Fluorescence Intrinsic Characterization of Excitation-Emission Matrix Using Multi-Dimensional Ensemble Empirical Mode Decomposition

Excitation-emission matrix (EEM) fluorescence spectroscopy is a noninvasive method for tissue diagnosis and has become important in clinical use. However, the intrinsic characterization of EEM fluorescence remains unclear. Photobleaching and the complexity of the chemical compounds make it difficult to distinguish individual compounds due to overlapping features. Conventional studies use principal component analysis (PCA) for EEM fluorescence analysis, and the relationship between the EEM features extracted by PCA and diseases has been examined. The spectral features of different tissue constituents are not fully separable or clearly defined. Recently, a non-stationary method called multi-dimensional ensemble empirical mode decomposition (MEEMD) was introduced; this method can extract the intrinsic oscillations on multiple spatial scales without loss of information. The aim of this study was to propose a fluorescence spectroscopy system for EEM measurements and to describe a method for extracting the intrinsic characteristics of EEM by MEEMD. The results indicate that, although PCA provides the principal factor for the spectral features associated with chemical compounds, MEEMD can provide additional intrinsic features with more reliable mapping of the chemical compounds. MEEMD has the potential to extract intrinsic fluorescence features and improve the detection of biochemical changes.     

GIS隔离开关操作接地网电位差干扰抑制方法

气体绝缘变电站隔离开关操作产生接地网电位差干扰,易与故障信号混淆,致使继电保护装置误动作。针对干扰信号的高频瞬变特性,提出基于最小二乘支持向量机/改进集合经验模态分解的自适应抑制方法。设置阈值启动函数检测干扰信号起始位置,通过极值延拓、多尺度排列熵改善集合经验模态分解算法的端点效应和熵值,采用粒子群算法优化最小二乘支持向量机,将干扰信号经过改进集合经验模态分解算法分解的本征模式分量作为训练样本,构造最优决策函数,对二次电缆耦合信号的本征模式分量序列进行干扰信号自适应识别与抑制。仿真实验表明,所提出的自适应抑制方法能准确识别和滤除接地网电位差干扰信号,保留故障信号特征,信噪比提高了221%,增强继电保护的抗干扰能力。     

基于MEEMD的内燃机机体活塞敲击激励与燃烧爆发激励分离研究

提出了一种改进的集总平均经验模态分解（MEEMD）方法,并阐述了其实现过程。通过仿真实验,验证了MEEMD是一种更为优秀的自适应信号分解方法,不仅抑制了经验模态分解（EMD）的模态混叠问题,而且消除了集总平均经验模态分解（EEMD）中的,非标准IMF分量、模态分裂和白噪声残余等问题。将MEEMD应用到内燃机振声信号处理中,以某柴油机为研究对象,对其机体上的振动信号进行MEEMD分解,分离其中的活塞敲击引起的机械激励成分与燃烧爆发激励成份,诊断主要振动源。     

改进的EEMD算法及其应用研究

总体平均经验模态分解（Ensemble EMD,EEMD）虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD（Complementary EEMD, CEEMD）成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。论文结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法（Modified EEMD,MEEMD）,MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。     

基于ME-MEEMD的构件残余应力检测研究

针对焊接钢板内部的残余应力,由于采集振动信号的非线性和非平稳性,采用希尔伯特-黄变换(HHT)对振动信号分析处理。在对得到的信号进行分析时,选择镜像延拓(ME)以及改进的集总平均经验模态分解(MEEMD)相结合的方式,目的是防止在经验模态分解时产生模态混叠以及端点效应等对最终的实验结果产生影响。求解出各阶固有模态函数的模态能量,与正常信号分析对比,从能量角度实现对构件残余应力的检测,得出信号能量与残余应力之间的关系。     

基于MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

基于MEEMD-KELM的短期风电功率预测

风电功率时序信号是间歇性、波动性的非平稳信号,信号的平稳化处理是风电功率预测的关键。针对EEMD在分解风功率时序信号时存在模态混淆、伪分量和较大的重构误差等问题,将MEEMD用于风功率信号分解并与KELM模型相结合,提出了基于MEEMD-KELM的风电功率短期预测方法。该方法首先采用CEEMD将原始信号按频率高低依次分解,再检测分量的排列熵值,通过熵值判断异常分量信号并将其从原始信号中剔除,再对分离后的信号进行EMD分解,得到的若干个IMF分量分别通过KELM模型进行组合预测。以上海某风场为例进行仿真实验,并与传统方法进行对比,结果表明该方法预测精度更优且更具稳定性。     

基于MEEMD-多尺度分形盒维数和ELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷(充填率、料球比)靠经验难以准确判断的问题,提出基于改进的集总平均经验模态分解算法(modified ensemble empirical mode decomposition, MEEMD)-多尺度分形盒维数盒和极限学习机(extreme learning machine,ELM)的负荷识别方法。该方法首先利用MEEMD算法对不同负荷状态下的磨音信号进行分解得到本征模态分量,然后,采用相关系数法选取敏感模态分量进行重构得到降噪后信号;通过分析重构信号的多尺度分形盒维数,结果表明,欠负荷、正常负荷和过负荷状态下的多尺度分形盒维数存在明显的差异,能够很好地区分磨机的不同负荷状态。将重构磨音信号的多尺度分形盒维数作为极限学习机(ELM)的输入,磨机负荷状态为输出,建立磨机负荷识别模型;通过磨矿实验验证了该方法的有效性,整体识别率高达94.8%,模型能够准确识别磨机负荷状态。     

MEEMD特征掌纹的2DPCA识别方法

为了提高识别率,提出了基于MEEMD和2DPCA的掌纹识别方法.利用MEEMD技术对掌纹图像进行分解,得到本征模式函数（IMF）分量,用高频分量重构掌纹图像,形成掌纹识别图像集.然后利用2DPCA技术进行识别.MEEMD重构掌纹能够突出掌纹细节特征,提高识别率.采用香港理工大学掌纹数据库进行实验,将此方法与不包含MEEMD的2DPCA方法进行比较,实验结果说明此方法有较高的识别率和较快的识别速度.     

基于MEEMD与MP的电网低频振荡模态识别

针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。