基于EMD和GEP的软件可靠性预测模型

基于经验模态分解和基因表达式编程算法提出了一种软件可靠性预测模型。通过对软件失效数据序列进行经验模态分解得到不同频段的本征模态分量和剩余分量,消除失效数据中的噪声,运用基因表达式编程算法的灵活表达能力,把分解得到的不同频段的各本征模态分量及剩余分量中所对应的不同失效时间序列作为样本来分别进行预测,重构各本征模态分量和剩余分量中相对应的预测结果,将其作为软件失效的最终预测值。基于两组真实软件失效数据集,将所提出的方法与基于支持向量回归机以及单纯使用基因表达式编程的软件可靠性预测模型进行比较分析。结果表明,该软件可靠性预测模型具有更为显著的模型拟合能力与精确的预测效果。     

基于EMD的电能质量扰动检测与分类方法

针对电能质量扰动信号的检测和分类问题,提出了一种基于EMD的电能质量扰动检测与分类方法,并对常见的几种扰动信号进行仿真。应用该方法检测扰动发生时间、持续时间以及扰动的频率与幅值。仿真结果表明,所提算法简洁有效,能够准确分析电能质量扰动信号,可以估计电压凹陷、电压凸起以及电压中断等扰动信号的变化幅度和频率。     

泾河年径流量BP神经网络模型研究

以1957—2000年的实测降水序列和泾河年径流量序列为研究对象,利用EMD法和GA建立了泾河年径流量的BP神经网络模型。分析结果表明:泾河流域年降水量变化可能存在准2～3、5～7、10～13、18～22 a的周期;基于EMD的年径流量BP神经网络模型预测值的相对误差为-4.71%～8.21%,基于GA的年径流量BP神经网络模型预测值的相对误差为2.25%～12.22%。     

经验模态分解效果与信号频率振幅的关系

利用经验模态分解(Empirical Mode Decomposition,简称EMD)方法对由两个正弦线性叠加而成的信号进行分离处理,研究正弦信号的频率和振幅对EMD分离效果的影响.通过多组实验得出,两正弦信号的频率相差越大或振幅相差越小,EMD分离效果越明显.     

Application of a.c. impedance technique to the study of the proton diffusion process in the porous MnO2 electrode

The proton diffusion coefficient in γ-MnO₂ at various stages of discharge of an electrolytic manganese dioxide electrode has been determined taking into consideration the true molar volume and the electrochemically accessible surface area of MnO₂. The unique electrochemical cell which allows the electrode expansion during the discharge to be monitored in situ was reported. The a.c. impedance technique and the transmission line equivalent circuit were used. Electrode ohmic resistance, Faradaic resistance, and double-layer capacitance were also obtained by means of numerical fitting of the impedance data using the transmission line model.     

基于EMD和TEO的电力系统短期扰动检测新方法

借鉴经验模态分解EMD(Empirical Mode Decomposition)的思想提出一种电力系统短期扰动检测定位的新方法,该方法通过一个对称三角模态来保留信号的扰动信息进而定位扰动.同时,在扰动准确定位的基础上,提出对原信号进行分段EMD,并采用Teager能量算子求取幅值包络来识别扰动类型的分析方法.该方法能够克服EMD过程产生的模态混叠导致检测失效的问题,与Hilbert-Huang 变换方法和小波检测方法相比,所提方法能够更加简单快速地实现对扰动的检测.仿真结果表明了该方法的有效性.     

基于EMD和TEO的电力系统短期扰动检测新方法

借鉴经验模态分解EMD(Emp iricalMode Decomposition)的思想提出一种电力系统短期扰动检测定位的新方法,该方法通过一个对称三角模态来保留信号的扰动信息进而定位扰动。同时,在扰动准确定位的基础上,提出对原信号进行分段EMD,并采用Teager能量算子求取幅值包络来识别扰动类型的分析方法。该方法能够克服EMD过程产生的模态混叠导致检测失效的问题,与H ilbert-Huang变换方法和小波检测方法相比,所提方法能够更加简单快速地实现对扰动的检测。仿真结果表明了该方法的有效性。     

基于HHT的汽车动态称重数据分析方法

将希尔伯特-黄变换（Hilbert—huang transform，HHT）引入到汽车动态称重数据的分析中，针对动态称重信号的特点运用了极值延拓法来抑制边界效应，提出了利用经验模分解（Empirical mode decomposition，EMD）剩余分量的平均值求汽车动态称重真实轴重的方法，并将该方法与滤波法进行比较；进一步求出信号的Hilbert边际谱，将其与傅里叶幅值谱进行比较。实验结果表明Hilbert边际谱准确地反映了汽车通过称重台时振动系统的频率分布情况，汽车自振频率由此求出；当汽车通过台板的时间大于车辆振动的基频周期时，用该方法处理汽车动态称重信号能得到较理想的结果，车速≤15km／h时最大误差为5．63％。     

EMD方法在多光谱遥感图像融合中的应用

多光谱图像具有较高的光谱分辨率,而其空间分辨率比较低,致使融合后的多光谱图像空间细节的表现能力不足。为了克服这种融合图像空间细节表达能力差的问题,本文提出了用EMD(EmpiricalModeDecomposition)方法对多光谱图像进行分解,提取空间细节和纹理信息,并将其叠合到融合图像上的方法。实验表明:改善了视觉效果,提高融合图像的空间表达能力。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。