关于多种模态分解方法的分离效果的差别探讨

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。     

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.     

Hilbert-Huang变换及其在心音信号分析中的应用

本文从窄带信号的角度对Hilbert-Huang变换进行探讨,证明了窄带实信号的相位等于其解析复信号的相位.据此说明在Hilbert Huang变换中,进行经验模态分解(Empirical Mode Docomposition,简称EMD)后,若EMD筛选出的模式分量为一窄带信号,则随后进行Hilbert变换得到的瞬时时频分布及能量分布从数学上讲是合理的.而且从窄带信号的角度出发,可以深刻理解Nordeng E. Huang等人定义固有模态函数(Intrinsic Mode Function,简记为IMF)的依据,以及EMD方法的实质,即从信号本身出发,将其分解为一系列中心频率可变的窄带信号.同时,从该角度出发也揭示了为实施Hilbert-Huang变换,所需进行信号分解的方向.最后,本文示例了Hibert-Huang变换在心音信号中的应用.     

振动信号趋势项提取方法研究

针对某车载武器振动位移测试中存在的严重趋势项干扰问题,提出了基于经验模态分解（Empirical Mode Decomposition,EMD）的信号处理方法.为有效提取趋势项,提出了一种新的趋势项判定方法.该方法根据振动信号相对时间轴对称的特点,通过比较各IMF分量与原始信号的均值判定该阶IMF分量是否为趋势项.模拟振动信号仿真证明了方法的有效性.最后对实测信号进行了EMD处理并最终重构了振动位移信号,与小波变换方法及一种定性的EMD趋势项判定方法进行了比较,结果表明提出的基于EMD的信号趋势项提取和判定方法有更大的优越性,有助于客观评价该武器性能.     

基于EMD方法的X波段双偏振雷达衰减订正

针对X波段双偏振雷达信号在降雨路径中的衰减现象,本文提出经验模式分解（Empirical Mode Decomposition,EMD）方法进行X波段双偏振雷达衰减订正,首先对总差分传播相移进行EMD分解得到有限个基本模式分量（Intrinsic Mode Function,IMF）,并基于皮尔逊相关系数准则将IMF分为噪声IMF和信号IMF两类,然后对信号IMF进行有效重构得到差分传播相移,再将差分传播相移通过最小二乘法拟合得到差分传播相移率,最后对求得的差分传播相移与差分传播相移率采用自适应约束方法进行反射率衰减订正。利用EMD方法和其他方法进行对比分析,其结果表明,EMD方法能够有效地消除X波段双偏振雷达回波数据中后向散射的影响,在保留真实的气象信息的同时,有效地抑制差分传播相移的显著波动,进而衰减订正效果更好。     

基于EMD时频重构特征的航管应答器个体识别

通过分析航管应答信号样式及特点,提出了基于经验模式分解（EMD）时频重构特征的航管应答器个体识别算法。首先通过EMD将多分量信号分解为有限个固有模式函数（IMF）分量,继而利用IMF来重构辐射源信号的时频分布,最终获得稳定的时频图分解特征。利用实测航管应答信号的验证实验表明,该方法可以有效提取航管应答信号的细微特征,最终的识别性能显著优于使用脉冲包络特征或者功率谱特征的识别算法。     

基于EMD的音频水印算法研究

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)的音频水印算法,选择EMD分解得到的冗余信号分量作为水印的嵌入位置,并证明了冗余信号分量按照提出的算法嵌入水印以后仍然是冗余信号分量,从而为水印嵌入提取提供了理论基础.通过粒子群优化算法求解出适用于EMD分解的最优音频水印嵌入强度,按此强度嵌入水印,可以同时满足水印的健壮性和不可感知性.仿真结果表明,使用计算出的最优嵌入强度嵌入水印,嵌入水印后的音频信号在受到大部分攻击的情况下可以确保水印的不可见性和健壮性.     

基于BOTDA的海缆监测系统振动信号降噪方法研究

搭建了基于布里渊光时域分析(BOTDA)的海底电缆(海缆)振动信号监测模拟实验系统,通过实验获得了锚砸、冲刷、摩擦3种工况下的海缆振动信号.针对振动信号含有大量噪声,提出TSA-VMD-MPE降噪方法.利用被囊群算法(Tunicate Swarm Algorithm,TSA)优化变分模态分解(Variational Mode Decomposition,VMD),获取VMD分解层数与惩罚因子的最优值,对振动信号分解获得本征模态函数(Intrinsic Mode Functions,IMF)分量;利用IMF与原始信号的相关性及IMF的方差贡献率联合来确定IMF的多尺度排列熵(Multi-Scale Permutation Entropy,MPE)阈值,对振动实验信号进行降噪.实验结果表明:所提降噪算法使3种海缆振动信号信噪比平均提高了12.0296 dB;将提出的MPE阈值方法应用于EEMD与CEEMD算法也获得了良好的降噪效果.     

一种改进的经验模型分解方法

在对复杂信号进行分析中,常把它展开成一系列基本信号,然后,通过研究每个基本成分或者相应系数的特点来分析复杂信号。Huang等人提出经验模型分解方法(Empirical Mode Decomposition,EMD),通过筛选,将复杂信号中分解成一系列内在模型函数(Intrinsic Mode Function,IMF)。在本论文中,作者对经验模型分解中的一个重要的筛选过程作了部分改进,提出了一种改进检验模型分解法(Modified EMD,MEMD)。利用改进检验模型分解法,能够既快又准确地获得内在模型函数,而且,得到的内在模型函数能保留原信号中各成分的瞬时频率的规律。     

基于EMD和SPM的滚动轴承故障定量诊断方法

在滚动轴承故障诊断中,冲击脉冲法(Shock Pulse Method,SPM)结合包络解调技术可以进行有效的定量诊断。然而通过对轴承振动信号直接进行包络解调计算SPM方法所需的冲击值时,往往会出现误差。因此本文提出了基于经验模式分解(Empirical Mode Decomposition,EMD)和SPM的滚动轴承故障定量诊断方法,首先对轴承振动信号进行EMD分解,再对分解得到的基本模式分量(Intrinsic Mode Functions,IMFs)做包络解调从而得到准确的冲击值,然后利用SPM方法便可以准确地进行滚动轴承故障定量诊断。仿真信号和试验信号的分析结果表明本文方法可以准确有效地进行滚动轴承故障定量诊断。     

添加自适应高频谐波的改进经验模态分解算法

提出了一种改进的添加自适应高频谐波进行经验模态分解(EMD)的算法,减少了EMD原始算法中频谱混叠现象。通过对原始信号的预处理,自动提取出原始信号中包含的最高频率分量,并根据提取出的频率分量进行高频谐波添加。仿真验证了添加自适应高频谐波的EMD算法,可有效减少EMD算法中频谱混叠现象,同时解决了高频谐波添加中频率难以确定的问题。     

基于EMD的声发射管道泄漏检测研究

针对管道泄漏声发射检测信号的非平稳特征,该文提出了基于经验模态分解(EMD)的声发射信号分析方法。该信号分析法将管道泄漏产生的复杂声发射信号分解成有限个固有模态信号(IMF),使Hilbert-Huang变换(HHT)的瞬时频率具有了实际物理意义,提高了管道泄漏检测的定位精度。结果表明,HHT法能准确描述声发射波形信号的非线性、非平稳时变特征,是声发射信号时频分析的有效工具。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

一种改进的自适应干扰对消技术研究及在电磁辐射测量中的应用

提出了一种适合于处理非平稳随机信号的改进自适应干扰对消算法.首先利用经验模态分解的分频特性将多频复杂信号分解到不同的固有模态函数中,再利用改进的最小均方自适应算法进行干扰对消.计算机仿真以及试验结果证明,该方法有效地滤除了含噪电磁信号中的电磁噪声干扰,提高了电磁辐射测鼍的速度和精度,具有重要的工程应用价值.     

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。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

基于分形特性改进的EMD目标检测算法

为克服原有检测算法在目标和海杂波混叠时检测性能下降的问题,该文提出一种基于分形特性改进的经验模态分解(EMD)目标检测算法。该算法对原始信号经经验模态分解后得到的固有模态函数进行数据重构,再采用快速傅里叶变换获得去噪后的海杂波单元和目标单元的频谱,计算两者的单一Hurst指数,并将其输入非参量检测器中进行目标检测。研究表明,虽然目标和海杂波在频谱中难以区分,但两者在无标度区间内的单一Hurst指数存在差异,因此所提检测算法相比于原有频域检测算法性能更优。     

基于PCA与EMD的超宽带雷达生命信号检测算法

 本文分析了脉冲超宽带(UWB)生命信号模型,提出了基于主元分析(PCA)和经验模态分解(EMD)的非接触生命信号检测方法.根据UWB信号杂波与生命目标回波特点,结合PCA去除杂波.提取适当的主元特征向量序列曲线上峰值所对应的时延,估计目标距离信息.采用EMD分解目标回波序列为有限个固有模态函数(IMF)分量,在时域上重构平滑生命特征曲线,且其在高信噪比下可实现心跳与呼吸信号的分离.实验研究表明该方法简单有效,能同时提供生命信号的频域和时域波形位置信息,且重构得到的生命信号较符合实际信号时变、非平稳特性.     

基于EEMD的信号处理方法分析和实现

Hilbert—Huang变换是一种具有良好自适应性,能够对非线性非平稳的信号进行分析的时频分析方法。而经验模式分解是HHT的核心部分。针对传统EMD分解带来的模态混叠问题,介绍了引入白噪声辅助分析方法的改进型算法EEMD并且通过Matlab平台进行了信号仿真系统设计和实验,验证了EEMD方法的抗混分解能力。     

稀疏时频表示的初始相位估计方法

经验模态分解是处理非平稳信号的常用方法之一。在本征模态函数与稀疏优化相结合的表示框架中,基于聚合经验模态分解的思想,本文提出了一种初始相位估计的方法。该方法首先通过噪声辅助的分解算法自适应地消除部分噪声,再用标准算子方法得到剩余分量的相位估计值。理论分析和仿真实验均表明该算法能够降低已有的相位估计算法对噪声的敏感程度,改善了信号稀疏时频表示方法的表示效果。