基于二维经验模态分解算法的织物疵点自动检测

为解决织物疵点检测工序中存在的耗时性问题,提出一种基于二维经验模态分解(EMD)的多方向自适应检测方法。通过Delaunay三角分割、径向基函数插值与二维三次样条插值等方法实现二维EMD算法,用该方法将织物灰度图像分解为一系列子图像,选取包含疵点信息的子图像进行融合,最后通过阈值化来识别织物图像中的疵点。借助于工业线阵相机采集包含不同疵点的织物图像,并利用提出的方法进行自动检测。结果表明,子图像融合结果中疵点信息明显,与背景的反差强烈,通过阈值法可以直接判断出图像中是否包含疵点,并完成疵点定位,该方法对织物疵点的检测十分有效。

基于二次二维经验模态分解去噪的湍流退化图像复原算法

为实现大气湍流环境下的高质量成像,将自适应光学波前探测技术与数字图像处理技术相结合,并提出了一种基于二次二维经验模态分解去噪的湍流退化图像复原算法。通过在光学系统中使用哈特曼-夏克波前传感器探测波前信息,进而计算光学系统点扩散函数;然后使用改进的二次二维经验模态分解算法进行图像去噪,最后利用R-L算法实现对湍流退化图像的复原。通过搭建光学实验系统,对实际拍摄的湍流退化图像进行了复原实验。结果表明,该算法能够有效减弱噪声放大现象,得到更加稳定的高质量大气湍流退化图像复原结果。

联合非降采样金字塔与经验模态分解的遥感图像融合算法

为了更好地进行遥感图像融合,联合非降采样拉普拉斯金字塔变换(NLP)和二维经验模态分解(BEMD),提出了一种利用分解系数绝对值和瞬时频率作为融合特征的遥感图像融合新算法.首先利用非降采样金字塔对高分辨率全色图像(PAN)进行分解,使其低频部分和低分辨率全色图像(MS)具有相同的尺度特性;再对低频部分和MS图像进行BEMD分解,得到二维内蕴模态函数(bimf)和趋势图像,并计算各层bimf的4方向瞬时频率.为了尽可能提高空间细节质量,利用瞬时频率和分解系数绝对值作为融合特征,并考虑bimf部分对应位置系数的正负关系,采用加权算法对高频细节部分进行融合;最后进行相应的BEMD和NLP逆变换,得到融合图像.实验表明,该方法对融合影像的光谱质量和空间细节质量都有较好的改善.

基于互补式集合经验模态分解和IPSO_ LSSVM的短期风功率预测

针对风电出力随时间变化具有非线性特点,本文提出一种基于互补式集合经验模态分解(CEEMD)和改进粒子群算法最小二乘支持向量机(IPSO_LSSVM)新型风功率预测组合模型。首先该方法利用CEEMD将风速序列分解为一系列相当平稳风电分量,以减少不同频率功率信号之间相互影响;其次针对各分量不同特点,采用改进粒子群算法优化核函数相关参数建立各自对应预测模型;最后将不同分量预测数据进行叠加得到风功率预测结果。通过仿真验证,本预测模型有较高预测精度,在工程中具有一定实用价值。

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。

基于BEEMD分解的红外与可见光图像融合

针对二维经验模态分解(BEMD)算法在图像分解过程中存在模态混叠,提出了一种基于二维集合经验模态分解(Bi-dimensional Ensemble Empirical Mode Decomposition,BEEMD)算法的红外与可见光图像融合方法。为了抑制分解过程中存在的模态混叠现象,获得准确的特征分量和残差分量,使用BEEMD算法对图像进行分解。对获得的特征分量采用局部区域能量选择与加权的融合策略进行融合,而残差分量采用模糊逻辑进行融合。将融合后的特征分量和残差分量叠加得到最后的融合图像。实验结果表明,该方法能够很大程度上保留可见光图像的背景信息,同时突出红外图像的目标,具有较好的可视性,而且在平均梯度(AG)、标准差(SD)、信息熵(IE)等客观评价指标方面,也有明显的优势。

基于BEMD与自适应维纳滤波的图像降噪

自适应维纳滤波器是一种经典的线性降噪滤波器,较其他线性滤波器能够更好地解决边界模糊的问题。然而由于含噪图像的噪声主要集中于它的高频部分,而图像的低频部分所含有的噪声较高频部分则小很多。自适应维纳滤波算法对图像中所有频率成份都不加区分地进行滤波降噪处理,因而它不能得到更为令人满意的结果。提出了一种将二维经验模态分解和自适应维纳滤波相结合的图像去噪方法,通过将图像分解为不同频率成份的子图像并对各子图像采用不同的降噪处理,从而更好地对含噪图像进行降噪。实验结果表明,算法相对于自适应维纳滤波算法降噪效果更好。

基于WOA-LSSVM算法的风机齿轮箱故障诊断

针对风机齿轮箱振动信号非线性、非平稳性的特点,提出了一种基于改进的集合经验模态分解(MEEMD)、样本熵、鲸鱼优化算法优化的最小二乘支持向量机(WOA-LSSVM)算法的风机齿轮箱故障诊断方法。采用MEEMD对采集的齿轮箱振动信号进行分解,选择合适的本征模态函数(IMF)分量,并计算IMF分量的样本熵构造特征向量;使用WOA-LSSVM对其进行故障识别。实验数据对比表明,基于MEEMD样本熵和WOA-LSSVM算法的风机齿轮箱故障诊断方法可以更有效地实现风电机组齿轮箱的故障诊断。

逆变器的电容老化故障诊断方法研究

针对逆变器电容老化故障的特征不明显、提取困难,且存在多分类、细分类问题,提出一种自适应白噪声完整集合经验模态分解(completeensembleempiricalmode decomposition with adaptive noise,CEEMDAN)与小波包能量熵(wavelet packet energy entropy,WPEE)结合的特征提取策略,并利用改进麻雀搜索算法(improvedsparrow search algorithm,ISSA)优化最小二乘支持向量机(least squares support vector machine,LSSVM)参数,完成故障诊断。首先,利用CEEMDAN处理相电压信号,获得模态分量(intrinsic mode function,IMF),根据相关系数、方差贡献率共同筛选IMF,将含噪的IMF去噪并重构,与不含噪的IMF构成纯净IMF组,然后利用小波包分析并对其分解获取故障特征明显的WPEE;其次,通过Iterative混沌映射与随机游走策略改进的SSA对LSSVM进行参数寻优,建立诊断模型;最后,以Z源逆变器为例进行验证。结果表明:所提方法能快速有效地提取电容老化故障特征,且诊断方法更快、故障识别率更高。

基于EEMD-IGSA-LSSVM的超短期风电功率预测

为了提高风电场输出功率的预测精度,在保证安全操作的前提下,建立了一种基于集合经验模态分解(EEMD)、改进引力搜索算法(IGSA)、最小二乘支持向量机(LSSVM)相结合的风电功率组合预测模型.首先运用EEMD算法将风电功率时间序列分解成一系列复杂度差异明显的子序列;其次利用相空间重构(PSR)对已分解好的子序列进行重构,对重构后的每个子序列分别建立IGSA-LSSVM预测模型,为分析不同核函数构造LSSVM的差异性,建立了8种核函数LSSVM预测模型,利用IGSA算法求解其模型;最后以中国内蒙古地区的某一风电场为算例,仿真及验算结果表明,利用IGSA算法寻优得到的指数径向基核函数核参数和惩罚因子构建的LSSVM模型具有较高的预测准确性;与EEMDWNN,EEMD-PSO-LSSVM等5种常规组合模型相比,所提出的指数径向基核函数的EEMD-IGSA-LSSVM组合模型能有效、准确地进行风电功率预测.

基于EEMD-WOA-LSSVM的超短期风电功率预测

针对风电场输出功率不稳定特性造成风功率预测精度不高问题。采用集合经验模态分解(EEMD)将风功率信号分解为若干个平稳的子序列,可避免经验模态分解(EMD)出现错误的本征模态函数(IMF)分量;利用相空间重构对分解获得的平稳子序列进行重构;提出一种鲸鱼算法(WOA),优化风功率平稳子序列重构参数和最小二乘支持向量机(LSSVM)参数;从而建立EEMD-WOA-LSSVM风功率预测模型。以某风电场为例,采用所建立预测模型对风功率进行仿真分析,实验结果表明EEMDWOA-LSSVM预测模型的风电功率预测精度更高。

基于EEMD-IPSO-LSSVM的交通流组合预测模型

针对短时交通流时间序列数据非平稳、非线性的特点,为提高短时交通流的预测精度和收敛速度,提出了一种基于集合经验模态分解(EEMD)和改进型粒子群算法(IPSO)优化的最小二乘支持向量机(LSSVM)的组合预测模型。首先,利用集合经验模态分解方法将短时交通流时间序列样本数据分解为多个本征模函数(IMF)和一个残差项(RES),细化了交通流量的信息,提高了建模的精确度;然后,对分解后的每个分量使用LSSVM并结合IPSO算法进行组合预测,通过选择不同的最优的支持向量机核函数,提高模型精度,通过IPSO算法提高预测效率;最后,将各分量预测值进行叠加作为最终交通流预测值。实验结果表明,EEMD-IPSO-LSSVM组合模型的均方根误差(MSE)比LSSVM模型和PSO-LSSVM模型分别降低了47.4%和24.6%,该组合模型提高了预测精度,并且能够快速地预测交通流时间序列。

一种非线性非平稳自适应信号处理方法—希尔伯特-黄变换综述:发展与应用

非线性非平稳信号的分析、处理以及特征提取问题,一直是学术和工程界关注的热点问题之一。为突破传统数据分析方法受线性或者平稳性假设的限制,一种新颖的、高效的非线性、非平稳、自适应的数据分析方法——希尔伯特-黄变换(HHT)被提出。在这篇综述中,我们介绍HHT的基本思想和近期发展,总结起在工程领域中的应用情况,并且列举与之相关的数学问题。

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。

基于CEEMD-LSSVM的风电场短期风速预测

针对风速序列的随机性和非平稳性带来的难以准确预测的问题,提出了一种基于互补集合经验模态分解和最小二乘支持向量机的风速预测模型。首先利用互补集合经验模态分解将风速序列分解为一系列本征模态函数以降低其非平稳性对预测性能的影响,然后对各模态序列分别建立最小二乘支持向量机预测模型,并利用综合学习策略粒子群优化算法对其核参数寻优,最后将各子序列预测结果叠加组合得到最终风速预测值。实例研究表明,所提出的预测模型在短期风速预测上有较高的预测精度。

基于混合模型的中长期降水量预测

针对中长期降水量预测精度较低的问题,提出了由改进集合经验模态分解方法、最小二乘法、核极限学习机和改进的果蝇优化算法构成的混合模型来对区域年度降水量序列进行预测。首先,通过改进集合经验模态分解方法将非平稳降水量时间序列分解为多个分解项。然后,根据不同分解项的特性分别采用最小二乘法和核极限学习机对其进行预测。由于核极限学习机均存在一定的参数敏感特性,因此提出使用改进的果蝇优化算法来对核极限学习机的相关参数搜索寻优,以提高其预测精度。最后,将各分解项的预测结果叠加,从而形成最终预测结果。以广东省7个地市1951-2015年的年度降水量为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和核极限学习机模型,混合模型预测具有更高的预测精度。

基于AACA-LSSVM的同步发电机滚动轴承故障分类

针对LSSVM模型在同步发电机轴承故障分类训练中时间过长、分类精度不高的缺点,本文提出自适应蚁群算法改进LSSVM模型的方法。自适应调整蚁群算法的挥发因子和状态转移规则,寻找最优的LSSVM参数,建立AACA-LSSVM模型。提取不同故障状态下的轴承振动信号,经EMD分解后,计算IMF分量的关联维数和Shannon信息熵,以此作为故障样本数据训练分类模型。仿真实验中与LSSVM模型进行了对比,结果表明AACA-LSSVM在分类时间和精度上都优于LSSVM模型。

采用EEMD-KPCA处理的IHHO-LSSVM滚动轴承寿命预测模型

为提高滚动轴承剩余寿命预测精度,提出一种基于集合经验模态分解-核主成分分析(EEMD-KPCA)和改进的哈里斯鹰优化-最小二乘支持向量机(IHHO-LSSVM)的滚动轴承剩余寿命预测模型.首先,使用集合经验模态分解方法对原信号进行分解,根据相关系数和峭度值选取合适的本征模态函数进行重构;然后,提取时域、频域、小波包能量谱等指标,并用核主成分分析,选取累计贡献率大于85%的主成分作为轴承退化性能指标;建立最小二乘支持向量机寿命预测模型,针对模型参数,提出一种改进的哈里斯鹰优化算法,并在新算法基础上设计新的能量周期性递减调控机制.采用轴承全寿命实验数据进行验证,结果表明:该方法提取的轴承性能评估指标能够更全面地表征轴承性能退化情况,建立的模型具有良好的预测效果.

基于EEMD与LSSVR的能源消费量多尺度预测——以广东省为例

由于能源消费内在的复杂性,传统的单尺度预测方法很难获得理想的预测效果.为提高能源消费量预测精度,提出了基于集合经验模态分解(EEMD)与最小二乘支持向量回归(LSSVR)的能源消费量多尺度预测模型.首先应用EEMD算法将能源消费量环比指数从高频到低频分解成若干结构更简单、变化更平稳、规律性更强、更易于预测的内在模态函数(IMF)和一个残差项;其次利用LSSVR对各IMF和残差项进行预测,并采用粒子群算法(PSO)选择最优的模型参数;然后将各分量的预测值直接加总求和重构出能源消费量环比指数的预测序列;最后通过逆环比化处理,获得原始能源消费量的最终预测值.利用该模型对1980-2013年广东省能源消费量进行实证分析,结果表明多尺度预测模型的确能够显著提高预测精度.

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.