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.     

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.     

采用局部特征尺度分解的跳频信号参数盲估计算法

针对现有跳频信号参数盲估计算法存在时间分辨率和频率分辨率矛盾这一问题,提出了一种基于局部特征尺度分解的跳频信号参数估计新算法。该算法将跳频信号迭代地分解成若干个内禀尺度分量并进行降噪处理,然后对其最大瞬时幅度进行小波变换和傅里叶变换即可估计出跳频信号的跳变时刻和跳频周期,最后根据得到的跳变时刻和跳频周期可以进一步估计出跳频频率集。该算法不受时频不确定性原理的影响,能够在未知先验知识的条件下估计出跳频信号的跳周期、跳变时刻和跳频频率集。最后通过仿真验证了算法的有效性。      

基于局部特征尺度分解法的声反馈抑制算法

出于抑制扬声系统中声反馈的目的,通过对已有方法的总结,本文提出基于新时频分析法——局部特征尺度分解法(Local characteristic-scale decomposition,LCD)的声反馈抑制新算法：通过一次分解,分离出局部特征最明显的内禀尺度分量(Intrinsic scale component,ISC)——啸叫单频分量,并以此算法为理论基础,给出了基于DSP的系统设计。对导入的语音信号叠加啸叫单音进行仿真分析,分析结果表明：此方法能有效分离语音与啸叫单音,并且可完好保留语音信息。     

EEMD在同时消除脉搏血氧检测中脉搏波信号高频噪声和基线漂移中的应用

人体血氧饱和度是基于脉搏波信号测量得到的,然而在脉搏波信号采集的过程中存在着由人体呼吸和仪器本身热噪声等带来的基线漂移和高频噪声,影响人体血氧饱和度的测量精度。因此,该文提出一种总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)与基于排列熵(Permutation Entropy, PE)的信号随机性检测相结合的方法,同时消除基线漂移和高频噪声。对脉搏波信号进行EEMD分解,计算分解到得到的内在模式分量的排列熵,选取阈值,分别判断并剔除代表高频噪声和基线漂移的内在模式分量。最后信号重构就得到同时消除高频噪声和基线漂移的脉搏波信号。通过自行研制的测量装置所采集的脉搏波信号进行实验验证,利用信号的频谱和交直流比R评价效果。结果表明：该方法有效地同时消除了脉搏波信号中的高频噪声和基线漂移,这将有利于人体血氧饱和度测量精度的提高。     

一种最小长度约束的EMD包络拟合方法

 经典经验模态分解(Empirical Mode Decomposition,EMD)采用三次样条插值方法进行包络拟和,存在较严重的"过冲"现象。在研究该问题已有方法基础上,提出了一种基于最小长度约束的包络拟合方法,以包络曲线长度最小为目标函数,采用Lagrange求极小值法优化极值点处的导数值,然后采用分段三次Hermite函数插值方法进行包络拟合,得到平滑包络线.实验表明该方法能有效地克服三次样条插值法的"过冲"现象和分段抛物线插值法的人为弯折现象,能拟合出更平滑的包络线,使得EMD分解更准确,有效改善模态混淆问题.     

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.     

基于混合特征和集成极限学习机的高压断路器机械故障检测

提出了一种基于混合特征提取和集成极限学习机(IELM)的高压断路器机械故障检测方法。首先,采用全集成自适应噪声经验模态分解(CEEMDAN)对振动信号进行分解,得到固有模态函数(IMF)。然后结合Hilbert变换和带通滤波器对各阶IMF分量进行子带重构,得到时频矩阵。将时频矩阵转化为能量矩阵,利用正态累积分布函数(NCDF)对频带进行归一化,提取出时频熵和奇异熵,形成机械故障特征向量。此外,还建立了故障分类系统。结合带通滤波的CEEMDAN方案优点是可以消除模态混叠,减少辅助噪声的加入,并提高分解效率。此外,NCDF归一化的奇异熵具有更稳定的性能。由多个弱类组成的IELM可以解决传统极限学习机的不足。基于实测数据的实验结果表明,该方法能有效地通过小样本进行机械故障检测。     

一种局部放电信号去噪的新方法

小波变换是在局部放电信号去噪过程中常用的方法,由于实际信号中噪声频带较宽,仅用小波变换去噪有可能带来波形畸变。文中将经验模态分解（Empircial Mode Decomposition,EMD）引入小波阈值去噪算法中,提出了一种基于EMD的小波阈值去噪算法,信号经EMD变换后被分解成若干个频率的本征模态函数（Intrinsic Mode Function,IMF）,再对各个频率的IMF分量进行小波阈值去噪。相比于普通的小波阈值去噪算法,该方法能取得更好的去噪效果。对仿真信号和实测信号的处理结果验证了该方法的有效性。     

一种新的局部仿射不变特征描述符

提出了一种新的局部仿射不变特征描述符:首先,基于多尺度自卷积(MSA,multiscale autoconvolution)变换构造了一组新的特征量———多尺度自卷积熵(MSAE,multiscale autoconvolution entropy),证明了该熵具有仿射不变性;再利用广义典型相关分析(GCCA,generalized canonical correlation analysis)将MSA和MSAE两种特征进行融合,生成具有更多图像信息的独特性更高的组合特征,将其作为新的局部仿射不变特征描述符;最后利用该融合描述符对图像中的最稳定极值区域(MSER,maximallystable extremal region)进行描述,并对MSER进行了2组分类识别实验,证明了新描述符具有更高识别率。     

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。     

一种非平稳非线性频谱占用度时间序列分析方法

针对传统频谱占用度分析模型由于未考虑序列的非线性非平稳特性,导致无法准确描述频谱占用度特性的问题,该文提出将集合经验模式分解(EEMD)方法与人工神经网络(ANN)的方法结合应用于频谱占用度时间序列建模方法中,采用EEMD+ANN的频谱占用度序列建模和预测方法.首先应用EEMD分解算法把原始频谱占用度时间序列分解成不同尺度的基本模态分量,再根据不同尺度的基本模态分量分别构建ANN模型,提高了模型针对复杂频谱占用度时间序列的学习能力.结合实测数据分析,表明该模型相对传统频谱占用度模型具有更高的拟合和预测精度,验证了该方法的正确性与有效性.     

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。     

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.     

基于主成分分析的经验模态分解消噪方法

 针对非线性非平稳信号的去噪问题,提出一种基于主成分分析(PCA)的经验模态分解(EMD)消噪方法.该方法根据EMD的分解特性,利用PCA对噪声信号经EMD分解后的内蕴模态函数(IMF)进行去噪处理:首先利用"3σ法则"对第一层IMF进行细节信息提取,并估计每层IMF中所含噪声的能量;然后对IMF进行PCA变换,根据IMF中所含噪声的能量选择合适数目的主成分分量进行重构,以去除IMF中的噪声.为验证本文方法的有效性,进行了数字仿真与实例应用实验.实验结果均表明,所提方法的消噪效果整体上优于Bayesian小波阈值消噪方法和基于模态单元的EMD阈值消噪方法,是一种有效的信号消噪新方法.     

一种基于经验模态分解的锥体目标雷达微动特征提取新方法

本文以锥体目标为对象,分析了目标进动对雷达回波的调制作用,研究了基于经验模态分解算法的多分量正弦调频信号分离方法,使用短时傅里叶变换得到了每个本征模态函数的瞬时频率,提取了进动周期、进动角、不同散射点间的微动幅度比值等微动特征及目标纵横比,并用暗室测量数据进行了验证,证明了本文的观点和特征提取方法的有效性.     

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。