基于经验模态分解的光纤陀螺1/fγ类型分形噪声滤除方法

提出了一种可有效滤除输出信号中干扰信号的新的光纤陀螺信号降噪方法。中高精度光纤陀螺的随机噪声中包含了白噪声和具有长程相关性、自相似性及1/fγ类型谱密度特点的一种非平稳随机噪声——1/fγ类型分形噪声。利用传统的滤波方法无法有效去除该类分形噪声，而新方法以经验模态分解（EMD）和阈值降噪方法为核心，结合提升小波理论对光纤陀螺的输出信号进行软阈值滤波，进而提高光纤陀螺的精度。利用这种新方法对多组实测数据进行滤波仿真实验，结果中仅偏置稳定性一项性能指标就已表明，使用新滤波方法滤波后数据精度可提高一个数量级，而相较传统的小波滤波方法可提高2．5倍，故此验证了新方法的有效性。

基于EMD和ART-1神经网络的故障诊断方法研究

针对旋转机械故障信号呈非平稳时变并伴随有强烈的背景噪声的特点,利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,并针对EMD中的端点效应问题,提出了基于网格搜索和交叉验证法的最小二乘支持向量机预测方法;在此基础上将能量容差概念引入ART-1神经网络,进而提出了基于EMD与ART-1神经网络相结合的故障分类方法;以离心式风机的故障为例进行分析,实验结果表明该方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性。

EMD-GM(1,1)模型及在大坝变形预测中的应用

大坝水平位移影响因素复杂,形成的数据序列一般不具有单调性,但灰色GM(1,1)模型只有在数据序列具有单调性时才能得到比较好的结果。针对这种情况,详细讨论了EMD-GM(1,1)模型的基本内容及建模过程。EMD-GM(1,1)模型利用EMD的自适应性,自动地从目标序列提取出若干个独立的内在模式分量(IMF),剩余余项则具有单调性,然后采用GM(1,1)模型对余项进行拟合,并使用适宜的方法对各IMF分量进行拟合,最后通过加权平均求出最终值。仿真试验表明,EMD-GM(1,1)模型由于考虑了白噪声对模型的影响,提高了灰区间的白色度,预测效果比传统的GM(1,1)模型效果好。因此,在大坝变形的预测预报中EMD-GM(1,1)模型比GM(1,1)模型具有更高的应用价值。

基于经验模式分解和1(1/2)维谱的客车轴承故障诊断

为了保证高速客车的行车安全,开展了25型客车轴承故障检测诊断方法研究,使用振动信号对客车车轴轴承进行早期诊断和预警。分析了客车轴承振动信号特征,针对轴承故障特征频率包含的能量少且受到噪声干扰的特点,将经验模式分解和112维谱引入轴承振动信号分析,提出了基于经验模式分解和1 21维谱提取故障特征频率的客车轴承诊断方法。试验表明,该方法能有效识别客车轴承早期故障。

滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。

基于一维经验模态分解的图像细节提取方法

将一维经验模式分解方法直接应用于二维图像处理中,提出了基于一维经验模态分解图像细节提取方法。首先将二维图像按行或列展开为一维向量;然后用一维经验模态分解方法进行分解。为了有效地得到二维图像在水平方向和垂直方向的细节信息,提出了在进行一维经验模态分解过程中对残余图像交叉使用行和列展开的方式。最后通过实验证明了该方法的可行性和有效性。

基于EMD的GM-LSSVM在变形预测中的应用

针对变形呈非线性、随机性变化特征,提出了一种基于经验模态分解(EMD)的灰色最小二乘支持向量机(GM-LSSVM)变形预测模型。该模型首先采用EMD有效分离出隐含在变形序列中的非线性高频成分和低频成分;然后根据各分量特点构建了高频LSSVM预测模型和低频GM(1,1)预测模型,最后叠加各分量预测值得到预测结果。经理论分析和算例表明,并与灰色GM(1,1)、BP神经网络和LSSVM对比分析。结果表明,EMD能够有效分离变形序列的不同频率成分,本文方法具有较强的预测精度,均方根误差为0.40 mm,在变形预测中具有一定的实用价值。

一种解决经验模态分解端点效应的边界延拓法

用于电子设备或系统辐射发射趋势预测的数据大多呈现非线性、样本量小的特点,这大大增加了预测建模的难度,而经验模态分解(EMD)可以将非线性、非平稳的数据分解成若干个呈现一定周期性的本征模态函数(IMF),并且EMD具有完备性和正交性,可通过分别对分解得到的IMF分量建模,从而完成对原始数据的建模。但EMD被端点效应问题所困扰,为了提高EMD的分解精度,针对分解过程中的端点效应问题,以及辐射发射趋势预测的时间序列数据样本量小的特点,利用建立灰色均值GM(1,1)预测模型所需数据量小的优点,提出了一种基于灰色均值GM(1,1)预测模型的边界延拓方法,在原始数据两端各拓展一个极大值和一个极小值,对原始数据进行边界延拓,从而抑制EMD的端点效应。仿真对比结果表明:该方法在分解层数和平均相对误差方面均优于未经延拓处理的EMD,且对数据样本量要求不高。