运用分频段希尔伯特黄变换进行多分量信号的频散分析

将分频段希尔伯特黄变换应用于多分量信号的频散分析中.首先,利用带通滤波器和经验模态分解相结合,成功实现了经验模态频率分解,并准确提取了经验频率模态函数;然后,使用该方法准确地获取了多分量含噪信号的时频能量谱和时频相位谱;最后,基于同步相差和异步相差算法,精确绘制了原信号的相速度频散分析曲线.数值试验表明,该算法拥有较高的时频分辨能力和良好的抗噪性能,对于复杂且信噪比较低的信号,能获得比传统希尔伯特黄变换更准确的频散分析结果.     

基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

基于自适应噪声完备经验模态分解的Φ-OTDR信号去噪算法

针对相位敏感光时域反射仪(Φ-OTDR)信号信噪比较低的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)的小波信息熵阈值去噪算法。该算法配合CEEMDAN分解,通过小波信息熵阈值去噪,提取扰动位置的高频信息,从而提高系统的信噪比。首先,采用Savitzky-Golay滤波算法对不同光脉冲间的信号进行预处理;其次,采用CEEMDAN将滑动差分后单个脉冲内信号分解为不同的固有模态函数(IMF),并利用连续均方误差准则确定含噪较多的高频IMF分量;然后,采用小波信息熵阈值去噪算法对以上高频IMF分量进行阈值去噪处理;最后,将其与低频IMF分量以及残差分量进行重构。采用自行研制的相干Φ-OTDR系统实测数据进行了验证,结果表明,文中算法与两种传统去噪算法相比,信噪比提升了3dB,这对于系统的实际应用具有重要意义。     

基于EEMD算法在信号去噪中的应用

为了抑制经验模态分解中出现的端点效应和模态混叠现象,利用白噪声辅助数据分析方法——集合经验模态分解构造一个自适应滤波器组,对原信号进行各级滤波,最终得到纯净的信号.然后与小波阈值去噪方法进行比较,通过仿真可以看出,集合经验模态分解构造的滤波器组滤波效果比较理想.     

基于希尔伯特黄变换的滤波器设计

对希尔伯特黄变换理论进行了简要地介绍,研究了希尔伯特黄变换的经验模态分解过程和有噪信号的固有模态函数特征.通过研究,设计了一种基于希尔伯特黄变换的滤波器.将该滤波器应用于信号去噪,收到了满意地效果.     

基于经验模分解的小波阈值滤波方法研究

信号的多分辨经验模分解方法可以解释为以信号极值特征尺度为度量的时空滤波过程。这种时空滤波器充 分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势。本文提出了一种基于经验模分解的小 波阈值滤波去噪方法,并和小波阈值去噪、多尺度EMD滤波效果相比较。实验结果表明了基于经验模分解的小波阈值去 噪具有广泛的适用性和独特的去除非平稳信号的有色噪声的优势。     

基于VDM和小波阈值的语音降噪方法研究

针对带噪声的语音信号,提出了基于变分模态分解（VMD）和小波阈值相结合的去噪方法。首先,采用VMD对带噪声道信号进行分解,从而得到分解后的固有模态（IMFs）信号;然后,引入T检验对各IMFs分量进行低频和高频区分,对其中的高频分量用小波阈值进行噪声滤除;最后,对将低频IMFs分量和滤波后的高频IMFs分量进行重构,从而得到降噪后的具有较高信噪比的语音信号。通过实验验证,本方法与EMD和小波阈值联合算法相比,具有更好的去噪性能,具有一定的实用价值。     

基于经验模态分解的自适应滤波算法及其应用

在对炮膛进行检测时,由于温度、光照强度等影响,使得测得的信号带有很大的噪声,当噪声频带很宽时,自适应滤波器的参数设置比较困难,致使去噪效果不明显.为此,提出了一种基于经验模态分解的自适应滤波算法,该算法基于信号和噪声经过经验模态分解后在不同的IMF上有不同的特征,即先对信号进行经验模态分解,然后对各个高频IMF信号分别选用不同的滤波参数,进行自适应滤波处理.通过实验对比研究了该算法与普通自适应去噪、多尺度EMD滤波的降噪效果,实验表明,该算法具有很好的去噪效果.将该算法应用于炮膛检测系统中身管内径测量信号的降噪处理,取得了满意的效果.     

基于EMD与SSA的语音增强算法研究

针对低信噪比下语音性能不佳及经验模态分解(EMD)在语音增强中的有效应用,文中提出了一种基于奇异谱分析(SSA)与EMD的语音增强算法。将含噪语音信号做EMD分解,对噪声IMF分量及信号IMF分别采用小波变换和SSA去噪处理。在输入信噪比为-10d B到10d B的高斯白噪声环境下进行仿真实验。结果表明文中提出的是一种有效的语音增强算法。     

一种改进的基于经验模态分解的小波阈值滤波方法

经验模态分解是一种新的信号分解方法,该方法可将非线性非平稳信号分解成若干个单分量的本征模态函数,使得每个本征模态函数都具有一定的物理意义。本文探索了该方法在语音增强方面的应用.在文献[8]的基础上,对其方法进行了有效改进。首先将带噪语音进行经验模态分解,得到六个本征模态函数和一个余量信号,对这七个信号分别进行小波阈值滤波,并由滤波后的七个信号重构语音。结果表明,该方法的滤波效果明显优于对带噪语音直接采用小波阈值滤波的方法,并且较之文献[8]的滤波方法也具有一定的优势。