一种改进的基于EMD分解的超宽带信号消噪算法

针对低信噪比超宽带信号的消噪问题,提出一种改进的基于经验模式分解(EMD)的消噪算法.该算法首先对含噪信号进行EMD分解,得到多个固有模态函数(IMF)分量,然后选取高阶IMF重构原信号,达到消噪的目的.针对对UWB信号的IMF重构过程中阶数阈值难以确定的问题,通过数值仿真的方法,得到信号分量和噪声分量在不同阶IMF上的能量分布特性;在对所得特性进行分析的基础上,设计了一种数据自适应的阶数阈值选取算法,解决了EMD消噪中的阶数阈值选取问题.仿真结果表明,EMD消噪算法能够在较低信噪比下提供平均10 dB的信噪比增益,可以有效地对超宽带信号进行消噪.     

基于EMD方法的X波段双偏振雷达衰减订正

针对X波段双偏振雷达信号在降雨路径中的衰减现象,本文提出经验模式分解（Empirical Mode Decomposition,EMD）方法进行X波段双偏振雷达衰减订正,首先对总差分传播相移进行EMD分解得到有限个基本模式分量（Intrinsic Mode Function,IMF）,并基于皮尔逊相关系数准则将IMF分为噪声IMF和信号IMF两类,然后对信号IMF进行有效重构得到差分传播相移,再将差分传播相移通过最小二乘法拟合得到差分传播相移率,最后对求得的差分传播相移与差分传播相移率采用自适应约束方法进行反射率衰减订正。利用EMD方法和其他方法进行对比分析,其结果表明,EMD方法能够有效地消除X波段双偏振雷达回波数据中后向散射的影响,在保留真实的气象信息的同时,有效地抑制差分传播相移的显著波动,进而衰减订正效果更好。     

EMD方法及其在红外气体传感器信号处理中的应用

该文研究了经验模式分解(Empirical Mode Decomposition,EMD)方法在红外气体检测中的应用。针对红外气体浓度信号的特点对算法进行了改进,使得算法能够在不分解出所有IMF(Intrinsic Mode Function)分量的情况下,正确提取所需的IMF分量。与低通滤波和锁相等方法进行了比较分析,结果表明,改进后的EMD算法具有所需数据量少、计算量小、提取的有用信号能量损失少等优点,可以快速识别气体浓度的变化,有效提高气体浓度测量的精度,适用于在线实时检测。     

总体经验模态细分法提取血流超声多普勒信号的研究

提出基于总体经验模态分解（EEMD）血流细分法提高血流超声多普勒信号提取精度.首先估计辅助分析所需的白噪声幅度,进而用EEMD得到无模态混叠的本征模态函数（IMF）组,最后分离出血流信号的IMF.将本方法应用于计算机仿真和人体实测超声多普勒信号,并与高通滤波器法、原EMD法和EMD细分法比较.结果表明本文方法,提取的血流信号精度最高,特别对WBSR=70dB的混合信号,其精度比上述方法分别提高35%、38%及17%.     

基于经验模式分解的人体生命参数检测

人体生命参数检测可用于地震后废墟中的人员搜寻以及反恐行动中人质的营救。由于人体体动的雷达回波信号非常微弱,用传统的时频分析方法无法检测出由体动产生的微多普勒频率。针对这一问题,提出了一种基于经验模式分解的人体生命参数检测方法,首先对人体回波信号进行经验模式分解,接着对分解后得到的内在模函数进行时频分析,可以从时频图中有效提取出由人体体动引起的微多普勒频率。仿真实验表明在信噪比较低时文中所提方法的有效性。     

基于EEMD和HOC的超宽带雷达生命探测算法研究北大核心CSCD

针对超宽带生命探测雷达回波信号属于非线性、非平稳等特点,提出了一种基于EEMD和HOC的超宽带雷达生命探测算法。通过对雷达回波信号进行EEMD分解,将信号自适应分解为若干个本征模态函数(IMF),然后计算各个IMF分量在呼吸和心跳频带内的能量百分比重构呼吸和心跳信号,最后对重构的呼吸和心跳信号的四阶累积量进行FFT变换,获得呼吸和心跳的频率。实验结果表明,文中提出的算法比EEMD重构后直接进行FFT变换具有更高的信噪比和频率估计精度,可有效应用于生命探测雷达人体信号检测中,具有广阔的研究价值和应用前景。     

关于多种模态分解方法的分离效果的差别探讨

经验模态分解(Empirical Mode Decomposition,EMD)是一种自适应信号分解方法,将数据从高频到低频分解成一系列的本征模式函数(Intrinsic Mode Functions,IMF)和一个余量。局域均值分解(Local Mean Decomposition,LMD)一定程度上解决了EMD方法的端点效应问题,但仍不容忽视。变模态分解(variational mode decomposition,VMD)解决了EMD方法在噪声恶劣背景下,IMF淹没在噪声背景中,导致不能得到信号特征分量的问题。多分别奇异值分解算法(Multi-resolution singular value decomposition,MRSVD)利用矩阵二分递推结构原理和SVD方法相结合,能够很好地把信号中微弱的细节信号和主体信号多层次体现出来,从而提取到其中隐含的信号特征。在此主要讨论EMD、LMD、VMD和MRSVD处理含噪信号时的效果差异,并对四种处理方法在滚动轴承故障振动信号的实际应用中出现的问题进行探讨。     

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。     

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。     

基于脉冲相关性的时域增强EMD轴承故障诊断

为了提高低速动车轴承故障诊断的有效性,提出基于互相关原理对EMD经验模态分解后的信号时域脉冲进行增强。轴承故障信息呈周期性出现,所以经过EMD分解得到的IMF分量也含有周期故障脉冲信号。为了增强故障脉冲信号的信噪比,利用基于对周期信号的时域相关性对各IMF本征模态分量分别进行时域叠加增强,最后对IMF进行包络分析提取故障特征频率。实验结果表明对IMF进行基于脉冲相关性的时域增强能够有效地抑制EMD无法去除的噪声信息,提高IMF包络谱中信噪比。     

基于EEMD的故障微弱信号特征提取研究

总体平均经验模式分解(EEMD)方法是一种先进的时频分析方法,非常适合于对非平稳故障微弱信号的分析处理。文中介绍了EEMD方法的原理与算法实现步骤,重点分析了EEMD方法避免模式混淆的机理。利用EEMD方法对齿轮箱振动信号进行分析,成功提取了小齿轮磨损故障特征,验证了EEMD方法在故障微弱信号特征提取的有效性。     

基于经验模态分解的空中飞机目标分类

该文研究常规窄带雷达体制下喷气式飞机、螺旋桨飞机和直升机目标的分类问题。首先根据微多普勒效应利用多散射中心模型从理论上分析了飞机目标旋转部件的雷达回波模型;然后针对3类飞机目标回波在多普勒域频率调制的不同,提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)算法的特征提取方法;最后基于仿真数据训练、实测数据测试的模式,使用支持矢量机(Support Vector Machine, SVM)分类器的分类结果表明新方法较现有方法在较高信噪比条件下具有更好的分类性能。     

基于EMD拟合特征的耳语音端点检测

耳语音作为人类发音的一种特殊形式,与正常语音相比具有信噪比低、元音的周期特征不明显等特性,因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测,该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD),首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量,以其归一化拟合参数为耳语音端点检测的特征,可以准确地划分出耳语音端点。实验表明,该方法在耳语音端点检测中取得了很好的效果,在1200个信噪比为2～10dB的测试样本中,检测准确率为98.25%。     

基于过零点-极点估计的瞬时频率幅度算法

Hilbert-Huang变换(HHT)理论通过经验模态分解(EMD)提取信号的内蕴模态函数(IMF),并对IMF利用Hilbert变换得到信号的时频幅度谱和边际谱。在总结Hilbert变换理论和算法实现局限性的基础上,提出基于过零点-极点估计求取IMF瞬时频率、幅度算法,通过对离散信号插值运算精确求取过零点和极点位置,并据此求出相应点的瞬时频率和幅度,最后采用三次样条求取信号的瞬时频率幅度曲线。通过几个典型的例子对该算法进行检验,结果表明,与Hilbert变换结果比较,借助该算法得到信号的时频幅度谱和边际谱结果更精确、频率分辨率更好。     

基于EMD和小波包的轴承故障特征提取

提出了一种将经验模态分解(EMD)和小波包(Wp)分解相结合的方法,提取某些电机信号非平稳特征.首先对电机振动信号作EMD分解,再对其分解结果单模态函数作WP包络谱分析,从而得到精确度较高的轴承内圈故障频率.最后,通过仿真和实例,将本方法和已有文献中的方法进行对比,结果表明,该方法不仅具有较高的可行性,而且可以准确地提取出故障信息.     

基于EMD的海杂波特性与目标检测

非线性非平稳是海杂波的重要特性之一,希尔伯特-黄变换（HHT）是一种全新的非线性非平稳信号的分析方法。含有目标的雷达信号在希尔伯特-黄变换过程中经过经验模式分解（EMD）后,其趋势分量及部分固有模态函数分量与海杂波的具有明显的区别。利用这种区别,本文提出一种海杂波环境下的目标检测新方法——趋势检测法,通过实测海杂波计算验证,该方法能够明显改善淹没于海杂波中的慢速小目标检测能力。     

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。     

Method for eliminating mode mixing of empirical mode decomposition based on the revised blind source separation

Since mode mixing of empirical mode decomposition (EMD) is mainly caused by the intermittence and noise, we propose a novel method to eliminate mode mixing of EMD based on the revised blind source separation. To this aim, an optimal morphological filter is employed to eliminate the noise. As a result, the component of mode mixing caused by noise is suppressed. Furthermore, the de-noised signal is decomposed into different intrinsic mode function (IMF) components through the EMD algorithm. Since it is impossible to apply blind source separation to a single channel signal directly, the IMF component, which has mode mixing is chosen and reconstructed in the phase space. Following that, the equivalent hypothetical signals are obtained. Finally, an improved fixed-point algorithm based on independent component analysis (ICA) is introduced to separate the overlapping components. The analysis of simulation and practical application demonstrates that our proposed method can effectively tackle the mode mixing problem of EMD.