法良好自适应性,提出一种先通过小波包变换对原始采样信号进行初步消噪,然后再结合EEMD算法分解得到独立IMFs分量,最后根据各IMFs相关系数重构获得有效信号的降噪方法。通过仿真分析,相比单独的小波包去噪、EEMD分解去噪,本方法提高分解效率的同时提升了信噪比,具有更好的滤波效果。     

基于改进的EEMD实现地震信号去噪

EEMD(Ensemble Empirical Mode Decomposition)是EMD的一种新扩展,为克服EMD本身存在的模态混叠而产生。传统EEMD去噪通常是将由噪声引起的IMF(Intrinsic Mode Function)直接舍掉,然后利用剩余的IMF重构信号,然而这种作法仅仅是压制了部分噪声,去噪效果不够理想。基于此本文提出一种改进的EEMD随机噪声消除方法,该方法结合了平移不变量小波阈值滤波压制高频噪声的优点以及Savitzky-Golay滤波去除低频噪声的优势。结果表明该方法不仅可以很好地衰减随机噪声,有效提高地震资料的信噪比,而且能够较好地保持有效信号。     

基于EEMD的绝缘子泄漏电流消噪方法

针对绝缘子泄漏电流测量过程中噪声干扰严重、传统消噪方法效果不佳的问题,根据经验模态分解(Empirical Mode Decomposition,EMD)的滤波特性,结合泄漏电流的特点,提出了总体经验模态分解(En-semble Empirical Mode Decomposition,EEMD)阈值消噪方法。为评价消噪效果,选择小波消噪作为对比,对仿真和实测泄漏电流进行消噪处理。研究表明,EEMD阈值方法消噪后泄漏电流有效值和三次谐波与基波幅值比都接近真实值,能准确反映泄漏电流特征。同时,EEMD阈值消噪方法具有自适应性,适合污湿和覆冰状况下的泄漏电流消噪处理。     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法

针对传统小波包在诊断滚动轴承隐含故障中存在频率混叠、精度不高等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)降噪与非抽样提升小波包相融合的故障诊断方法.首先利用EEMD方法分解原始故障信号得到多个本征模态函数(intrinsic mode function,IMF)分量,然后计算各个IMF分量与原始信号间的相关系数,并与设置的相关系数阈值相比较,将小于阈值的IMF分量视为伪分量予以剔除; 对剩余的IMF分量采用峭度准则再次筛选最优IMF分量进行重构,进而实现降噪目的.为了避免传统小波包因采取抽样运算方式导致频率混叠情况,文中采用非抽样运算的提升小波包来分解降噪信号,并采用Hilbert变换进行包络解调分析得到滚动轴承的故障位置.仿真实验和滚动轴承内圈故障应用实例表明:采用EEMD分解原始故障信号,结合相关系数-峭度准则,达到了很好的降噪效果; 采用非抽样提升小波包比传统小波包具有更高的故障诊断精度,且不存在频率混叠问题.     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

经验模态分解在电力绝缘气体SF6红外光谱去噪中的应用

经验模态分解(EMD)是以信号极值特征尺度为度量的时空滤波器,它充分保留了信号本身的非线性和非平稳特征,在信号去噪中具有较大的优势。本文以电力绝缘气体SF6为研究对象,在介绍E MD分解方法的基础上,首先对含噪的SF6光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频I MF分量与低频IMF分量叠加重构得到去噪后的信号。分析了在不同噪声水平上与小波阈值去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势。     

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.     

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题，提出基于时延自相关运算和经验模态分解（
EMD）方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert Huang变
换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计, 获取较长时间差的部分，得到时延相关函
数.利用EMD方法对时延相关函数进行自适应滤波, 得到固有模态函数（IMF），对IMF进行Hilbert变换，
求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明，该方法比直接解调或
仅采用时延相关解调更能有效抑制噪声，凸现信号调制信息.     

基于HHT的涡街流量计脉动流噪声去除方法研究

采用了Hilbert-Huang变换(HHT)的方法对去除涡街计脉动流噪声进行了研究。首先运用EMD尺度滤波方式对涡街计脉动流噪声进行滤波去噪。然后,将EMD尺度滤波结果和小波阈值运用于涡街计脉动流噪声去除的结果进行了对比,离线仿真结果表明,EMD尺度滤波去噪和小波阈值去噪都能达到较好的效果,但是前者更加简便,完全是自适应的,这也为涡街信号处理提供了一种新的滤波去噪的有效方法。     

基于EEMD穿墙雷达人的运动模式识别

根据穿墙雷达动目标探测中人的运动多普勒信号属于非线性、非平稳信号的特点,分别采用经验模式分解(EMD)和整体平均经验模式分解(EEMD)将人.5种运动的多普勒信号分解为一系列本征模式函数(IMF).采用支持向量机(SVM)学习算法,将两种方法分解后的各IMF能量占总能量的百分比作为支持向量机分类器的特征向量进行模式识别...     

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...     

EMD及其在脑电分析中的应用研究

基于经验模态分解(EMD)的数据分析方法,是一种针对非线性、非平稳信号处理的新方法.使用EMD法可以将任意复杂的数据信号分解为多个有限的、数据量较小的“本征模函数”(IMF).这些本征模函数很适合求其Hilbert变换.信号的局部能量和瞬时频率都可以从其本征模函数中推导出来.这个完整的能量-频率-时间关系称为Hilbert谱,它是一种分析非线性、非平稳信号的理想方法.介绍了EMD法的原理和实现过程,给出了多个实例的本征模函数和Hilbert谱.并展示了它在非稳态信号处理中的特性.同时,还探索将这种基于EMD的分析方法应用于脑电信号的分析中,并给出了脑电信号的部分本征模函数(IMF)分量及Hilbert振幅和频谱图.试图用一种新的方法分析复杂的非平稳脑电信号.     

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。