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。     

基于HHT和模糊C均值聚类的轴向柱塞泵故障识别

提出了一种基于Hilbert-Huang变换(HHT)和模糊C均值聚类算法相结合的故障识别方法。利用HHT在处理非线性、非平稳信号方面的优势,对采集到的轴向柱塞泵泵壳振动加速度信号进行HHT处理。首先对信号分别进行经验模态分解(EMD)和集总经验模态分解(EEMD),结合短时最大熵谱分析选取对故障最为敏感的固有模态函数(IMF)分量,再对其分别进行二次分解。然后,采用本文提出的基于局部边际能量谱特征能量的方法求出故障特征向量。最后,采用模糊C均值聚类算法进行故障模式识别。识别结果表明:EEMD比EMD在迭代次数上大幅减少,故障识别准确率有了显著提高。     

基于提升小波变换的心音信号特征提取方法的研究

为了准确提取心音信号的病理性信息,提出了一种基于提升小波变换的改进的特征提取方法针对性地分析第一心音(S1)和第二心音（S2）及其时限并对不同心音信号进行分类。首先利用提升小波软阈值降噪法对不同心音信号作去噪预处理;然后利用提升小波时间熵法检测心音信号在不同时刻的分布情况,并提取其熵值;通过香农能量优化双阈值法提取心音包络信号及S1、S2时限;最后改进选取心率、S1和S2时限、心动周期、包络面积,熵值六个特征参数,并利用支持向量机算法（SVM）对不同心音信号进行分类。分析和仿真结果表明该算法对正常和心脏病患者的心音准确分类率达到98%,表明该算法能有效识别不同心音信号。     

基于改进HHT算法的电力系统低频振荡分析

低频振荡会严重影响电力系统的正常运行,因此,以电力系统低频振荡为研究对象,采用HHT算法作为低频信号分解算法.针对HHT算法的缺点进行改进,得到改进HHT算法.改进HHT算法应用于低频振荡分析中,初步定位低频振荡源.仿真结果表明改进HHT算法对电力系统低频振荡研究法有着较高的识别功能,低频振荡源寻源方式有着较高的判别特...     

抑制经验模分解边缘效应的极值点对称延拓法

经验模分解(Em p iricalM ode D ecom position,EMD)是希尔伯特-黄变换(HHT)的核心,而经验模分解方法的关键是对提取固有模式函数(Intrinsic m ode function,IM F)时所谓边缘效应问题的处理。提出了极值点对称延拓方法,用来对边缘效应问题进行处理。算例分析结果表明该方法的算法简单,计算速度快,能有效地抑制EMD分解时的边缘效应,分解得到的固有模式函数完备地体现了原信号真实的频率和幅值信息。在信号重构时不会带来原始信号的畸变。     

经验模式分解及关联维数在心音信号分类识别中的应用

针对心音信号非线性、非平稳的特性,提出一种基于经验模式分解(EMD)和关联维数的心音特征提取方法.首先通过EMD方法将心音信号分解成若干个固有模态函数(IMF),并利用互相关系数准则对IMF进行筛选,结合G-P算法对主IMF(IMF1~IMF4)分量分别求其关联维数,以此作为神经网络的输入向量,实现了对正常心音信号和病理心音信号的分类识别.对于重构相空间中的两个重要参数时间延迟τ和关联维数m,分别采用互信息函数法和用Cao算法确定.对临床采集的心音数据按该方法进行测试,结果表明,该方法能有效地识别心音.     

经验模态分解(EMD)中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.     

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.     

基于心音信号谱分析的身份特征提取算法

该文针对心音信号是临床上有用的心脏疾病诊断工具,也是一种很好的用于身份识别的认证方法。该文提出了一种基于心音信号谱分析的身份特征提取算法。首先对心音信号进行消噪预处理,然后利用Welch方法分析了心音信号的谱特征,采用欧式距离作为匹配算法完成身份识别。最后,利用30个不同测试者心音数据对该方法的识别效果进行了测试,识别的错误率为0,证明了该方法的可行性和有效性。     

基于改进EMD算法的跳频信号参数估计

针对短时傅立叶变换时频分辨率不能同时很高,小波变换运算时间偏长,抗噪性差,Wigner-Ville变换及其改进方法受交叉项影响等问题,提出了一种基于希尔伯特-黄(HHT,Hilbert-Huang Transformation)算法的跳频信号参数估计.该方法的分解是自适应的,计算出的瞬时频率有很高的时间分辨率和较高频率分辨率.对于HHT算法中出现的虚假分量和端点效应问题,通过互相关方法来消除虚假分量,镜像闭合延拓方法去除端点效应.仿真结果表明该方法能很好解决上述两个问题.     

撞击流反应器压力波动信号的Hilbert-Huang变换分析

将Hilbert-Huang变换(HHT)应用于撞击流反应器压力波动信号分析,并提取出浸没循环撞击流 反应器压力波动信号的各阶内禀模态函数(IMF),证实了压力波动信号的非线性、非平稳特性。分析压力波动信号 各阶内禀模态函数的能量分布以及高、中、低频段能量分布与转换,发现不同频段IMF的能量分布与流型转变之间 的对应关系。结果表明,随着螺旋桨转速的增加,在粒子相互撞击的过程中,产生不同程度涡运动,使得各阶IMF分 量的能量分布也随之变化。新的Hilbert-Huang变换分析方法直接揭示了撞击流反应器内压力波动信号经EMD 分解所得的IMF分量的能量分布与流体流型转变之间的内在规律,同时也提供了一个有力的定量依据。     

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.     

基于HHT分解光电容积脉搏波信号的人体血液流变信息评估

为了识别人体光电容积脉搏波（PPG）信号中表征血液流变信息的动力分量并分析其特点,设计低氧实验. 测量30位受试者在正常氧（20%~21%）和极端低氧（15%~16%）2种氧气体积分数环境中的PPG信号,利用希尔伯特黄变换（HHT）算法分解信号. 通过经验模式分解得到,PPG信号中实际表征血液流变信息的动力分量为固有模式函数IMF_X,其时域特点有2个,一个是有类似动脉收缩舒张的波形,另一个是周期性振荡. 基于Hilbert变换得到IMF_X的瞬时频率和边际谱,其瞬时频率大多为1.5~2.5 Hz,且在低氧环境中此频率段内的边际谱幅值显著小于正常氧环境情况下的（P<0.05）,证明利用该特征可以有效识别低氧诱导的血液流变变化.     

基于Hilbert-Huang变换理论的语音增强初探

希尔伯特-黄变换是新发展起来强有力的非线性、非稳态信号处理方法．它从信号自身出发自适应地产生具有物理意义的基函数,而不是人为地设定变换的基函数．该文将这一全新的方法应用到语音信号处理．希尔伯特-黄变换基于信号的局部特征时间尺度,能把复杂的信号分解为有限的内在模态函数之和,这种自适应的分解方法非常适于非线性和非平稳过程的分析．实验表明,希尔伯特-黄变换适于语音信号处理,有广阔地应用前景．结合小波变换的分析表明,该方法在语音去噪方面优于小波变换．     

智能语音识别系统中噪声估计算法的研究和改进

智能语音识别技术的研究已有较长的时间,但由于语音信号本身所具有的多变性、瞬时性、连续性和动态性的特征,使得机器在不同的环境尤其是噪声环境中进行语音信号的识别仍具有一定的困难.为了提高带噪语音信号识别的准确率,本文研究了一种常用的噪声估计算法,即基于后验信噪比的时间递归平均算法.并在此算法的基础上提出了一种对平滑因子的改进算法,将语音活性检测算法与这两种算法在不同输入信噪比下进行模拟验证.通过运算结果的对比分析可以看出,改进后的算法相比于语音活性检测算法最高可以使输出分段SNR提高2.1 dB,相比于原时间递归平均算法最高可以使输出分段SNR提高0.5 dB,表明低输入SNR下改进后的算法可以有效提高语音信号的质量和可懂度.     

车辆振动信号的特征提取方法比较

针对用于车辆振动信号分析的常用方法:小波分析方法和Hilbert-Huang变换方法,以及作者新近提出的时序多相关-经验模式分解方法,通过仿真对比分析了它们各自的特点以及它们在振动信号特征提取中的适用性。非线性信号的仿真分析表明,在没有噪声或分析对象背景噪声较小的情况下,后两种方法能提取到特征信号,小波分析不适合非线性信号的分析;在强背景噪声下,前两种方法均不能得到满意的特征信息,而时序多相关-经验模式分解方法能提取到所需的目标信息。最后将时序多相关-经验模式分解方法用于某特种车辆特征信号的提取,得到了满意的结果,验证了该方法在车辆振动信号特征提取中的有效性。     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT（Hilbert-Huang transform）分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。     

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。     

基于子空间分解类算法的高精度频率估计

针对高速全数字解调器中频率估计算法的高精确度及实时性要求,该文深入分析了基于子空间分解类算法的特点,提出了将求根多重信号分类(RMUSIC)法和旋转不变技术估计信号参数(ESPRIT)法分别与快速傅里叶变换(FFT)法相结合的高精度频率估计算法。首先应用RMUSIC或ESPRIT算法对信号频率进行预估计,确定粗略的窄带频率区间后,再应用加窗FFT算法对细化域内的频率进行精估计。此外,为满足不同信噪比条件的需求,提出了一种具有可选结构的高精度频率估计方法。仿真结果与分析表明,该算法极大地提高了已有频率估计算法的精度,具有较快的信号处理速度和良好的抗噪声性能。     

地震动的Hilbert-Huang变换与传统分析方法比较

地震动是一种典型的时序非平稳信号,采用Hilbert-Huang变换（HHT）对其进行分析较传统分析方法有着天然的优越性。文章在介绍HHT基本原理的基础上,比较了HHT与Fourier变换在适用条件、时间分辨率和谱分析结果上的差异,以及HHT与小波变换在基底、重构误差、时频分辨率和谱分析结果上的不同。分析结果表明,HHT是对以Fourier变换为基础的线性和稳态谱分析的一个重大突破,它较传统的信号分析方法更加适合地震动的处理与分析。