基于HHT的信号奇异性检测

针对信号的奇异性,采用基于希尔伯特-黄变换（HHT）的方法进行奇异性分解,即首先利用经验模态分解（EMD）对信号进行分解,再提取第一阶分量的瞬时频率;利用瞬时频率检测信号奇异点。通过对幅值突变、频率突变、脉冲突变和方向突变四种奇异信号的仿真分析,表明了该方法能够准确地检测信号奇异点。     

基于HHT算法的扬声器异常音检测技术

为了有效地检测扬声器异常音,提出一种基于希尔伯特-黄变换的异常音识别及去噪方法。分析了小波变换的不足,再进行HHT分析。建立常见的几类扬声器异常音数学模型,并经EMD分解得到包含异常振动信息的IMF分量,利用IMF分量特点进行去噪处理。再求出各模拟异常音信号的Hilbert谱,采用图像二值化技术处理Hilbert谱,和小波变换时频谱比较后证明了HHT方法具有更多的优势。而且,根据不同类型异常音在时频域的特征,即可判断出扬声器异常音类型。matlab仿真实验结果表明,当归一化阈值取为0.065时,会得到清晰的图像,能更精确地检测出异常音类型。     

HHT和神经网络结合的血细胞识别算法

多形态血细胞信号影响细胞分类与计数。提出了一种希尔伯特黄变换（Hilbert-Huang Transform,HHT）和神经网络相结合的血细胞识别算法。利用经验模态分解（Empirical Mode Decomposition,EMD）和Hilbert变换提取血细胞信号能量特征,与时域特征一起构成特征向量;建立神经网络模型进行训练与仿真,以实现对多形态血细胞信号的识别。仿真结果表明,该算法识别准确率高,具有良好的识别效果。     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率,提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解,得到有限个固有模态函数,去掉第一个固有模态函数,其他的都让其通过一个带宽为250～3500Hz的带通滤波器,消除部分噪声。对所选固有模态函数加权,再进行希尔伯特变换得到能量特征值。通过分析噪声特性,估计噪声阈值。在希尔伯特能量谱上,根据阈值搜索语音起点以及终点。仿真实验表明,在低信噪比的情况下,方法的准确率有明显的提高,并具有很强的鲁棒性。     

基于HHT的液压管路裂纹故障诊断方法研究

将HHT方法应用于液压管路裂纹的故障诊断,提出基于HHT的液压管路裂纹故障诊断方法,并以正常液压管路和有裂纹液压管路为例进行实验验证。首先进行EMD（经验模态分解法）振动信号分解。将EMD和HHT方法引入航空发动机液压管路裂纹的振动信号分析,某发动机液压管路的裂纹振动信号的分析结果表明,该方法能够克服傅里叶谱无法同时获得时域和频域信息的缺陷。同时边际谱能够比较真实客观地反映有裂纹液压管路的频率和幅值分布情况。此外由边际频谱图中可知,无裂纹液压管路、有裂纹液压管路振动信号的频率能量分别集中于25 Hz,有裂纹的整体系统刚度大于无裂纹的。据此,有裂纹的管路,其振动加大的现象得以由HHT方法明显呈现。     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

基于ICEEMDAN与Teager能量算子的牵引供电系统谐波检测算法

针对传统的谐波检测算法无法分析牵引供电系统中的非线性、非平稳谐波的问题,文章提出一种基于改进自适应噪声的完整集合经验模态分解（ICEEMDAN）与Teager能量算子（TEO）相结合的谐波检测算法。其先将待测信号经ICEEMDAN得到一组固有模态函数（IMF）分量,再通过筛除虚假分量,得到真实的IMF分量;然后,对各个IMF分量进行Teager能量算子（TEO）解调,得到谐波分量的幅值与频率随时间变化的图像。经分析得出,ICEEMDAN作为希尔伯特-黄变换（HHT）中的重要步骤经验模态分解（EMD）的改进算法,相较EMD的其他改进算法,其抑制模态混叠的效果最佳,并具有良好的自适应性,在处理非线性非平稳信号时有着很好的表现;而TEO能准确检测出谐波的瞬时幅值与频率,并快速响应信号的变化。通过构造牵引网特性中的谐波信号对该算法进行仿真分析,结果显示,分析稳态电流谐波时,幅值与频率的平均检测误差分别为3.56%和1.74%;分析暂态电流谐波时,幅值与频率的平均检测误差分别为3.39%和2.44%。这表明文章所提算法能够对牵引供电系统谐波的幅值与频率进行准确的检测,并可以准确定位谐波信号的突变...     

基音周期检测的希尔伯特-黄变换方法

根据语音信号非平稳非线性的时变特点,提出了一种基于希尔伯特-黄变换的基音周期检测法。该方法不需要对语音信号进行短时平稳假设,能自适应地对信号进行分解,具有很高的时频分辨率(不受Heisenberg不确定原理的制约)。利用短时能量对语音进行清浊音判断,再经过经验模态分解将信号分解为若干固有模态函数,然后对每个固有模态函数进行希尔伯特变换求其瞬时幅值与瞬时频率,根据基音特点对分解得到的固有模态函数加权求和突出基音周期信息,最后采用自相关平方法进行基音检测。实验表明,该方法较传统的基音检测法精度有所提高,且鲁棒性较好。     

基于HHT变换的电缆故障脉冲法定位分析

电力电缆故障的实际测试波形与理论波形相差较大,需要经验比较丰富的专业测试人员才能够比较准确地确定出故障位置.针对这一问题,对电力电缆实际故障测试波形采用HHT变换,从而获得与理论波形更为相似的波形.经实际测试,能够获得更为准确的测试结果,为电力电缆故障定位提供了一种更为有效的方法.     

基于HHT的小麦碰撞声信号识别研究

采用希尔伯特-黄变换方法分析了小麦完好粒、虫害粒和霉变粒的碰撞声信号,提取了3种类型的声信号在频域的5个特征量,使用BP神经网络进行分类,得到较好的识别结果。实验结果表明,不同类型小麦碰撞声信号在频域存在较大差异,此项研究为实现小麦颗粒的自动识别提供了可行方法。     

基于HHT瞬时能频值的耳语音端点检测

由于耳语音信噪比较低,采用传统的算法进行耳语音端点检测存在正确率低、抗噪性能差等问题。提出了一种基于希尔伯特-黄变换瞬时能频值的耳语音端点检测的算法。运用希尔伯特-黄变换,分离出耳语音的瞬时幅值与频率,提取基于时间-能量-频率的特征参数瞬时能频值,利用该特征值对耳语音和噪声进行区分,进行端点检测。对700个信噪比为2～10 dB的耳语音测试样本进行仿真实验,该算法检测的起点正确率与终点正确率均高于零能积法、熵法以及拟和特征法。实验表明,该算法适应于多种非平稳噪声环境,能较好地检测耳语音的端点。     

基于HHT倒谱系数的说话人识别算法

针对LPCC只反应语音静态特征且不能突出其低频局部特征问题,提出一种以HHT倒谱系数为特征的说话人识别算法,HHT的经验模态分解使语音的低频局部特征得到更好的描述,Hilbert变换能够刻画语音动态特性,改进了LPCC的不足。用经验模态分解将语音分解为一系列固有模态函数分量并做Hilbert变换求得Hilbert边际谱,计算总边际谱的对数功率谱并做DCT得13维倒谱系数,将此特征送入高斯混合模型进行说话人识别。仿真实验结果表明,基于HHT倒谱系数的说话人识别算法,相较LPCC识别率提高了12.59%,但特征提取时间增加了19.27 s。     

一种利用HHT消除信号短时强干扰的方法

针对信号中含有的短时强干扰会引起瞬时振幅和瞬时频率明显异常的特点,基于Hilbert-Huang变换（HHT）提出一种消除方法。利用经验模态分解（EMD）将存在短时强干扰的信号分解成本征模函数（IMF）和残余项;计算每阶IMF的瞬时振幅和瞬时频率,在异常区段,将其根据正常区段的数据进行拟合,用拟合后的数据代替原数据。将处理后的瞬时振幅和瞬时频率重构得到一组新的IMF,对残余项,直接去除异常波动。将所有新的IMF和残余项重新组合,所得信号就消除了干扰的影响。数值仿真和实测数据处理结果表明了该方法的可行性。     

基于小波分解与希尔伯特-黄变换的跳频信号检测

现有的基于时频分析的检测方法在时间分辨率和频率分辨率上往往不能同时满足要求,针对这一问题,提出了一种结合小波分解与希尔伯特-黄变换(HHT)的跳频(FH)信号检测方法.利用小波分解去除混合信号中的噪声;利用希尔伯特-黄变换实现跳频信号的检测,避免了传统时频分析过程中窗函数的影响.理论推导和仿真实验表明:本文方法能同时有效地兼顾时间分辨率和频率分辨率,明显改善了跳频信号检测的准确性.     

面向突发事件识别与测度的金融信号分析

通过金融市场传递的信号观察实体经济和社会秩序的安全和稳定受到了越来越多的关注。然而当前产学界的研究较多依赖于经济学理论和计量模型,获得需要的数据面临样本频次低、统计难度大的问题,其可解释性也受到了限制。为此,该文选择获得成本低、时效性强、权威可靠的金融数据,将金融时间序列视为隐藏社会和经济系统运行信息的金融信号。选择由经验模态分解（EMD）和希尔伯特谱分析（HAS）组成的希尔伯特-黄变换（HHT）方法对金融信号进行分析,通过EMD方法从金融信号中捕获对经济形成冲击的突发事件,通过HAS方法测度突发事件对于社会产生的影响程度。实验结果表明,HHT能够克服金融信号由于混叠多种效应难以挖掘具有实际意义的信息的问题,对于实际发生的突发事件能够做到快速识别和预警作用。     

基于改进经验模态分解的HHT密集模态识别方法

针对传统HHT方法不能有效识别密集模态的问题,提出基于改进经验模态分解(EMD)的HHT密集模态识别方法。EMD密频信号分解能力不足是限制HHT法识别密集模态的主要原因,因此在EMD分解过程中嵌入信号调频(FM)和模态解相关操作提升其分解密频信号的能力,称改进后的方法为调频-解相关模态分解(FM-DEMD)。以FM-DEMD分解取代传统HHT法中的EMD分解,得到改进HHT模态识别方法。仿真试验证明：传统HHT法和ITD法密集模态识别失效时,改进HHT法仍能准确识别密集模态信息。