微电网HHT谐波检测与时频分析方法

为解决微电网谐波、突变等复杂非平稳信号的精确检测问题,提出一种基于Hilbert-Huang变换（HHT）的微电网谐波检测与时频分析方法。该方法采用保形分段三次埃尔米特插值法拟合极值点曲线,对谐波信号进行经验模态分解（EMD）,得到有限个固有模态分量（IMF）并进行Hilbert变换,最终计算各个IMF分量的瞬时频率和瞬时幅值,实现微电网谐波等非平稳电能信号的时频特性精确检测。仿真结果表明,该方法能够快速、准确地获取谐波信号频率成分、幅度及电压突变时刻。相对于FFT变换及传统HHT方法具有较高的精度和时域区分特性,可满足微电网谐波微机检测的工程应用需求。     

基于改进方法EEMD的HHT脉搏信号分析

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原...     

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.     

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。     

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。     

EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

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。     

HHT方法在不同思维作业脑电信号分析中的应用

介绍了一种处理非线性、非平稳信号的新方法——HHT的原理及特点,并将其应用于不同思维作业脑电信号分析。实验结果表明,不同思维作业脑电信号经HHT后的HH谱和Hilbert边际谱都差异显著,证明HHT方法对脑电信号处理的可行性。     

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。     

Hilbert-Huang变换在语音信号精细时频分析中的应用

语音信号是一种典型的非平稳信号,其特性及表征本质特征的参数均是随时间变化的,而时频分析是分析时变谱的有力工具,Hilbert-Huang变换是一种新型的具有自适应性的时频分析方法,对于非线性、非平稳信号有清晰的物理意义,通过HHT变换,能够得到信号的时间-频率-振幅三维分布特征。分析了HHT算法的原理,采用了合适的端点效应处理方法提高了EMD的分解精度,通过仿真实验得到了语音信号更加精细的时频结构,并与STFT、WVD及Choi-Williams分布进行了对比,显示了HHT算法的优越性。     

基于HHT的水中爆炸冲击波信号特征分析

水中爆炸冲击波信号是一种瞬态、非平稳信信号,其信号的处理精度直接影响了冲击波测量精度和爆炸点的定位等。希尔伯特——黄变换（HHT）是一种基于瞬时频率分解的时频信号分析方法。本文介绍了一种利用HHT对水中爆炸冲击波信号的处理方法,研究结果表明,HHT方法对于处理瞬态非平稳信号是非常有效的。     

基于HHT的汽车动态称重数据分析方法

将希尔伯特-黄变换（Hilbert—huang transform,HHT）引入到汽车动态称重数据的分析中,针对动态称重信号的特点运用了极值延拓法来抑制边界效应,提出了利用经验模分解（Empirical mode decomposition,EMD）剩余分量的平均值求汽车动态称重真实轴重的方法,并将该方法与滤波法进行比较;进一步求出信号的Hilbert边际谱,将其与傅里叶幅值谱进行比较。实验结果表明Hilbert边际谱准确地反映了汽车通过称重台时振动系统的频率分布情况,汽车自振频率由此求出;当汽车通过台板的时间大于车辆振动的基频周期时,用该方法处理汽车动态称重信号能得到较理想的结果,车速≤15km／h时最大误差为5．63％。     

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。