部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

 局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(Empirical Mode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(Ensemble EMD, EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly Ensemble LCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.     

基于区域谷值双层EEMD方法的超宽带雷达生命信息检测

为解决心跳信息在低信噪比环境下难以提取的问题,提出一种基于区域谷值双层EEMD的信号检测方法。首先,对原始数据进行伪二维聚类经验模态分解(Pseudo Bi-Dimensional Ensemble Empirical Mode Decomposition,PBDEEMD)去除系统静态杂波以获得目标矩阵;其次,计算目标矩阵关于快时间轴的能量函数,选择能量函数上目标时间区域的谷值作为特征时间指数;最后,提取时间指数所对应的慢时间信号,并对信号进行聚类经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)获得呼吸和心跳信息。仿真结果表明,在不同信噪比下,基于区域谷值的双层EEMD方法都可以实现呼吸与心跳信号的有效分离。     

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。     

基于EMD和奇异值分解的心律失常分类方法

基于经验模态分解(Empirical Mode Decomposition,简称EMD)和奇异值分解(Singular Value Decomposition,简称SVD)理论,提出一种新的心律失常类型分类方法.首先,利用经验模态分解方法自适应地将心电信号(ECG)分解为一组固有模态函数(Intrinsic Mode Function,简称IMF)和一个残余分量,解决了目前广泛应用的小波分解方法中小波基选取困难以及分解结果不唯一的难题.利用这组固有模态函数构造初始特征向量矩阵,对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值.奇异值是矩阵的固有特征,具有较好的稳定性,根据奇异值计算奇异熵.最后依据奇异熵和马氏距离判别函数对心电信号的心律失常类型进行分类.实验结果表明,本方法能方便有效地对心律失常类型进行识别判断,可用于心电信号病理辅助诊断领域.     

基于EEMD-PE的ADS-B信号降噪研究

自动相关监视广播(Automatic Dependent Surveillance-Broadcast, ADS-B)信号在传输过程中经常受到复杂电磁环境、地面杂波等因素的干扰,给其后续的译码带来困难。结合排列熵(Permutation Entropy, PE)原理,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)的ADS-B信号降噪方法。利用EEMD将含噪ADS-B信号分解得到其各阶本征模态函数(Intrinsic Mode Function, IMF),计算各阶IMF的排列熵,通过排列熵的相对大小筛选出被噪声污染较高的IMF并将其剔除,利用剩余的IMF重构ADS-B信号,以达到降噪的目的。实验结果表明,该方法可以有效提高ADS-B信号的信噪比(Signal-to-Noise Ratio, SNR)。     

非平稳信号分析的广义解析模态分解方法

现有的非平稳信号分析方法都有各自不同的缺陷,短时傅里叶变换的时频分辨率受不确定性原理的限制,希尔伯特黄变换存在端点效应和模态混叠,易导致模糊的时频分布;解析模态分解只适合分析频率恒定的多分量信号;针对包含多个时变模态、特别是频谱重叠的非平稳信号,本文提出了一种新的信号分析方法———广义解析模态分解（Generalized Analytical Mode Decomposition,GAMD）．GAMD通过广义傅里叶变换将时变频率转换为频谱可分的,采用解析模态分解对其分解,再对得到的单分量信号进行逆广义傅里叶变换即可得到原始信号的分量．因此,GAMD非常适合分析时变的非平稳信号．通过仿真信号将GAMD与短时傅里叶变换和希尔伯特黄变换等方法进行了对比,结果表明GAMD方法的分解效果更精确,时频分辨率更高．     

基于VMD的调频连续波雷达生命信号提取

针对生命探测雷达心跳信号能量微弱难于准确提取的问题,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)的调频连续波雷达生命信号提取算法。该算法首先利用距离维快速傅里叶变换(Fast Fourier Transform, FFT)获得距离剖面图,然后通过最大方差法得到目标所在距离门,接着对低通滤波后的相位信号使用VMD进行分离,并采用模态判别准则对生命信号进行重构,最后对重构信号进行FFT得到呼吸和心跳频率。雷达实测结果表明,相比于应用聚类经验模态分解(Ensemble Empirical Mode Decomposition, EEMD),所提生命信号提取算法能够有效抑制雷达回波中的呼吸谐波和噪声,更加准确有效地提取生命体征信号。     

基于ACSEEMD和模糊C均值聚类的 风电机组齿轮箱故障预警

针对风电机组齿轮箱中齿轮故障诊断问题,提出一种风电齿轮箱故障预警方法。该方法将自适应完全集合经验模态分解ACSEEMD(Adaptive Complete Ensemble Empirical Mode Decompostion)、模糊C均值聚类FCMC(Fuzzy C Mean Clustering)算法和Hotelling T2统计量相结合,通过对风电齿轮箱振动信号进行ACSEEMD-ECMC降噪处理,再利用FCMC对降噪后的多组振动信号进行融合分析,提取出连续的T2值(C-T2)及其均方根值 RMS(C-T2),设定报警阈值RMS(C-T2)lim 。最后,建立风电齿轮箱故障预警模型。实验结果表明:该方法对风电齿轮箱振动信号降噪效果显著,可有效解决多组振动信号报警结果不一致的问题。     

基于多元经验模态分解的多元多尺度熵静态平衡能力评估

提出了一种基于多元经验模态分解（Multivariate Empirical Mode Decomposition,MEMD）的多元多尺度熵（Multivarite Multiscale Entropy,MMSE）特征提取方法分析多模态信号,进行人体静态平衡能力评估.首先,采集人体多模态信号,采用多元经验模态分解对多通道信号进行自适应分解,得到一系列多元固有模态函数（Intrinsic Mode Functions,IMFs）,依据T检验和相关系数从中选取最佳的IMF分量进行信号重构;然后,采用多元多尺度熵算法提取特征,用K-均值与支持向量机对比本文特征提取方法与两种传统特征提取方法在处理人体静态平衡能力评估问题时分类效果,并分析两种分类器的人体静态平衡能力评估效果;最后,得出本文最优的特征为基于多元经验模态分解的多元多尺度熵特征,最优的分类方法为支持向量机.     

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。