基于噪声辅助快速多维经验模式分解的运动想象脑电信号分类方法

脑机接口是一项新兴的技术,它可以处理分析采集到的运动想象脑电信号,从而实现对外部辅助设备的控制。针对目前运动想象脑电信号处理方法计算效率低、分类准确率不高等问题,提出了一种新的基于噪声辅助快速多维经验模式分解(NA-FMEMD)的运动想象脑电信号分类方法。该方法首先利用NA-FMEMD得到全部的多维本征模式函数和趋势项;接着,根据平均频率选取特定的信号层,构建出新的多维信号;然后,通过共空间模式提取出脑电信号的特征向量;最后,将特征向量输入支持向量机分类器中进行分类。分别采用仿真数据和BCI Competition IV数据进行测试,并与基于噪声辅助多维经验模式分解(NA-MEMD)的方法进行比较,验证了所提方法的有效性和优势。

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。

完全互补小波噪声辅助集总经验模态分解

经验模态分解(EMD)是一种自适应非线性非平稳数据处理方法。噪声辅助的EMD方法能克服EMD方法在处理间歇信号时出现的"模态混叠"现象。在这些噪声辅助方法中,互补集总经验模态分解(CEEMD)和完全噪声辅助噪声集总经验模态分解(CEEMDAN)恢复了EMD分解的完整性。在现有分析方法上提出了完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)算法。该算法能用更小的集总数、更少的迭代次数和极小的计算消耗获得更好的光谱分离效果和数目较少的筛选模态。

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明该方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。

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 .

基于经验模式分解的拖曳式声纳拖船噪声抵消研究

拖曳式线列阵声纳的拖船噪声具有多途角扩展等特点,并且是一个非平稳过程,使得对该噪声的消除或抑制是一大难点。经验模式分解是一种用于分析非线性非平稳信号的新方法,该方法自适应地将嵌于数据内部的多个固有模式函数逐一分解开来。本文尝试利用经验模式分解方法分离出水听器接收信号中的拖船干扰噪声,从而达到消除干扰的目的。海上试验数据的处理结果充分验证了这种方法的可行性。

改进集成噪声重构经验模式分解的微弱时频特征增强方法及应用

基于噪声利用机制,集成噪声重构经验模式分解方法(Ensemble noise-reconstructed empirical mode decomposition,ENEMD)利用原信号中固有噪声分量改善模式混淆现象,并通过固有噪声分量的相互抵消作用实现信号降噪。然而,该方法中关键噪声估计技术采用类硬阈值处理方式,忽略系数之间相关性。为此,研究基于相邻系数降噪原理的ENEMD噪声估计技术,提高固有噪声分量估计的准确性。在此基础上,将改进ENEMD方法引入Hilbert-Huang变换中,提出改进ENEMD的微弱时频特征增强方法。该方法以无模式混淆的本征模式分量(Intrinsic mode function,IMF)准确表征微弱故障信号的瞬时频率,并以降噪IMF有效提高时频谱信噪比,消除时频谱中噪声杂点,显著提高信号时频表示的分辨率,增强微弱故障的时频表征并突显局部故障征兆,为机械早期和微弱故障识别提供有效手段。工程实例表明该方法有效揭示空气分离压缩机碰撞与摩擦故障征兆,并成功提取重油催化裂化机组早期微弱碰摩故障特征。

f-x域经验模式分解与多道奇异谱分析相结合去除随机噪声

近年来,经验模式分解法(EMD)因其处理非稳态地震信号的能力和易于实现而备受关注。总结了EMD在地震去噪中的应用情况,提出了一种基于f-x域EMD和多道奇异谱分析(MSSA)相结合的去噪新方法。该方法不同于f-x域EMD分别与f-x域预测滤波、小波阈值、曲波变换等相结合的各种去噪方法,它可以得到比f-x域MSSA更高的信噪比并能预测f-x域EMD中损失掉的线性能量。该方法的实现过程为:首先,对地震剖面应用f-x域EMD,保留所有相对水平的同相轴,这样在噪声剖面中留下很少的倾斜信号和随机噪声,然后在差异剖面中应用f-x域MSSA恢复倾斜信号,最后将水平信号和倾斜信号相加得到去噪剖面。理论测试和实际数据的处理结果验证了该方法的优越性。

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。

改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用

正弦辅助多元经验模式分解算法(SA-MEMD)通过在额外的通道中加入正弦辅助信号来减少模式混合,但该算法对噪声敏感,辅助信号的主频率比需要根据经验确定,为此,提出了一种改进的正弦辅助多元经验模式分解算法。首先使用非局部均值降噪对原始信号进行预处理,减少噪声对算法的干扰,其次使用短时傅里叶变换确定信号频谱范围,然后以最小集成EMD能量熵准则选择最优主频率比,最后根据正弦辅助多元经验模式分解算法的步骤进行信号处理。模拟信号和实际信号的对比分析结果证明,改进的方法可以减少传统的多元经验模式分解方法存在的模式混合现象。

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。

基于经验模式分解的心肺耦合技术在睡眠分析中的应用

目的探讨基于经验模式分解的心肺耦合技术在睡眠分析中的应用。方法通过分析30例源自临床多导睡眠监测记录的胸导心电信号,利用经验模式分解方法获得瞬时频率和瞬时相位信息,构建心肺耦合图谱。按照睡眠中的循环交替模式(CAP)分期方法,将睡眠过程划分为CAP、non-CAP以及清醒/异相睡眠期,采取过零率(ZCR)衡量心肺耦合最大峰值的波动程度,反映阻塞性睡眠呼吸暂停与低通气综合征(OSAHS)的严重程度。结果 OSAHS患者谱图分布频带集中于低频区域,各时刻最大峰值波动较小。通过对比人工和自动分期结果,可以发现基于经验模式分解的心肺耦合技术可以很精准地区分睡眠过程的不同状态。OSAHS患者和健康受试者在睡眠心肺耦合图谱中的最大峰值波动规律存在显著差异,健康组和轻/中度组的ZCR值具有显著性差异(P<0.001);轻/中度组与重度组的ZCR值存在显著性差异(P<0.001),因此耦合最大峰值和睡眠呼吸暂停低通气指数均可以作为划分OSAHS严重程度的指标,且二者之间具有极强的负相关性(r=-0.77,P=5.8×10-18)。结论采用经验模式分解结合心肺耦合技术的方法,可提供可靠的睡眠微结构以及睡眠呼吸障碍信息,其数据采集简单、容易执行,在可穿戴健康管理以及临床辅助诊断领域有巨大发展潜力。

融合新闻影响力衰减的碳价格多元分解集成预测

新闻数据涵盖了与碳价格密切相关的政策、经济和能源等信息,对碳价格的影响具有时效性。为量化新闻影响力的衰减程度,基于词频统计和指数衰减对新闻数据提取特征,提出了1种新闻影响力衰减时间序列的计算方法,新闻的衰减效应更准确地反映新闻对碳价格的影响程度。为提高预测精度,构建了融合新闻影响力衰减的碳价格多元分解集成预测模型,运用噪声辅助多元经验模态分解方法对碳价格和新闻数据进行多元分解,基于样本熵重构分量,使用机器学习方法对分量进行预测,加和集成得到预测结果。以湖北省碳价格为例进行实证分析。结果表明:新闻影响力指数衰减方法能有效刻画新闻与碳价格的相关性,多元分解集成模型表现出优异且稳定的预测性能。

地基观测红外目标二维经验模式分解检测方法及应用

针对复杂条件下的地基观测红外图像目标检测问题,引入二维经验模式分解(BEMD)方法对复杂条件下的目标红外实测图像进行了处理分析:首先对目标观测原始红外图像进行中值滤波,对原始红外图像进行噪声抑制预处理;然后利用BEMD算法对预处理后红外图像进行自适应分解,获得按频段分布的二维基本模式分量与残余图像,并对分解后的红外图像进行有效重构,获取处理后的红外目标图像;最后利用点锐度方法定量评估目标红外图像处理效果,并与原始红外图像进行比对分析。基于实测红外图像处理结果表明,BEMD方法有效抑制了云层背景杂波噪声,且有效检测出清晰的红外目标,处理后的红外图像清晰度较原始红外图像显著提高。

中值互补集合经验模态分解

针对经验模态分解(Empirical mode decomposition,EMD)系列方法存在的模态分裂(Mode splitting,MS)问题,提出中值互补集合经验模态分解(Median complementary ensemble EMD,MCEEMD)算法.通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD,CEEMD)的MS问题,证明了使用中值算子替代算术平均算子对抑制MS的有效性.为了兼具抑制MS和残留噪声的性能,MCEEMD算法首次在集合过程中结合了中值和平均算子.具体地,所提方法首先添加N对互补的白噪声至原信号中,并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions,IMFs),然后分别对其中互补相关的IMFs两两取平均得到N组IMFs,最后使用中值算子处理上述N组IMFs得到输出结果.对仿真信号与两个真实案例的分析结果表明,本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题,而且避免了单一使用中值算子的两个缺点:分解完备性差和IMFs中存在的毛刺现象.

经验模式分解方法在水下目标分类中的应用

针对经验模式分解在水下目标辐射噪声分析时存在的模式混叠问题,提出基于二进滤波的经验模式分解方法,研究了水下目标辐射噪声的分解和特征提取。仿真实验表明,基于二进滤波的经验模式分解方法能很好地抑制模式混叠。最后将该方法应用于海试数据分析,处理结果与直接利用经验模式分解方法相比,识别概率提高了6%,得到比较满意的分类结果。

基于特征模式分解的水声目标特征提取方法

针对复杂水声环境下的水声目标分类与辨识难题,本文提出了一种水声目标微弱特征提取方法。该方法以特征模式分解为基础,使用相关峭度作为优化目标优选分解参数,实现原始水声信号的最优分解;并根据子信号的相似性进行模式融合以增强特征表达,最终实现复杂水声环境下的水声目标准确识别。海上试验表明:基于该方法的水声目标识别准确率达到90.1%,相较于传统方法平均提升12.5%。

基于HOSVD局部重组的利噪抑噪经验模式分解及应用

及时准确地识别航天机构萌生和发展的损伤故障特征信息,可为机构故障诊断评估、科学任务调整以及未来在轨维修提供科学决策依据。集成噪声重构经验模式分解(ENEMD)及其衍生方法都是基于噪声利用机制以原信号中估计噪声改善模式混淆并实现信号降噪。然而,该方法中奇异值拐点难以获取、阈值处理中噪声不连续等带来的噪声估计偏差,将降低微弱特征提取准确性。为此,提出一种基于高阶奇异值分解(HOSVD)局部重组的噪声估计技术。研究基于滑动窗截断和Hankel矩阵相结合的张量构建,然后将奇异值曲率谱上的最大峰值点作为合理奇异阶,最后根据选取的奇异阶重构张量分解模型得到所需的估计噪声分量。在此基础上,将HOSVD局部重组引入ENEMD方法中,提出利噪抑噪经验模式分解方法。该方法可进一步提高微弱噪声估计精确度,实现对航天机构损伤微弱特征的增强提取。仿真分析和某航天轴承试验案例验证了该方法在损伤微弱特征提取和识别上具有实用性与有效性。

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。

一种改进的集合平均经验模态分解去噪方法

针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解(EEMD)去噪方法,该方法根据本征模态函数(IMF)能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。