基于改进的局部特征尺度分解和归一化正交的时频分析方法

针对希尔伯特-黄变换(Hilbert-Huang Transform,HHT)中经验模态分解(Empirical Mode Decomposition,EMD)和希尔伯特变换(Hilbert Transform,HT)的不足,提出了一种基于改进的局部特征尺度分解(Improved Local Characteristic-scale Decomposition,ILCD)和归一化正交(Normalized Quadrature,NQ)的时频分析方法.ILCD克服了LCD的固有缺陷,在精确性和正交性等方面要优于EMD和LCD方法.同时为了克服HT的不足,提出了一种基于经验调幅调频分解标准化估计瞬时频率的归一化正交(Normalized Quadrature,NQ)方法.通过仿真信号将EMD,LCD与ILCD进行对比,同时将标准希尔伯特变换,直接正交法与NQ进行对比,结果表明了论文方法的有效性.转子碰摩故障数据分析结果进一步验证了论文方法的有效性和优越性.     

自适应掩膜信号集成局部特征尺度分解及其应用

局部特征尺度分解（LCD）是为克服经验模态分解（EMD）中均值曲线构造的不足而提出的一种自适应信号分解方法,已被应用于机械故障诊断领域.但LCD存在与EMD类似的模态混叠问题,为此,基于均匀相位差掩膜信号构造,提出了自适应掩膜信号集成局部特征尺度分解（AMSELCD）,该方法不仅能够将一个复杂信号自适应地分解为若干个本征模态函数和一个剩余项之和,而且能够有效地解决LCD的模态混叠现象.通过仿真信号分析,将AMSELCD与现有多种抑制模态分解方法进行了对比,结果表明了所提方法的有效性和优越性.最后,针对滚动轴承和转子碰摩故障振动信号的调制特征,将所提AMSELCD方法应用于转子碰摩和滚动轴承的故障诊断,对比和实验分析结果进一步验证了所提方法的有效性和优越性.     

自适应信号处理算法对比分析

时频分析技术是处理非平稳信号的有效手段,非平稳信号的时频表示是人们研究的热点问题。针对此问题,人们提出了一系列的自适应信号处理方法,包括经验模态分解(Empirical Mode Decomposition,简称EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)、互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,简称CEEMD)、经验小波变换(Empirical Wavelet Transform,简称EWT)、变分模态分解(Variational Mode Decomposition,简称VMD)。阐述了它们算法的基本思想和研究成果,并通过实际信号的例子对不同算法进行了实验对比分析,指出了不同算法的优点和缺点,在对近期研究进展分析的基础上展望了自适应信号处理的发展方向。     

基于多尺度熵和遗传算法改进的语音识别技术

现代语音识别系统大多数都处在复杂的环境中,语音特征的提取势必会受到噪声的影响;在低信噪比环境下的隐马尔可夫模型,它的训练参数容易收敛于局部最小值,导致识别率下降。首先对采集到的语音信号,利用补充的总体经验模态分解(CEEMD)和多尺度熵算法对信号进行随机性检测,该方法在检测出CEEMD分解的异常分量后,进行经验模态分解(EMD);其次将分解得到的近乎纯净的语音信号,作为基于遗传算法改进的隐马尔可夫模型的输入。实验结果表明,利用多尺度熵与遗传算法改进的隐马尔可夫模型相结合的方式,具有更优的收敛速度和优化性能,识别率至少提高1.23%。     

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CELCD和MFVPMCD的智能故障诊断方法研究

针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解（Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition,CELCD）和改进多变量预测模型（Variable Predictive Model based Class Discriminate,VPMCD）的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解（Local Characteristic scale Decomposition,LCD）得到各去除端点效应的内禀尺度分量（Intrinsic Scale Component,ISC）,最后输入到基于多模型融合的多变量预测模型（Multi-model Fusion-Variable Predictive Model based Class Discriminate,MFVPMCD）分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.     

基于CEEMD-PE的脑电信号降噪方法研究

在研究脑电信号特性的基础上,提出了一种基于CEEMD-PE对脑电信号进行降噪的方法.完全集合经验模态分解(CEEMD)能够克服模态混叠的问题,因此,对脑电信号进行CEEMD分解,得到一组固有模态函数(IMF)分量,计算各个IMF分量的排列熵(PE)值,依据PE的值剔除基本为噪声的IMF分量,将降噪后的分量与保留的分量进...     

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.     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GR...     

基于CEEMD和排列熵的SAR窄带干扰抑制方法

为了有效抑制合成孔径雷达（SAR）系统中常见的窄带干扰（NBI）,本文提出一种基于互补集合经验模态分解（CEEMD）和排列熵（PE）的NBI抑制方法。矩峰度系数法用于检测原始回波中是否存在NBI,对包含NBI的回波使用CEEMD将其分解为一系列本征模态函数（IMF）。计算所有IMF排列熵得到全局阈值以区分NBI和有用信号,并使用去除NBI后的IMF分量重建信号以获得良好聚焦的SAR图像。结果表明：所提方法能有效克服经验模态分解（EMD）带来的模态混叠问题,且干扰抑制性能优于传统频域陷波法及基于EMD的NBI抑制方法。     

微弱信号检测的变尺度Duffing振子方法

针对强噪声背景下微弱信号检测问题,本文把互补集总经验模式分解（CEEMD）方法和变尺度Duffing振子结合,提出了一种新的微弱信号检测方法.利用CEEMD将复杂含噪信号分解为不同的固有模态函数（IMF）,通过Duffing系统分岔图及其变化找到相轨迹变化的临界阈值,实现含噪信号的信息检测.结果表明,本文所提方法不仅可以很好地免疫噪声,而且能有效检测出信噪比低至-73dB的多频率周期信号.     

光纤周界入侵信号特征提取与识别方法的研究

提出一种基于互补经验模态分解(CEEMD)奇异值熵结合多核支持向量机(SVM)的入侵信号特征提取与识别方法。首先,采用CEEMD方法对入侵信号进行分解得到若干个本征模态函数(IMF);其次,再对IMF分量进行奇异值分解,计算其奇异值熵;然后,根据奇异值熵筛选出有用IMF分量,构建特征向量;最后,采用多核支持向量机识别入侵信号。采用实际采集的攀爬,敲击,汽车,风等场外入侵信号进行了实验验证,结果表明：CEEMD方法有效解决了EEMD的残留白噪声问题,多核SVM比单核SVM具有更好的识别率,攀爬入侵信号识别率达到95%。     

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。     

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题,具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥整体平均经验模式分解的优势,将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时,分解出的前5个分量与未分解前信号的相关系数明显减小,因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试,研究结果表明,该方法能有效地实现海杂波下目标的探测,性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。     

总体经验模态细分法提取血流超声多普勒信号的研究

提出基于总体经验模态分解（EEMD）血流细分法提高血流超声多普勒信号提取精度.首先估计辅助分析所需的白噪声幅度,进而用EEMD得到无模态混叠的本征模态函数（IMF）组,最后分离出血流信号的IMF.将本方法应用于计算机仿真和人体实测超声多普勒信号,并与高通滤波器法、原EMD法和EMD细分法比较.结果表明本文方法,提取的血流信号精度最高,特别对WBSR=70dB的混合信号,其精度比上述方法分别提高35%、38%及17%.     

短周期高强度旅游活动对城市空气质量的影响

为定量研究短周期高强度旅游活动对城市空气质量的影响, 提出一种综合集合经验模态分解和去趋势互相 关分析的模型 (EEMD-DCCA), 研究了2015 年张家界市武陵源景区旅游人数的变化对大气NO2浓度的影响。首先, 通 过EEMD方法, 获得武陵源景区旅游人数与城市空气中NO2浓度的高频分量; 进一步, 通过DCCA方法研究旅游人数 高频分量和NO2浓度之间的相关性。结果表明, 两组旅游人数高频分量与NO2浓度之间均呈正相关性, 且具有长期持 续性特征, 这意味着短周期节假日旅游人数的剧增会持续影响未来一定时间尺度内大气NO2浓度的变化趋势。在武 陵源景区的研究表明所提的分析模型可以为定量评估旅游活动对自然景区空气质量的影响提供新的研究途径。     

基于集成经验模态分解的海杂波去噪

针对实际海杂波信号非线性非平稳的特点,提出基于集成经验模态分解(EEMD)的海杂波去噪方法.利用EEMD将含有目标信号的海杂波数据分解成一系列从高频到低频的固有模态函数(IMF),通过各个IMF的自相关,分选出有用信号和噪声分量,对噪声占主导作用的IMF选用Savitzky Golay(SG)滤波方法进行消噪,将滤波后的模态分量和剩余的分量进行重构得到削噪后的信号.结合最小二乘支持向量机(LSSVM)建立混沌序列的单步预测模型,从预测误差中检测淹没在海杂波背景中的微弱信号,比较去噪前和去噪后的均方根误差,利用均方根误差评价去噪效果.实验结果表明,EEMD算法对海杂波数据去噪是有效的,去噪后所得的均方根误差0.0028比去噪前所得的均方根误差0.0119降低了一个数量级.