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。

一种添加部分自适应噪声的集成经验模态分解方法

为了解决集成经验模态分解(EEMD)及其改进形式中普遍存在的噪声量和计算量需求大的问题,统计分析了白噪声内涵模态函数(IMF)的极值点和能量变化规律,总结出白噪声IMF极值点数随长度和阶数变化的经验公式。发现白噪声的高阶IMF不能有效调整信号的极值点分布,提出添加部分自适应噪声的集成经验模态分解(EEMDPAN)。相比于自适应噪声完全集成经验模态分解(CEEMDAN),EEMDPAN有2点改进:不使用全部独立的自适应噪声,而使用成对相加为0的互补自适应噪声;不添加全部阶的自适应噪声,而是在中间的某一阶停止,而后使用经典EMD方法。对2个人工信号进行分解,实验证明,EEMDPAN很好地继承了EEMD抑制模态混叠的能力,相比于CEEMDAN,计算量降低至1/3,并且分解结果的低阶成分信号附加噪声更小,高阶成分信号可信度更高。

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。

基于自适应噪声抵消与小波滤波的GPS监测误差分析

对GPS载波相位测量误差进行了理论分析和试验研究。根据噪声特征以及它们对载波相位测量结果的影响,提出了基于自适应噪声抵消与小波滤波相结合的GPS噪声抑止方法。对具有强相关特性的多路径误差采用自适应噪声抵消方法,而对于不相关的高频噪声则通过合理选择小波分解层数对信号进行分解,对作用阈值后的小波系数进行重构,得到最后的变形信号。实测数据分析表明,该方法能有效地削弱多路径效应及测量随机噪声,较用单一方法对GPS数据进行消噪处理有较大的优越性。

一种新的变步长LMS自适应算法及其在自适应噪声对消中的应用

许多时变步长（ＶＳＳ）自适应算法已经提出用来完善标准ＬＭＳ算法的性能，但实验表明这些算法容易受噪声干扰。本文介绍了一种新的变步长ＬＭＳ自适应算法，这种算法保证了较小的失调，同时使算法在自适应初始阶段有较快的收敛速度。该算法的优越性在于它不受已经存在的不相关噪声的干扰。本文对该算法的收敛性和稳定性进行了分析，并将该算法应用于自适应噪声对消的仿真实验中，给出了计算机的仿真结果。

基于噪声白化准则的自适应噪声抵消方法

提高泄漏检测信号的信噪比是提高管道泄漏检测定位性能的重要途径,针对泄漏检测定位的工程实际提出一种新的噪声抑制方法,基于噪声白化准则的自适应噪声抵消方法。用噪声白化准则控制检测信号的线性预测,提取出与干扰噪声相关、与泄漏信号不相关的信号作为自适应噪声抵消器的参考输入,这样能够有效抵消泄漏检测信号中自相关长度小于泄漏信号自相关长度的干扰噪声。实验结果和实际应用表明,该方法能有效抑制泄漏检测信号中的干扰噪声。

层状介质界面超声检测的理论分析和自适应噪声抵消处理

首先从理论上推导了展状介质超声脉冲回波的解析表达式，对各界面信号进行了分析。指出多层介质超声回波是各界面信号的叠加。应用自适应噪声抵消去除超声回波中的零界面和一界面信号，可以将二界面信号提取出来。对模拟和实测层状介质超声回波信号处理表明，方法是可行的。根据得到的二界面信号的幅度和起始时间，可以对二界面的深度和粘结情况进行评价。

改进自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法。由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果。为此,提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能。仿真和实际数据验证了该算法的有效性。

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。

基于经验模态分解和自适应噪声对消算法的窄带干扰抑制

在局部放电在线检测中,自适应噪声对消算法是当前抑制窄带干扰的有效方法。由于窄带干扰频率范围很宽,滤波参数不易设置,同时实测时的窄带干扰在时频域都表现强烈,局部放电信号会完全淹没于干扰之中,使得一般改进噪声对消算法不能取得较好效果。为此,笔者提出一种改进经验模态分解的噪声对消算法,首先在频域中降低干扰幅值,接着利用经验模态分解的分频特性将宽频带的窄带干扰分解到不同频带,各频带内的窄带干扰频率相差有限,然后进行自适应噪声对消,以达到较好的滤波性能。仿真和实际数据验证了该算法的有效性。

基于阵列抗串扰自适应噪声抵消的语音增强

本文提出了一种针对阵列交叉串扰信号的自适应噪声抵消方法 ,并将其用于麦克风阵语音增强 .该方法仅使用两级滤波系统 ,计算量小 ,稳定性好 ,且对麦克风阵的几何结构及噪声类型均没有严格限制 .试验表明 ,该方法消噪量大 ,对语音损伤小 ,语音增强效果显著 ,适用于多种噪声环境并易于实时实现 .

基于自适应噪声抵消的CZ单晶炉炉膛温度信号处理

为滤除CZ单晶炉炉膛温度信号在单晶生长过程中存在的低频干扰,提出一种基于噪声抵消技术的滤波方法.首先利用傅立叶级数构造出低频干扰的逼近信号,然后根据炉温信号的缓变特征建立能够获取低频干扰逼近信号的抵消器误差函数,最后利用一种改进的粒子群优化算法优化误差函数获得低频干扰的逼近信号,并用该逼近信号抵消低频干扰.实验结果表明,所提出的自适应噪声抵消滤波算法能够有效滤除CZ单晶炉炉膛温度信号中的低频干扰,并优于常用的滤波方法.

一种用于自适应噪声对消器的改进LMS算法

归一化LMS(NLMS)算法是目前自适应噪声对消器中常用的一种算法 .文中根据对输入信噪比的估计 ,在NLMS算法基础上提出一种改进的LMS算法 .在 3种不同输入信噪比情况下 ,对NLMS算法和改进的算法进行了比较 ,结果表明改进的算法性能明显优于NLMS算法 .

基于协同进化微粒群算法的神经网络自适应噪声消除系统

在分析前向神经网络结构的基础上,定义了一个与随机数对应的布尔向量,实现了前向神经网络的网络结构与权值联合编码;将网络结构参数作为协同进化微粒群算法子群的划分标志,构造了一种用于神经网络进化设计的协同进化微粒群算法,实现了神经网络的结构和权值协同自适应进化设计,应用于神经网络噪声消除系统,取得了比较好的效果。

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。

基于RLS算法的自适应噪声抵消系统研究

介绍了一种基于RLS算法的自适应噪声对消系统,说明了噪声对消系统的原理以及RLS算法的步骤与流程。通过实例仿真,得到了基于RLS算法的自适应噪声抵消系统仿真图。分析仿真结果得出,在单频干扰与宽带噪声干扰两种情况下,RLS自适应滤波器都能很好地消除干扰得到有用信号。证实了在通信语音信号处理中,用基于RLS算法的自适应噪声对消系统可以消除语音噪声,提高语音通信的信号质量。

小波变换和自适应噪声抵消在闭合裂纹超声检测中的应用

在闭合裂纹超声检测中，裂纹散射口波信号非常微弱，难以检测。本文分别用小波变换和自适应噪声抵消方法来抑制应电压背景噪声和随机电噪声，提高了信噪比，增强了裂纹检测率．

基于DCT变换的变步长LMS自适应噪声抵消算法

为了提高LMS算法进行自适应噪声抵消时的综合性能,从语音信号自身的相关性出发,提出一种基于DCT变换的变步长LMS算法.该算法融合了归一化DCT-LMS算法与变步长LMS算法的优点.充分发挥了DCT变换的去相关能力和变步长算法的快速收敛效果.仿真结果表明,该算法与传统LMS算法、NLMS算法等相比具有更快的收敛速度和更小的稳态失调误差,同时计算量与NLMS相当,可实现性良好,能很好地应用于自适应噪声抵消系统.