改进的LS-SVM方法在EMD端点效应问题中的应用

经验模态分解能有效处理非平稳、非线性信号,但在多次采用三次样条插值获取信号上、下包络的过程中容易产生影响分解精度的端点问题。为了抑制经验模态分解中存在的端点效应问题,提出了一种基于最小二乘支持向量机和镜像延拓的端点效应抑制方法。该方法采用最小二乘支持向量机对原始信号序列两端分别向左、右各延拓有限个数据点;用镜像延拓对延拓后的信号序列进行对称延拓处理,将其延拓成一个环形信号序列;对这一环形信号序列进行经验模态分解。通过对仿真信号以及真实脑电信号进行实验分析以及与其他延拓方法的对比,结果表明该方法能够有效抑制端点效应问题,并在抑制端点效应问题方面优于传统的支持向量机和最小二乘支持向量机。     

一种抑制EMD端点效应的改进方法

经验模式分解(EMD)存在的端点效应问题影响着该方法的应用。本文研究了基于端点优化对称延拓和镜像延拓的抑制EMD端点效应的改进方法,避免了单独采用端点优化对称延拓法在预测的点数较多时会造成速度较慢,以及单独采用镜像延拓法在处理端点不是极值点的短时间序列时效果不佳的问题。首先利用端点优化对称延拓法对数据序列两端各延拓一个局部极值,获取最佳的信号端点值,然后利用镜像延拓法把镜内的信号映射成一个不存在端点的环形信号,再进行经验模式分解。通过对仿真信号分析,表明该方法能够有效抑制端点效应问题。     

基于自相关周期估计的EMD端点延拓方法

提出了一种基于自相关周期估计的经验模态分解(Empirical mode decomposition,EMD)端点延拓方法.在信号分解过程中通过高阶自相关函数估计备信号分量的周期,基于提出的整周期准则对信号分量进行数据延拓,得到的延拓数据符合信号分量的变化趋势.相对现有延拓方法,该方法解决了端点处数据跃变、波动趋势不一致的问题.该方法计算量小且效率高,适于周期或准周期、调频范围不大的信号.仿真结果验证了该方法的有效性.     

一种改善EMD端点问题的方法

经验模态分解（EMD）是一种先进的数据处理方法,对脑电信号（EEG）等非线性非平稳信号的处理非常有效。但是其在利用三次样条曲线构造上下包络时,端点附近的包络存在严重的摆动。针对该问题,在镜面延拓算法的基础上,提出了二次延拓算法。根据邻近端点的数据计算出该信号在端点处的拟合函数;利用该拟合函数在左右端点各延拓出一个极值点;采用镜面延拓算法对延拓后的信号进行EMD分解。算法考虑了信号端点处的变化趋势,使得端点处的延拓更加合理,从而使三次样条曲线在端点处不会出现大的摆动。仿真结果表明,该算法能有效地对脑电信号进行分解。     

基于镜像延拓和窗函数的端点效应抑制方法

经验模态分解被广泛用于复杂的非线性及非平稳信号处理,但其分解过程中存在端点效应问题,并且端点效应会随着筛选的进行而更加明显,从而导致数据处理发生畸变。镜像延拓法和窗函数法均是抑制端点效应的有效方法,但也各自存在不足。为此,提出将镜像延拓和余弦窗函数结合的改进方法,以弥补镜像延拓法中原始信号端点不是极值点和窗函数法中需要改变原信号的不足,实现对端点效应抑制方法的改进。仿真实验结果表明,与传统方法相比,改进方法能更好地抑制端点效应的发生。     

基于改进EEMD方法的轴承故障诊断研究

该文针对轴承故障诊断中信号处理的端点效应问题,提出基于极值波延拓与窗函数的改进集合经验模态分解EEMD方法。首先对原始信号进行极值波延拓,其次对延拓后的信号加入组合窗体,最后对信号进行EEMD分解,通过仿真验证改进EEMD方法的有效性。同时,进一步结合Hilbert变换建立了改进EEMD-Hilbert的轴承故障诊断模型,利用轴承故障的实测信号证明了该模型在提高轴承故障诊断效率方面有一定优势。     

基于SVR的经验模态分解端点延拓改进方法

针对经验模态分解过程中产生的端点效应问题,提出了将镜像延拓和支持向量回归机相结合的端点延拓改进方法。利用支持向量回归机对原始信号的极值点数据序列两端进行预测,用镜像延拓法确定所预测极值点的位置。该改进方法解决了支持向量回归机对长数据序列预测不准确,以及镜像延拓法对端点不是极值点的短数据序列处理效果不佳等问题。引入六个评价标准,对端点延拓方法的效果进行了分析。结果表明,该改进方法能有效地抑制经验模态分解产生的端点效应。     

基于EMD和SVM的虹膜识别方法

在目前的生物特征识别方法中,虹膜识别被认为是最可靠的技术。提出一种基于经验模态分解和支持向量机的虹膜识别方法——EMD提取虹膜特征,SVM实现模式匹配。实验结果表明,该方法能够有效地应用到身份鉴别系统中。     

EMD分解中端点数据的延长方法问题研究

目前的EMD分解中,延长左右两端数据主要是通过各种数学拟合的方式（镜像延拓、多项式拟合、神经网络延拓等）来实现。在实际中,通过延长信号的采样时间,同样能够使端点数据延长,从而抑制EMD分解时的端点效应。以周期谐波函数为例,通过数值实验,将用数学拟合延长两端数据的方法（以极值点的镜像延拓为例）与直接截取两端数据的方法进行比较。同时,为了比较两种数据延长方法的效果,分别将延长后的数据进行EMD分解,将实际的EMD分解结果作为矩阵,计算与理想分解结果之间的相关系数。得出以下结论：若左右各截取半个信号周期长度的数据信号,则得到的分解结果优于通过端点延拓方法得到的EMD分解结果,且截取的点数越多,得到的结果越接近理想的分解结果。     

基于改进EMD的汽车动态称重信号处理

提出了利用改进经验模态分解的方法来分离轴重信号中的动态轮胎力.在简述轴重信号特点和模态分解骤的基础上,详细分析了端点效应和虚假模态产生的原因,利用Auto-regressive(AR)模型端点延拓法和相关系数法分别抑制端点效应和判断虚假模态,把虚假模态和残余量加在一起形成新的残余量作为轴重估计.实验结果表明了该方法的有效性,在车速不大于20 km/h时,轴重测量的最大误差为4.34%.     

基于EMD和SVR的混合智能预测模型及实证研究

针对非平稳、非线性时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出一种新的基于经验模式分解和支持向量回归的混合智能预测模型。经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,对各预测分量进行加权组合,得到原始序列的准确预测值。实证研究表明对于非平稳、非线性时间序列的预测,不论是单步预测还是多步预测,该模型均能取得很好的预测效果。     

EMD信号分析方法边缘效应的分析

在论述了经验模式分解（EMD）信号分解原理的基础上，分析了其存在的边缘效应，并提出了通过添加极值点抑制边缘效应的思路和策略。然后，针对一个单分量非线性信号和齿轮箱振动信号，对比分析了添加两个极值点，一个极值点和直接以数据端点作为极值点三种方式进行EMD分解的效果，所提出的预测附加极值点较好地抑制了边缘效应，并指出了进一步完善的方向。     

基于经验模式分解的时间序列数据流在线预测*

提出一种通用的时间序列数据流预测方法,算法首先通过经验模式分解方法将从链式重写窗口取得的数据集分解有限具有特征振荡周期的固有模态函数分量和一个代表原始序列平均趋势的余量;然后对于各个分量分别建立最大Lyapunov指数预测模型进行预测;最后将各分量的预测值组合获得最终预测值。通过电力负荷的预测实验表明,与单一的时间序列数据流预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.     

Comprehensive evaluation of twin SVM based classifiers on UCI datasets

In the past decade, twin support vector machine (TWSVM) based classifiers have received considerable attention from the research community. In this paper, we analyze the performance of 8 variants of TWSVM based classifiers along with 179 classifiers evaluated in Fernandez-Delgado et al. (2014) from 17 different families on 90 University of California Irvine (UCI) benchmark datasets from various domains. Results of these classifiers are exhaustively analyzed using various performance criteria. Statistical testing is performed using Friedman Rank (FRank). Our experiments show that two least square TWSVM based classifiers (ILSTSVM_m, and RELS-TSVM_m) are the top two ranked methods among 187 classifiers and they significantly outperform all other classifiers according to Friedman Rank. Overall, this paper bridges the evaluational benchmarking gap between various TWSVM variants and the classifiers from other families. Codes of this paper are provided on authors’ homepages to reproduce the presented results and figures in this paper.     

基于支持向量机的税收预测模型的研究

针对税收收入预测不稳定,非线性、动态开放性的特点,提出了支持向量机(SVM)的税收收入预测方法,并将该方法用于某市国税系统的实际税收收入情况进行预测,和传统回归方法比较说明所提出的税收收入预测方法是可行和有效的.     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

基于HHT的脑电信号在不同阅读模式下的识别与分类

目的：针对Powerlab脑电信号记录仪获取脑电波形,分辨不同类型的脑电阅读模式。方法：对实验者在阅读不同材料（平静闭目、阅读英语、阅读诗歌、阅读现代文四种阅读模式）时的头皮脑电信号进行采样,使用希尔伯特-黄变换及支持向量机训练,分辨平静闭目和其他三种不同阅读模式,并针对经验模态分解时出现的常见情况——端点飞翼现象进行算法优化处理并比较其处理效果。结果：基于多项式拟合处理的经验模态分解分解后的脑电信号辨识率最高,稳定在65%水平,最高可达70%。结论：大脑在阅读状态下经经验模态分解和多项式拟合后的信号适合作为大脑阅读模式下的特征提取函数,并对有效阅读模式具有指导意义。     

基于支持向量机分类算法的番茄miRNA预测

为了识别番茄基因组中潜在的miRNA,基于已发现的miRNA特征,利用支持向量机方法构建模型sly_pre_SVM和sly_SVM,用于番茄的前体miRNA序列和成熟miRNA序列的预测。对miRNA特征向量的编码、miRNA特征选择和参数的优化进行了研究。sly_pre_SVM对番茄测试集的分类精度、敏感性和特异性分别为99.69%、100%和99.66%,sly_SVM对番茄测试集的分类精度、敏感性和特异性分别为89.79%、88.89%和90%。预测得到41条番茄成熟miRNA序列,其中14条是尚未发现的,为进一步的miRNA生物学实验奠定了基础。