基于集合经验模态的小波半软阈值降噪

针对振动信号采集过程中混入噪声无法准确判断信息的问题,提出基于集合经验模态的小波半软阈值降噪法。该方法利用EEMD算法的自适应性且能避免IMF(Intrinsic Mode Function)分量混叠的特点以及小波半软阈值函数连续性好且避免重构信号存在偏差的优点,在一定程度上避免了EMD分解过程中出现混叠的现象,且降低了重构信号的偏差,对信号降噪的同时能更准确地将信号波形复原。分别利用仿真信号和实验信号验证该方法的有效性,分析结果表明,基于EEMD的小波半软阈值降噪方法具备两种方法的优点,能够很好地抑制信号中的噪声,并且在重构过程中能较好地复原信号的有用信息。     

基于局部熵的超声信号阈值降噪方法

针对使用超声探伤方法检测金属材料时结构噪声难以消除的问题,提出将具有自适应噪声的完整集成经验模态分解(CEEMDAN)与局部熵改进的阈值算法相结合的降噪方法,对金属材料的超声信号进行降噪处理。采用CEEMDAN方法分解超声信号,得到多个本征模态函数(IMF)分量与残余分量;计算原信号的局部熵,并根据超声波的传播原理对局部熵数值进行校正,以及确定局部熵的最佳计算窗口长度,使用局部熵改进的阈值降噪算法,对含有结构噪声的IMF分量进行降噪处理;将降噪后的IMF分量与残余分量累加,获得降噪后的重构信号。通过对实测的金属材料超声信号进行试验,结果表明,该方法能够有效去除结构噪声,且最大限度地保留了缺陷信号,降噪效果明显。     

奇异值分解和EEMD的非线性振动信号降噪方法

针对传统方法难以有效将非线性振动信号从复杂强干扰中提取的难题,提出了奇异值分解(SVD)和集合经验模态分解(EEMD)的降噪方法。该方法利用EEMD叠加白噪声预处理的过程,抑制脉冲噪声的影响并克服了EMD模式混叠效应,然后提取信号的趋势项,克服了信号趋势项对SVD选择奇异值的影响,最后将SVD方法降噪后的信号与趋势项叠加达到降噪目的,实现SVD和EEMD的优势互补,提高降噪效果。对模拟信号和实测非线性振动信号进行了仿真试验研究,结果表明,该方法可以同时有效地抑制非线性振动信号中的白噪声和脉冲噪声,对工程实际信号的进一步分析处理提供有效的预处理手段。     

基于时延矢量封闭准则的多传声器降噪方法

目前国内外提出的经验模式分解降噪方法大都在已知噪声类型的基础上针对单传声器信号进行研究,没有利用多传声器之间的融合信息。因此,提出基于时延矢量封闭准则的多传声器信号降噪方法。该方法首先将采集得到的信号进行EMD分解,将所得的对应IMF分量进行互相关,求取时延值,然后依据TDVCR进行时延矢量误差运算,得到IMF分量权重矩阵,最后根据IMFs及其对应的权重矩阵进行信号重构,得到去噪后的信号。试验表明:该方法有效利用了多传声器时延矢量匹配准则,在不增加任何先验信息的前提下降低了噪声,取得了满意的试验效果。     

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解（EEMD）和乔-威廉姆斯分布（CWD）的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数（IMF）分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明：该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。     

基于EEMD的声发射管道泄漏定位检测

为提高管道泄漏声发射定位精度,针对管道泄漏声发射信号的非平稳特性,提出了基于经验模态分解(EEMD)的声发射管道泄漏定位新方法;该方法将管道泄漏产生的声发射(AE)信号进行小波去噪,经EEMD分解为若干个本征模态函数(IMF),对具有实际物理意义的IMF进行重构,通过互相关法确定时差进行定位;仿真和实验表明:该方法消除了直接相关法和经验模态分解(EMD)方法的缺点,提高了定位精度。     

基于EMD-DFA-小波阈值的MEMS陀螺信号去噪方法

针对MEMS陀螺仪输出信号中噪声较大的问题,提出了一种EMD-DFA-小波阈值去噪的方法。利用EMD理论将信号按照频率高低分解为若干IMF分量和余量,将DFA方法应用到噪声与信息主导的IMF分量临界点的判定中,并通过仿真实验证明了DFA判定方法的有效性。针对传统EMD去噪方法直接去除噪声分量导致的信号缺失等问题,采用小波阈值去噪法对噪声主导的IMF分量去噪后再与低频分量重构,最大程度地保留了有用信息。同时,对小波阈值去噪的核心步骤进行了改进:采用随分解尺度的增加而逐渐减小的动态阈值选取规则,最大程度上保留了各层的有用信号;对阈值函数进行了改进,既对较大的小波系数进行了收缩变换,又保留了较小的小波系数,使之兼顾软、硬阈值函数的性能。为验证提出方法的有效性,分别对仿真信号和实测MEMS陀螺仪数据进行了去噪分析,结果表明:和传统EMD去噪法相比,新方法去噪后的均方差降低了22%,信噪比提高了59%;和EMD-DFA-传统小波阈值去噪相比,均方差降低了12%,信噪比提高了13%。     

深海环境下利用噪声抵消器和经验模态分解的拖船干扰抑制方法

针对深海环境下拖船自噪声在靠近端射和非端射方向产生的多途角扩展干扰影响拖曳声纳探测性能的问题,提出一种利用归一化最小均方误差(Normalized Least Mean Square, NLMS)噪声抵消器和经验模态分解(Empirical Mode Decomposition, EMD)的拖船干扰抑制方法。通过借鉴逆波束形成(Inverse Beamforming, IBF)的思想,对靠近端射方向的干扰波束进行相位补偿,重构出时域干扰信号,并将其作为自适应噪声抵消器的输入信号,基阵接收信号作为期望信号,利用NLMS方法调整滤波器的权值,进行初步干扰抑制。在此基础上通过EMD对噪声抵消器的输出结果进行分解得到多个本征模态(Intrinsic Mode Function, IMF)和残余分量,再利用匹配滤波方法筛选出用于重构拖船噪声的IMF,并在阵元域抵消完成干扰抑制,其中匹配模版为靠近端射方向频域干扰波束逆傅里叶变换得到的时域干扰信号。仿真数据和海试数据分析结果表明,与其他方法相比,所提方法能够大幅度抑制拖船自噪声产生的多途角扩展干扰,提升拖曳声纳在干扰盲区内对弱目标信号的检测能力。     

EMD和Elman神经网络在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的特点,提出EMD和Elman神经网络结合的滚动轴承故障诊断方法。以滚动轴承振动信号为研究对象,首先对信号进行经验模态分解（EMD）,提取包含主要信息成分的本征模函数（IMF）分量,将IMF的能量比作为特征向量输入Elman神经网络进行网络训练和故障识别,实现滚动轴承的故障诊断。结果表明,EMD方法能按频率由高到低把复杂的非平稳信号分解成有限个IMF分量,具有自适应的特点,有效地突出轴承故障特征;而Elman神经网络能直接反映动态过程系统的特性,达到很好的识别效果。     

一种水下航行体支撑轴承的损伤特征提取方法

降低水下航行体中机械噪声是解决整机减振降噪的关键问题。轴承作为水下航行体的重要支撑单元,探讨了轴承发生损伤与水下航行体振动噪声过大的关系,因此应提取损伤特征以便及时发现轴承损伤控制振动噪声。研究了基于EEMD和MED联合的特征提取方法,并将其应用到水下航行体的支撑轴承机械振动信号中,该方法能克服传统的MED对高噪声、谐波干扰情况下特征提取存在冲击特征难以提取的困难。首先通过EEMD分解和峭度阈值方法对原始信号进行消噪,然后利用MED方法对消噪后信号进行滤波,最后对滤波后信号进行包络谱分析判断出损伤类型。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

一种水下目标辐射噪声调制特征提取方法

水下目标辐射噪声的调制信号携带许多重要特征信息,本文在现代信号处理理论的基础上对其调制特征提取方法进行了探讨。首先,利用小波变换和多分辨率分析理论,提取水下目标辐射噪声的调制包络;然后选取具有明显调制特征的特定频段数据对其进行112维谱分析,得到了辐射噪声的谐波信息。该方法结合小波变换与高阶谱理论对调制谱进行提取,可同时利用小波的消噪和高阶谱对高斯噪声的天然抑制性。对实测噪声数据进行的仿真结果表明,该方法可以有效提取噪声中的动态调制信息且抗噪性良好,具有很好的应用前景。     

基于辅助模型粒子滤波的混沌信号降噪方法

针对传统的扩展卡尔曼滤波方法和无迹卡尔曼滤波方法不能有效地抑制混沌系统的加性噪声这一问题,给出了辅助模型粒子滤波算法,推导了混沌系统的状态空间描述,提出了一种基于辅助模型粒子滤波的混沌信号降噪方法,并将其用于Lorenz混沌信号的降噪。在叠加高斯噪声情况下对混沌系统进行降噪处理实验。结果表明,所提出的降噪方法对含噪Lorenz混沌信号有着较明显的降噪效果。     

改进的噪声对消算法在无源探测中的应用

为了削弱无源探测系统中存在的强噪声,提出了多路参考信号自适应噪声抵消算法.利用目标回波信号与噪声信号的传输通道差异性,通过对接收阵列各阵元接收信号求差得到多路参考信号.仿真结果表明,该算法可以有效抵消噪声,从而提高系统中弱信号的检测性能.     

主成分分析法及其在数据降噪中的应用

为从含有噪声的采集信号中提取有用信号,确保飞行器试验结果数据的准确性,提出采用主成分分析提取有用信号的方法。阐述主成分分析的基本原理,分析主成分分析与奇异值分解SVD分析的区别与联系,给出采用Hankel矩阵和采用不重复排列矩阵的主成分对单列信号进行降噪处理的方法,并对无趋势信号、有趋势项信号和含冲击成分示例信号进行降噪设计。结果表明:主成分分析对无趋势信号、有趋势项信号具有很好的去除白噪声的效果,但不适用于含冲击成分信号的降噪,该方法可为相关领域信号分析提供参考。     

基于多通道差分的自适应噪声抵消方法

水下航行器舷侧阵的自噪声是影响其弱信号检测能力的主要因素。为减小其影响,通常除了采用物理降噪、主动降噪等方法外都还采用自适应噪声抵消技术。由于自噪声产生和传播的复杂性,以噪声源附近加速度计输出作为参考信号的自适应噪声抵消效果较差。考虑到自噪声和远程目标信号空间的差异性,充分利用阵列上不同位置水听器接收到的信息,本文提出了多通道输出延时求差形成多路参考信号的自适应抵消方法-MD-ANC方法。湖试结果表明,该方法噪声抵消效果显著而且实现方便。在同样的实验环境下,最低检测信噪比相对于未经处理的降低了约4—5 dB;波束形成后,信噪比提高3～5 dB.     

自适应噪声对消在引信数字信号处理系统中的应用

讨论了自适应噪声对消技术应用到引信数字信号处理中的技术可行性,提出了系统实现方案并给出了算法MATLAB仿真分析,最后通过某型号脉冲多普勒引信数字信号处理器中采用该技术进行模拟试验,结果证明自适应噪声对消技术可以较好地改善引信数字信号处理的输出信噪比。     

基于关联维数迭代局部投影算法的装甲目标声信号去噪研究

为了抑制装甲目标声信号中包含的噪声成分,消除其对信号特征提取的不利影响,针对局部投影法中邻域半径选取困难的问题,提出了一种基于关联维数迭代的局部投影算法（CDBI-LPM）。对典型混沌系统Lorenz序列分别叠加不同噪声水平的高斯白噪声,得到信噪比为20 dB和10 dB的含噪信号,运用本算法对其进行去噪仿真实验。结果证明,本算法不仅简化了计算量,而且可以使Lorenz系统的动力结构得到良好的恢复。应用本算法对坦克和轮式装甲车两类装甲目标的实际声信号进行去噪处理,样本信号的噪声强度显著下降,关联维数减小,信号序列的吸引子结构由杂乱变得有序,说明了本算法可有效消除非线性信号中所含噪声。     

基于融合评价指标和神经网络的刀具磨损预测

机械加工过程中的刀具磨损状态对零件的加工质量、生产效率和成本影响极大。对刀具磨损的采集信号进行合理准确地降噪处理,是实现刀具磨损检测的核心技术。利用熵值法构造出信噪比、平滑度、均方根误差3个传统评价指标的权重,提出降噪质量的融合评价指标。对比仿真信号的去噪结果与真实信号发现,融合评价指标更具可行性和优越性。以最大融合评价指标为目标,提出降噪参数的优化方法。针对小波阈值去噪后的实际刀具磨损振动信号,与传统的单个评价指标相比,融合评价指标优选出来的降噪参数,不仅能够去除\[6 kHz,12 kHz\]高频部分的噪声信号,而且能够比较完整地保留\[0 kHz,6 kHz\]低频部分的真实信号。通过提取出刀具磨损特征值,建立切削工艺参数与刀具磨损之间的神经网络预测模型。刀具磨损试验结果表明,预测结果与试验测量值之间的最大误差不超出6.0%,进一步验证了基于多指标融合评价的最佳降噪参数能够准确地提取出刀具磨损信号的特征量。