基于希尔伯特-黄变换的船舶声信号特征提取

将希尔伯特-黄变换(HHT)用于船舶声信号特征提取中,利用HHT对实录船舶辐射噪声进行特征提取后,利用神经网络进行分类.研究表明希尔伯特-黄变换方法对于信号的时频特性具有较高的分辨能力,适用于水声非平稳信号的分析.与传统时频分析方法相比具有很强的自适应特性和较好的时频聚集性,时频分辨力高于小波变换.结果表明对于船舶声信号识别,希尔伯特-黄变换方法是一种有效的特征提取方法.     

水下目标特性特征提取及其融合

为解决基于回波法水下目标分类与识别问题,从水下目标回波的弹性亮点特性、多分量特性和能量积分特性出发,利用频域离散小波变换(FDWT)、希尔伯特谱(Hilbert谱)、希尔伯特边际谱、分数阶傅里叶变换(FRFT)4种时-频分析方法从不同角度对目标回波与混响进行分析.对所提取的特征进行压缩与融合,利用支持向量机完成对水下目标和混响的分类与识别.文中给出了发射换能器以不同掠射角工作时4种时-频特征及其融合特征的识别率.实验结果表明,随着掠射角的增大,总体识别率呈现升高的趋势,融合特征可以有效提高识别率.     

基于变分模态分解和希尔伯特变换的转子非平稳信号故障特征识别

为了提升传统希尔伯特黄变换在处理复杂非平稳信号时的时频分析能力,本文将变分模态分解和希尔伯特变换进行结合,提出了一种时频分析方法变分模态分解和希尔伯特变换。此外,为了对变分模态分解的模态数进行自动调整,还提出了一种基于相关系数的希尔伯特黄变换参数优化方法,有效避免了由于希尔伯特黄变换模态数设置不合理而导致的信号分解不足和分解过剩的问题。利用转子故障信号对变分模态分解和希尔伯特变换方法的时频分析能力进行了验证,并且与传统希尔伯特黄变换的对比突出了该方法在处理非平稳信号中的优势。     

希尔伯特-黄变换在体系动力响应分析中的应用

目的为了更好地分析线性双自由度体系的动力响应,识别各种因素对动力响应的影响.方法将最近美国黄锷提出的一种新的时频分析方法,希尔伯特-黄变换方法运用于线性双自由度体系输出绝对加速度反应的时频分析,对体系的动力响应先进行了经验模态分解,将反应数据分解成了具有明确物理意义的固有模态函数,再经过希尔伯特变换之后,可以得到各固有模态函数的希尔伯特谱.结果动力响应的希尔伯特谱有效地区分了体系自振频率及激励频率对体系动力响应的影响,各频谱具有明确的物理意义.结论希尔伯特-黄变换方法,克服了傅里叶变换不能表示响应随时间变化的缺点,是一种很好的时频分析的方法,可以细致体现出体系的动力特征,具有很高的精确性与有效性.     

基于HHT的矢量传感器瞬态信号方位估计

针对瞬态信号存在时间短、变化快,传统的信号处理方法很难对其进行方位估计的问题,将希尔伯特-黄变换与矢量信号处理相结合应用到水声领域,提出了矢量希尔伯特-黄变换的方法.利用希尔伯特-黄变换获取信号的瞬态信息,结合矢量信号处理宽带方位估计提出了矢量瞬时方位估计的概念,在此基础上发展了矢量希尔伯特-黄变换水声应用的理论框架.海试表明新理论在瞬态信号处理和单矢量传感器目标方位估计方面,其性能比常规方法有了明显的提高.     

基于改进的希尔伯特-黄变换的心音信号特征分析

为了快速、准确地分析心音信号的特征,提出了一种基于改进希尔伯特-黄变换(HHT)的心音信号特征分析方法。通过对一个典型的振动信号进行经验模式分解(EMD),验证了该方法的有效性,同时针对两例标准心音进行希尔伯特谱分析并仿真得到心音信号的时-频谱及边际谱。结果表明,该分析方法能够很好地表征心音的时频变化特性,为后续实现心音的分类与识别提供了参考。     

水下沉底小目标回波的短时FrFT滤波分析

为提高主动声纳在浅海区域探测水下沉底目标的能力,研究了二类水下沉底目标回波和混响的时频特性.基于分数阶傅里叶变换(FrFT)方法,设计高斯窗的短时FrFT算法(STFrFT)对水下沉底目标回波进行表征,根据回波和湖底混响在FrFT域的时频聚焦性差别,将最佳旋转后的信号进行u域窄带滤波可有效地抑制混响的干扰.湖试数据分析表明,在两类沉底目标探测过程中的短时FrFT时频面上湖底混响拖尾衰减较快,该方法可有效地提取回波中稳健的时频特征.     

基于希尔伯特边际谱互相关分析的织物疵点检测

提出了一种基于希尔伯特黄变换和互相关分析相结合的织物检测疵点方法.首先,选取正常织物作为模板并对待检测图像进行等尺寸分割,得到子图像,其大小与模板尺寸保持一致;然后分别对模板图像和每个子图像做希尔伯特黄变换,得到希尔伯边际谱.最后,求取模板图像的边际谱和每个子图像边际谱的互相关,选取合适的互相关值作为疵点识别的依据.仿真试验表明,该方法对断经、断纬、缺经、粗经、错经、错纬、扣痕、破洞等疵点具有良好的检测效果.     

基于希尔伯特-黄变换的低信噪比语音端点检测

应用希尔伯特-黄变换完成了一种低信噪比条件下的语言信号端点检测。该方法通过分析纯净语音信号与低信噪比下语音信号的固有模态函数及希尔伯特谱,找出固有模态函数中语音信号能量集中的分量,分析其希尔伯特谱,自适应地选取阈值进行语音段与非语音段的检测。通过对比实验表明了该方法在低信噪比下能有效地检测出语音信号。     

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题.为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障.经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障.     

基于经验模态分解的目标特征提取与选择

经验模态分解(EMD)是一种新的非平稳时变信号处理方法,可以自适应地将信号的局部特征逐级分解出来。提出了基于EMD的舰船噪声特征提取与选择方法,将本征模态函数(IM F)分量及其瞬时频率作为特征,并选择其判别熵作为特征向量的可分性度量。数值仿真和实际噪声数据处理的结果表明IM F分量和频率可以充分体现目标的特征,具有良好的类别可分性。     

动平衡信号的时频分析方法研究

针对动平衡信号面向去重平衡机应用时存在的非线性、非平稳性以及实时性,本文在分析硬支撑动平衡理论的基础上,以联合时频分析方法对标准工件进行加重获得的动平衡信号为研究对象,分别用短时傅立叶变换(STFT)、Wigner-Ville分布(WVD)、小波变换和Hilbert-Huang变换(HHT)对动平衡信号进行时频分析。仿真结果表明,STFT是基于窗函数变换的分析方法,对信号局部分析能力不足且分析精度不高;WVD虽然具有好的时频聚集性,但对多分量信号存在交叉干扰项;小波变换局部分析能力强且分析精度高,但涉及小波基的选择,对非平稳信号不具有实时性;HHT可根据信号的局部时变特征对其进行自适应分解,最终给出信号的时频谱和幅值谱,能够准确描述动平衡信号的特征,具有很高的时频分辨率和时频聚集性。     

基于高次样条插值的经验模态分解方法研究

基于经验模态分解(EMD)方法,把一列时间序列数据分解成一组本征模函数组,然后经希尔伯特变换获得其希尔伯特谱.在现有的采用三次样条插值的EMD算法基础上,提出了基于高次样条插值的EMD新算法.仿真研究结果表明,所提出的新算法能有效提高EMD时频分析的精度.     

改进HHT算法及在心音信号分析中的应用

HHT(Hilbert-Huang Transform)是一种具有自适应性的、新型的、基于模态分解的时间序列数据处理方法。心音信号是一种典型的非平稳信号,传统信号处理方法来处理心音信号有一定的局限性。为了研究心脏的动力学特征,将HHT算法引入到心音的信号分析中。提出了一种改进的HHT算法,针对仿真信号进行了分析,验证改进的算法可以正确地提取出信号中的各个分量IMF(Intrinsic Mode Function);使用该算法对一例正常心音信号进行分解处理,表明该算法能按不同的时间尺度对心音信号信号进行分解     

HHT变换在地球物理中的应用现状及前景

时频分析的研究得到快速发展,推出了多达十余种时频变换方法,其中,HHT（Hilbert-HuangTransform）分析是最为瞩目和引人注意的,其分析非平稳信号的优越性已被广泛证实,并被成功地应用于多个领域,取得很好的效果。本文在简要介绍HHT原理与算法的基础上,综述HHT变换在地球物理中的应用现状及存在的主要问题。     

Hilbert-Huang变换应用中的预处理方法研究

为提高Hilbert-Huang变换（HHT）中瞬时频率计算的真实性和稳定性，提出了一种信号的预处理方法.该方法首先对信号作傅里叶变换，然后根据插值点数作补零处理，再进行傅里叶反变换，完成傅里叶插值功能.对傅里叶插值处理后的信号作经验模态分解（EMD）得到一组固有模态函数（IMF），计算所有IMF的瞬时频率和幅值，最终获得信号时频分布的Hilbert谱.结果表明，该傅里叶插值的预处理方法能够有效消除和抑制HHT分析中的瞬时频率波动和虚假成分产生，增强了瞬时频率的准确性，提高了HHT方法的信号分析频率，该方法能有效应用于实际信号处理的HHT时频分析中.     

希尔伯特-黄变换轴瓦异响故障诊断

根据汽车发动机信号非线性、非平稳性特点,分别对正常以及轴瓦异响发动机信号进行HHT,得到希尔伯特谱与时频分布三维图。将引起异响的高频成分从异响信号中分离,再通过对高频成分的分析找出故障原因。结果表明,正常发动机固有频率为210Hz,轴瓦异响发动机频率主要集中在500,1 500和2 700Hz,通过对比加速度谱分析结果,判断出轴瓦异响的原因是轴瓦磨损。     

利用边际谱Hurst参数检测DDoS攻击

为了有效检测分布式拒绝服务(DDoS)攻击,提出对网络流量信号进行希尔伯〖JP9〗特-〖JP〗黄变换(HHT),得到相应的边际谱,计算边际谱的Hurst参数. 以最大化综合指数为目标,训练实验数据的边际谱Hurst取值,得到检测阈值,通过与该阈值的大小进行比较判断是否有DDoS攻击发生. 实验结果表明该方法具有一定的检测效果. 