基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。

联合经验模式分解和混沌理论的稳态视觉诱发电位脑电识别

针对多目标稳态视觉诱发电位(SSVEP)信号识别准确率低、线性识别方法抑制噪声的同时也会抑制信号本身特征等问题,基于经验模式分解对信号的降噪特性、达芬混沌系统对微弱周期信号的敏感性及噪声的免疫特性,提出了一种非线性多目标SSVEP信号识别算法。首先,采用共平均参考算法将多通道SSVEP信号融合成单通道信号,通过傅里叶变换求得SSVEP信号的相位谱,为达芬混沌系统周期策动力添加相位;接着,采用经验模式分解降噪,将获得的第一个本征模函数输入到达芬混沌系统中,利用基于频谱差异的混沌系统状态判别方法,求解各目标的刺激频率幅值;最后,根据最大刺激频率幅值确定刺激目标,实现了对多目标SSVEP信号的识别。研究结果表明:相较于典型相关分析法,所提非线性信号处理方法的平均识别准确率提高了7.3%,平均信息传输速率提高了3.84bit/min。该研究为探究非线性SSVEP信号解码算法提供了新方向。

日本非遗保护的经验模式对我国的启示

扎实做好非物质文化遗产的保护和传承工作,对弘扬中华优秀传统文化具有重大意义。日本在非遗保护和传承方面有着丰富经验和较为先进的保护模式,吸收借鉴其有益做法可为我国非物质文化遗产的创造性转化、创新性发展提供思路和启示。

基于总体经验模式分解的地震信号随机噪声消除

地震资料去噪是地震数据处理非常重要的步骤,现代地震勘探对地震资料信噪比的要求越来越高.总体经验模式分解(ensemble empirical mode decomposition,简写为EEMD)是一种新的时域信号处理方法 ,它是对经验模式分解(empirical mode decomposition,简写为EMD)的一种改进.EEMD将目标信号经验地分解为几个被称为本征模态函数(intrinsic mode function,简写为IMF)的子信号,它是一个自适应的带通滤波器组.本文介绍了EMD和EEMD分解的基本原理,提出了一种基于EEMD分解的地震信号随机噪声消除的方法 .本文利用含噪信号EEMD分解后其有效信号和随机噪声在IMF中差异分布的特点,给出一种地震信号随机噪声消除的新方法 .

激光雷达信号的可变间隔阈值经验模式分解去噪法

针对采用经验模式分解直接阈值(EMD-DT)和经验模式分解间隔阈值(EMD-IT)在激光雷达回波信号的去噪应用中会产生的模态混叠现象,采用一种可变间隔阈值的经验模式分解(EMD-SIT)的去噪方法。首先,对信号进行经验模式分解。然后,采用过零率方法将分解出的含有噪声的固有模态函数分离。最后,应用过零点阈值,设立一个新的可变阈值,将EMD-IT和EMD-DT有效融合对信号进行去噪。通过与多种阈值的仿真对比以及激光雷达的回波信号去噪实验,结果表明该方法可以有效地去除噪声,抑制模态混叠,较EMD-IT和EMD-DT更具有优越性,因此有着很好的应用前景。

集合经验模式分解在柴油机机械故障诊断中的应用

针对柴油机表面振动信号非平稳、非线性等特点,引入集合经验模式分解(EEMD)的信号分析方法,对原始振动信号叠加适当的随机高斯白噪声,从而改变信号的局部时间跨度,有效抑制了经验模式分解(EMD)的模式混叠现象。通过Hilbert变换作边际谱曲线以提取故障特征信息。仿真试验和发动机故障实例证实了EEMD算法可以提高振动信号的分析精度,在柴油机机械故障诊断领域应用前景广泛。

基于混合经验模式分解的水轮机压力脉动分析

针对水轮机尾水管压力脉动信号的非平稳性以及经验模式分解(EMD)和集成平均经验模式分解(EEMD)的一些重要缺陷,以虚假分量识别和信号重构为基础,提出了一种混合经验模式分解方法。分别以仿真信号和某混流式水轮机尾水管压力脉动信号为例,验证了该方法相对于EMD和EEMD的优势。

基于基图像提取的二维经验模式分解方法

在图像处理中,传统经验模式分解(BEMD)方法存在图像边缘处的跳跃特性而造成的原图像细节丢失,以及分解图像中存在的严重"灰度斑"现象和原图像边缘信息无法保留在分量中等问题。提出一种先利用加权最小二乘估计提取基图像后进行BEMD分解的方法用来克服上述问题。实验证明,这种方法可以很好地保留细节和边缘信息,并极大减弱了"灰度斑"现象。

嘉祥县大豆生产现状及大面积单产提升经验模式

嘉祥县豆种业是嘉祥县的优势主导产业,嘉祥县大力发展豆种产业,采取各种保障措施,统筹地种肥水药各要素、耕种管收各环节,坚持良田与良法配套、农机与农技融合,着力提升大豆单产,取得显著成效。本文作者通过实践总结了大豆单产提升的经验模式,客观分析了大豆单产提升的限制因素,提出了应对措施,并明确了下一步单产提升工作重点。

基于加权滤波经验模式分解的遥感图像融合

加权滤波经验模式分解(weighted filter empirical mode decomposition,WFEMD)作为一种新的多尺度、多分辨率分析方法,与小波、超小波和现有二维经验模式分解方法相比,更加适合于二维图像中的细节特征分析。该方法运用自适应加权滤波器直接求取均值面,解决了传统二维经验模式分解(empirical mode decomposition,EMD)方法的固有缺陷;将WFEMD方法引入遥感图像融合,能够更好地提取原始图像的特征,为图像融合提供更多的信息。鉴于此,提出了一种基于WFEMD变换的图像融合方法。首先,利用WFEMD的自适应性、多尺度性和高频细节信息的强获取能力,将待融合的图像分别进行WFEMD分解,对不同图像的内涵模式分量(intrinsic mode functions,IMF)按照该文提出的细节/背景原则进行融合,剩余分量按照平均原则进行融合。最后,将融合后的内涵模式分量重构,获取融合图像。实验证明,该方法的融合效果优于其他图像融合方法。

基于迭代的集总经验模式分解算法的齿轮箱故障特征提取

针对集总经验模式分解方法(Ensemble Empirical Mode Decomposition,EEMD)在实际应用中存在的盲目添加白噪声的问题,提出了一种迭代的集总经验模式分解方法(Iterative Ensemble EmpiricalMode Decomposition,IEEMD)。首先介绍了IEEMD方法,然后将EEMD方法与IEEMD方法用于实际齿轮箱故障信号的特征提取。结果表明,与EEMD方法相比,IEEMD方法可以得到更高分辨率的HHT时频谱图,可以从信号中提取更多的有用信息。说明IEEMD方法较好地克服了EEMD方法中存在的盲目添加白噪声的问题,适合于作为齿轮箱故障信号的特征提取方法。

经验模式分解在滚动轴承故障诊断中的应用

经验模式分解作为一种自适应的非线性、非平稳性信号分析方法,广泛应用于滚动轴承故障诊断中,但存在模态混淆、本征模式函数的判据、边界效应等问题。首先系统阐述了经验模式分解方法原理及特性,分别对经验模式分解的改进算法固有时间尺度分解、局部特征尺度分解和完备总体经验模式分解作了分析,研究了其基本原理、应用和特点,提出经验模式分解与其他诊断方法相融合是滚动轴承故障诊断的研究方向。

基于辅助信号经验模式分解的海上视频图像去雾技术

海面及天空区域的视频图像局部或全局极值点匮乏,传统的二维经验模式分解(BEMD)失效。本文分析了BEMD的频率特性,给出了高频辅助信号的构造方法,将高频辅助信号加入原视频图像信号,分解得到的内蕴模式分量(IMC)减去IMC的辅助信号,得到原信号的最接近辅助信号的频率分量。以此类推,分解可得到原信号的不同频率分量。这种基于辅助信号的经验模式分解(ASBEMD),解决了局部或全局极值点匮乏的海上视频图像的分解问题,并应用于海上降质图像的增强处理,取得了与目前公认去雾效果较好的HE算法一致的结果。

基于方向经验模式分解的纹理分类

提出一种纹理分类的新方法———基于方向经验模式分解的纹理分类。这个方法自适应地将图像分解为一个特定方向的IMF,然后分析IMF通过二维希尔伯特变换的方向频率和包络。对不同的自然纹理图像进行实验,并将结果与文献[1]的结果做比较。实验结果证明,本文方法的识别效果优于文献[1]。

基于经验模式分解的滤波去噪法及其在GPS多路径效应中的应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种新的信号处理技术,它是基于数据本身的,且能在空间域中将信号进行分解,从而可以区分噪声和有用信号。根据EMD分解白噪声而得到的本征模式函数(IMF)分量的能量密度与其平均周期的乘积为一常量这一特性,建立一种新的基于EMD滤波去噪方法,并将该方法应用于GPS多路径效应的研究中。通过对模拟数据与GPS实测数据的处理分析,得出以下主要结论:①EMD滤波去噪法与小波方法都能最大限度地削弱测量的随机误差,但EMD滤波去噪法比小波方法更直接,且不受测不准原理及小波函数选择的影响;②相比小波方法,EMD能够更有效地剔除瞬时强噪声,从而能够提取更精确的多路径效应重复性误差改正模型。

小波变换及经验模式分解方法在电机轴承早期故障诊断中的应用

电机轴承早期故障的有效诊断是实现安全生产、避免大事故的技术前提。文中用高精度加速度传感器采集电机轴承振动信号,采用小波变换实现信噪分离,提取淹没在噪声背景中的早期故障特征信息,然后对提纯的信号进行经验模式分解(EMD)而得到若干个基本模态分量(IMF),再计算各基本模态分量的频谱。理论及试验研究结果表明:按此方法得到的各基本模态分量的频谱突显了轴承的故障特征信息,能有效诊断出轴承的早期故障。

局部均值分解与经验模式分解的对比研究

介绍了一种新的非平稳信号分析方法——局部均值分解(Localmean decomposition,简称LMD)。LMD方法可以自适应地将任何一个复杂信号分解为若干个具有一定物理意义的PF(Product function)分量之和,其中每个PF分量为一个包络信号和一个纯调频信号的乘积,从而获得原始信号完整的时频分布。本文首先介绍了LMD方法,然后将LMD方法对仿真信号进行了分析,取得了满意的效果,最后将其和经验模式分解EMD(Empiricalmode decomposition)方法进行了对比,结果表明在端点效应、迭代次数等方面LMD方法要优于EMD方法。

基于经验模式分解与因素影响的负荷分析方法

提高预测精度需要准确把握负荷变化规律和环境因素影响,但目前的分析方法多存在依赖主观经验,且对因素影响分析不深入的问题。为此,提出一种基于经验模式分解(empiricalmodedecomposition,EMD)和因素影响的负荷分析新方法。利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式,可克服依赖主观经验的缺点。再利用多个指标从不同方面分析它们的规律特性。通过各分量与各影响因素的相关分析,深入挖掘各因素对各分量的影响情况。归纳出构成负荷的不同成分,并详细论述其特性。实例研究说明该方法可很好地分析负荷特性及因素影响。

基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断

为了有效提取设备状态信息,提出一种Renyi熵复杂性测度下的经验模式分解(Empirical mode decomposition,EMD)和最小二乘支持矢量机(Least square support vector machine,LS-SVM)的故障诊断方法。该方法先对振动信号进行EMD分解,得到多个基本模式分量(Intrinsic mode function,IMF)后,求出表征故障信息的若干个IMF的Renyi熵,再将其作为特征矢量输入LS-SVM进行故障分类。一个滚动轴承故障诊断实例说明该种方法的有效性。

基于经验模式分解处理局部放电数据的自适应直接阈值算法

根据局部放电信号的特征,将经验模式分解(EMD)应用于局部放电信号分析中,提出了处理局部放电数据的自适应直接阈值(ADT)算法。首先,将基于EMD的时空滤波方法应用于局部放电数据的预处理中。与传统滤波方法相比,该方法无需预定义滤波器系数,而且能够充分保留原始信号本身所固有的非平稳特征。其次,为了最大限度的抑制噪声干扰,进而提出了ADT算法。该方法不存在小波方法中的小波基选取问题,以多分辨率的EMD为基础,结合3σ准则自适应地确定分解尺度和阈值,是一种完全的数据驱动型方法,具有较好的自适应能力和综合处理性能。仿真数据和试验数据的处理结果表明了该方法的有效性。