用噪声残差似然估计改进经验模态分解基信号去噪方法

现有的基于经验模态分解(EMD)的信号去噪算法,用于幅值取阈以及信号重建的本征模函数(IMF)基本都是靠经验筛选,影响了算法的去噪性能。为解决这一问题,引入噪声残差似然估计(LE-RN)测度以建立IMF的优化筛选准则。由消噪后的重建信号与原始带噪信号,可以形成一个噪声残差(RN)分量。在不同去噪参数组合下,通过最大化RN分量与标准正态分布的对数似然,实现IMF分量的优化筛选。最终,形成一种改进的EMD基信号去噪方法。借助仿真消噪试验,通过与现有的EMD基去噪方法进行对比,验证了所提出的去噪参数优选准则及其改进EMD基去噪方法的有效性。

异方差回归中的广义方差比检验(英文)

在同方差假设之下 ,线性模型在回归分析的理论与应用方面起着突出的作用 ,很受许多研究工作者的青睐 .然而 ,回归模型中同方差性这一标准假设不一定总是成立的 .因此我们考虑了用一类基于似残差的方法来检验异方差情形下线性模型拟合观测数据的情况 .本文既给出了大量的模拟 ,又给出了实际数据作为应用的例子 .效果都很好 .