电阻抗断层成像技术的心肺信号降维集合经验模态分解方法研究

心脏射血与肺通气活动信息的实时获取具有重要临床意义。本研究提出了一种基于胸部电阻抗断层成像(EIT)的心肺信号降维集合经验模态分解方法,以同时分离胸部EIT数据中的心脏射血和肺通气活动信号。招募9名志愿者进行了EIT胸部数据采集。首先,根据屏息状态下胸部EIT数据中心脏活动信号的强弱对测量通道分类;随后,使用集合经验模态分解方法对自主呼吸状态下的EIT数据进行分解,并根据频谱特性对分解出的各分量归类,以得到肺通气EIT信号;然后,结合带通滤波方法,同时依据前述通道分类对心脏活动信号降维,得到心脏活动EIT信号;最后,重构得到通气相和心搏相EIT图像序列。结果表明,该方法可在通气相图像的肺区能够获得最高的肺通气功率谱峰(52.71±1.39)dB,在心搏相图像的心脏区域能够获得最高的心脏活动功率谱峰(43.05±3.26)dB,表明保留的通气信息和心脏活动信息非常丰富,同时在通气相图像心脏区域获得了最低心脏活动相关功率谱峰(10.02±2.65)dB,表明心脏活动的抑制效果更佳,相较于参考方法均有显著性差异(P<0.05)。研究表明,该方法可以有效分离肺通气与心脏活动相关信号,分别保留各自活动信息并抑制心脏对肺区成像的影响,同时实现对干扰信号的有效抑制,为临床上提供更加准确的治疗策略指导奠定基础。

基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度。

结合自适应噪声完备集合经验模态分解的深度学习模型在电离层闪烁预报中的研究

电离层闪烁可能导致通信系统误码率增加和GNSS定位精度下降。由于电离层闪烁的偶发性,闪烁预报非常困难。为了提高对电离层闪烁的预测精度,提出了一种综合多种方法的混合预测模型,利用电离层闪烁标签值(S4label)进行辅助,结合“分解-集成”思想的深度学习模型进行预测。首先采用CEEMDAN算法将原始数据分解为多个子信号,并基于样本熵指标,使用K-Means算法将这些子信号重构为高频、低频和趋势3种信号。后利用VMD法对高频信号进行二次分解,借助自注意力LSTM模型实现对高低频信号的逐步预测。实验结果表明,与传统的LSTM模型相比,混合模型预测精度明显提高。在地磁平静期,该模型的预测效果得到显著改善,R^(2)、RMSE、MAE、MAPE代表的精度分别提升了32.2%、58.7%、51.2%、44.7%。因此,该模型能更准确地预测电离层闪烁现象的发生,对电离层闪烁的预测研究具有很好的参考价值。

基于集合经验模态分解的心电信号自适应降噪及基线漂移修正

在心电信号的采集过程中,各种噪声的干扰会引起信号失真及基线漂移,进而影响对心脏信号的精准判断。针对此,提出一种基于集合经验模态分解的自适应算法。首先,对含有噪声及基线漂移的心电信号进行集合经验模态分解(EEMD),分解出固有模态函数(IMF)分量。然后,筛选出需要处理的IMF分量。最后,通过自适应窗口处理带噪的低阶IMF以及移除导致基线漂移的高阶IMF,从而达到降噪和修正基线漂移的目的。在MIT-BIH数据库中的实验结果表明,基于EEMD方法的降噪效果良好,在同等肌电噪声情况下,与基于EMD的自适应窗口法对比,在平均信噪比上提升1.7507,增幅约为13%;在同等基线漂移情况下,与基于EEMD的阈值法对比,在平均基线矫正率上下降0.0795,降幅约为14%。

基于集合经验模态分解和指数能量法的水泵水轮机尾水管压力脉动信号特征提取

提取水泵水轮机尾水管压力脉动信号中的动态特征信息,准确识别涡带强度,是近年来水泵水轮机工程领域的研究重点。本文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和模态指数能量法,对某水泵水轮机发电工况不同负荷下的尾水管压力脉动信号进行特征提取,得到如下结论。首先,基于EEMD的模态指数能量能够有效地反映信号中的能量分布规律。其次,在涡带增强过程中,基于EEMD的最大模态指数能量不断升高,表明尾水管内的流动状况变得更加复杂,涡带特征信息也更加丰富。最后,使用最大与平均指数能量构建的特征向量能够准确反映不同的尾水管涡带强度,并且能够作为智能分类器的输入特征向量,有利于后续进一步的识别与诊断,具有重要的工程意义。

融合自适应滑动集合经验模态分解的机器学习月径流预测方法

为提高月径流预测精度,解决传统分解集成径流预测方法提前引入“未来信息”在实际工程中无法实现的问题,提出了一种基于自适应滑动集合经验模态分解(ASEEMD)、秃鹰搜索(BES)算法和极限学习机(ELM)耦合的月径流预测模型(ASEEMD-BES-ELM)。并以玛纳斯河1957~2014年的月径流序列为例,首先,利用ASEEMD对原始月径流序列自适应分解,得到若干子序列;其次,将各子序列分别输入到结合BES算法和网格搜索优化后的ELM模型中预测;最后,累加各子序列预测结果,得到最终月径流预测值。与ELM^(*)、BES-LEM^(*)、BES-ELM、EEMD-BES-ELM(传统“捆绑分解”)模型对比结果表明,ASEEMD-BES-ELM模型的纳什效率系数为0.971、平均绝对误差为5.173m^(3)/s、均方根误差为8.282m^(3)/s、平均绝对百分比误差为16.033%,在符合实际应用中预测精度最高。结果可为干旱区月径流预测研究提供参考。

基于集合经验模态分解的河北唐山井同震响应特征

集合经验模态分解(EEMD)能够客观真实地从非线性、非平稳信号中提取有用信息,地震观测井的井水位表征的波形信号也是典型的非线性、非平稳信号,因此,集合经验模态分解在获取井水位同震响应信息方面具有重要的应用潜力。通过观测河北唐山井2016~2023年多次井水位同震响应,研究集合经验模态分解对井水位分析处理的优缺点,识别唐山井对远震、近震的井水位同震响应特征,应用地震能量密度经验公式推测唐山井记震能力。结果表明:唐山井水位观测数据秒值在经过集合经验模态分解后,对合适的高频分量进行重构可以压制噪声干扰,有利于观察井水位同震响应特征;对于远场大震引起的振荡型同震响应可以客观真实地进行识别和提取;对于近场地震引起的脉冲型和阶变型同震响应,需结合原始数据进行研究;井水位观测数据秒值有利于揭示区域应力场的变化,因观测数据秒值记震精度提高,唐山井能够记录到地震能量密度为1.77×10^(-7) J·m^(-3)的地震,观测井对不同方位地震的敏感度可用于研究其所在断裂带的裂隙走向。对于超过一定距离的远场地震,井-含水层系统能够记录到的井水位同震响应频率可在一定的范围内估算观测井的固有振动频率,唐山井固有振动频率和地震瑞丽面波频率接近。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究

针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。

基于集合经验模态分解和排列熵的核电厂信号降噪研究

本文提出了一种基于集合经验模态分解和排列熵的电站信号降噪方法。该方法流程如下,首先,采用集合经验模态分解对电站典型实测信号进行了分解,获得对应的本征模态分量。其次,采用排列熵对本征模态分量进行混沌度的定量评价,从而实现实测信号中的有用信号和噪声信号的区分。对于后者,采用改进的小波软阈值降噪法进行降噪。最后,根据排列熵筛分后的有用信号和改进的小波软阈值降噪后的噪声信号进行重构,得到降噪后的信号。另外,本文也采用了主流的经验模态分解和局部均值分解对该信号进行了处理,并将分析结果进行对比。对比结果表明,基于本文所提方法得到的降噪后信号排列熵较小,表明降噪效果要优于以上两种方法。

基于集合经验模态分解的增强核岭回归配电系统状态估计

针对配电网量测信息存在强非高斯噪声时会大幅干扰基于深度学习的状态估计模型滤波精度的问题,提出了一种基于集合经验模态分解的增强核岭回归状态估计方法。首先,使用集合经验模态分解筛除量测信息中的多数噪声数据,保障了后续滤波对数据可靠性的要求。然后,通过构建增强核岭回归状态估计模型,建立了量测信息与估计残差之间的映射关系,输入量测信息后可以得到估计结果与估计残差。最后,在标准IEEE 33节点与某市78节点系统上进行数值仿真,结果证明了该方法在强非高斯噪声干扰下具有较高的精确性和鲁棒性。

基于集合经验模态分解的局部放电信号的窄带干扰抑制

采用经验模态分解(EMD)方法抑制局部放电的窄带干扰时,由于EMD方法本身存在模态混叠问题,在含有局放成分的模态固有函数中仍可能同时含有一定量的窄带成分,导致局放信号无法提取。分析了在局放信号上叠加不同幅值、不同频率的窄带干扰条件下的EMD混叠现象,并提出了基于集合经验模态分解(EEMD)的解决方法。该方法对单频率成分和多频率成分的窄带干扰,均能较好地提取出局放信号。并针对EEMD引入的白噪声干扰,提出了自适应阈值的抑制方法,取得了较好的结果。仿真和现场测试的结果均验证了所提方法的有效性。

基于集合经验模态分解和小波神经网络的短期风功率组合预测

从挖掘风功率特性出发,提出一种基于集合经验模态分解(EEMD)和小波神经网络(WNN)的新型风功率组合预测模型。首先对风功率序列进行集合经验模态分解,以降低风功率序列的非平稳性特征;其次基于相空间重构挖掘各子序列的统计特性,以避免预测模型输入维数选取的随意性;然后对各子序列建立小波神经网络预测模型;最后叠加各子序列预测结果得到风功率预测值。实例研究表明本文所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

基于集合经验模态分解的火-储联合调度调频储能容量优化配置

储能参与电力系统调频能够减少火电机组的爬坡损耗,提高电力系统频率的稳定性。根据区域调频需求合理配置储能容量,将有利于提高系统经济性和稳定性。基于历史典型日区域控制误差（area control error,ACE）,建立了基于集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法的调频储能容量优化配置模型。以储能参与调频的净效益期望最大为目标,计及储能系统荷电状态（state-of-charge,SOC）等约束,优化确定基于EEMD的ACE信号滤波阶数,进而确定参与调频的储能最优配置容量。最后,基于实测ACE数据验证了所提方法的有效性。

基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。

基于集合经验模态分解与Elman神经网络的线椒株高预测

为提高温室环境控制系统的有效性,针对作物生长量的变化与环境因子的变化存在时间尺度不统一的问题,该文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与Elman神经网络建模,提出一种线椒株高生长量预测方法。以8819线椒为试验对象,分别对线椒株高及其环境因子进行EEMD分解,对各尺度下的时间序列建立EEMD-Elman预测模型。结果表明:应用EEMD-Elman神经网络建立线椒株高生长量预测模型,模型预测值与实测值的平均绝对误差为1.69 cm,相关决定系数为0.996,标准误为1.104,模型预测结果与实测值呈极显著性相关。研究结果可以解决作物生长变化与环境变化时间尺度不统一的问题,为温室环境控制系统的控制目标的优化提供有效参数。

基于集合经验模态分解和支持向量机的短期风速预测模型

针对风电场对短期风速的准确预测的要求,建立了一种基于集合模态分解(Ensemble Empirical Mode Decomposition,EEMD)和粒子群算法(Particle Swarm Optimization,PSO)优化支持向量机(Support Vector Machine,SVM)的预测模型。该模型首先对非平稳的风速时间序列进行EEMD分解,分解为一系列的相对平稳的分量;然后SVM对各个分量进行预测,针对各个分量的特点利用PSO对SVM进行参数的优化,对各个分量的SVM预测模型选取最佳的参数组合;最后将分量的预测结果叠加输出最后的风速预测结果。结果表明该预测模型比SVM直接预测模型精度高,达到了预测要求。

基于集合经验模态分解的舰船辐射噪声能量分析

利用集合经验模态分解方法研究舰船辐射噪声的特征参数提取及分类,对预处理后三种不同类别舰船辐射噪声进行能量分析,讨论其高低频能量差特征参数。计算不同类别、一定样本数量的舰船辐射噪声高低频能量差发现,同类舰船高低频能量差基本处于同一水平,不同类型舰船高低频能量差存在明显差异。结果表明,利用集合经验模态分解方法提取的舰船辐射噪声特征参数对舰船类别具有较好的可分性。可为水下目标信号探测及识别提供参考。

基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究

准确的风速预测对风电场实现平稳出力具有重要意义。为提高短期风速预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、套索算法(Least Absolute Shrinkage and Selection Operator, LASSO)、遗传算法(Genetic Algorithm, GA)、广义回归神经网络(General Regression Neural Network, GRNN)和长短期记忆模型(Long Short-Term Memory,LSTM)的短期风速变权组合预测模型(Variable Weighted Hybrid Model, VWHM)。首先运用集合经验模态分解技术,将原始风速时间序列分解成多个不同的子序列。然后运用套索算法对各个子序列的数据变量进行筛选,提取代表性变量作为预测输入。最后利用GA的全局优化能力,对由GRNN和LSTM构成的组合预测模型的权重系数进行移动样本自适应变权求解,并加权得到最终预测结果。仿真结果表明,所提的变权组合模型比单一模型以及传统组合模型具有更高的预测精度,且在风速预测中具有优越性。