基于经验模态分解的地震相分析技术

经验模态分解(EMD)方法是希尔伯特—黄变换的核心部分,可以将地震数据分解为多阶内蕴模态函数(IMF)分量,不同IMF分量具有不同的频率特性,不同的IMF分量对地震相的敏感程度不同,反映不同的地质信息。利用EMD方法结合kohonen神经网络的地震相分析可进行断层识别以及储层预测。文中将EMD方法应用于中国西部的实际地震资料分析,利用重构信号和分解得到的IMF分量进行波形地震相分析。模型试算和实际资料应用结果表明,用感兴趣的IMF分量能够重构信号,重构后的地震信号能够更加清晰地显示断层展布特征、有利储层范围等,提高了地震资料的信噪比和分辨率,对断层展布特征的认识和油气预测具有重要的参考价值。

基于总体经验模态分解和连续均方误差的侵彻过载信号分析方法

侵彻过载是攻坚武器及相关研究的重要参量。针对实测弹载侵彻过载曲线分析处理方法开展了研究,提出采用总体经验模态分解(EEMD)结合连续均方误差(CMSE)理论获取弹体刚体过载信号的方法。通过EEMD获得测试信号的本征模态函数分量,再运用CMSE理论判别高频干扰与侵彻信号的分界点,对不含分界点分量的高频分量进行抛弃处理,将其余低频信号进行重构获得弹体刚体过载信号。积分结果表明,重构信号在有效去除高频干扰的同时,完整保留了侵彻过载中弹体刚体的加速度信号。此外,整个分析过程所具有的信号自驱动特性避免了不同弹靶工况下滤波频率选择困难。

基于经验模态分解方法的北京市东城区社区卫生服务机构门诊次均费用变化趋势研究

目的研究经验模态分解方法 (EMD)在社区卫生服务机构门诊次均费用变化趋势中的适用性,为分析门诊次均费用的增长规律及预测提供一定基础。方法选取2012—2016年《东城区社区卫生统计资料汇编》中的门诊收入及诊疗人次数,计算得出门诊次均费用的增长率,运用EMD对该时间序列,进行分解。结果通过EMD成功分解门诊次均费用增长率的时间序列得到4个本征模态函数(IMF)和1个残余函数(趋势项RES),且各个分量均不存在明显模态混叠和端点效应。结论 EMD适用于社区卫生服务机构门诊次均费用序列,分解结果有效,可为次均费用预测和增长规律研究提供理论基础,并达到控制其增长的最终目的。

基于经验模态分解与Elman神经网络的永富直流换相失败故障诊断方法

直流输电系统因自身的优越性能已广泛应用于电力系统。换相失败是直流输电系统中一种常见故障,会导致电流电压发生突变,给直流系统的安全稳定运行带来严重威胁。利用PSCAD/EMTDC平台搭建了永富直流输电系统模型,提出了基于经验模态分解和Elman神经网络相结合(EMD-Elman)的换相失败故障诊断方法。通过大量仿真实验发现使用Elman+样本熵可以有效的进行故障诊断,仅在50组样本的情况下对换相失败故障识别的精确度就可以达到95%以上,证明了该换相失败识别方法的有效性。

基于递归高通滤波的经验模态分解及其在地震信号分析中的应用

将地震信号分解成包含频谱互不重叠的单主周期的分量有利于地震信号的分析.分析了经验模态分解(EMD)中模态混叠的内在原因和已有的解决方法,梳理了解决模态混叠的思路框架,进而提出了一种新的基于输入递归高通滤波的EMD算法.首先用递归高通滤波器将信号预分解成频率由高到低的多个分量,实现信号的等价带通滤波,再用EMD对各带通分量按频率高低逐级递归筛分,获得完备的经验模态分量.通过合成信号和地震信号的仿真实验表明,该算法较好地克服了模态混叠,获得了频谱互不重叠的单主周期分量,并成功用于震相分离和分析,为地震信号分析提供了一种新思路.

基于经验模态分解的SO_2浓度检测信号处理方法

荧光法测量SO2浓度是大气监测中常用的检测手段.双光路技术可以消除光源和光路的噪音干扰,但光电转换器件在激发光照射下产生的背景噪音也会影响定量分析的准确度.本文采用经验模态分解滤波算法降低检测中存在的各种噪音,在实现有效降噪的基础上较好地保存了有用的原始信号.仿真结果表明,针对SO2浓度检测系统,利用经验模态分解去噪后信号的信噪比达到204.273 6,均方误差为0.007 0.与小波去噪法相比,经验模态分解检测效果更佳.最后将经两组不同方法处理后的信号应用于气体检测系统中,实验数据的线性关系更好地验证了经验模态分解方法应用到浓度检测系统的可行性.

经验模态分解和遗传小波神经网络法用于边坡变形预测

从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。

基于集合经验模态分解的神经网络短期风速组合预测研究

针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果叠加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。

基于经验模态分解与神经网络的在线状态监测(英文)

在机械加工过程,为了提高加工稳定性和精度,在线状态监测具有十分重要的作用。基于经验模态分解与神经网络模型,提出了一个在线状态监测方法。该方法将EMD分解的本征模态函数均方根作为机械加工特征量。为识别实时加工状态,以加工特征为神经网络的目标输入,建立起将IMF作为特征参数及把3种加工状态作为输出的3层后向神经网络模型。识别的结果显示,提出的方法能有效地识别加工状态。

基于集合经验模态分解和改进极限学习机的短期风速组合预测研究

提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。

一种改进的经验模态分解消噪阈值函数

在已有的经验模态分解(empirical mode decomposition,EMD)阈值消噪的基础上,提出了一种新的EMD域可导阈值函数。新阈值函数简单且便于计算,具有连续性和高阶可导性,可有效克服硬阈值EMD消噪时和消噪后EMD系数不连续的缺点;也可有效克服软阈值EMD消噪时和消噪后EMD系数与原始EMD系数之间存在着恒定偏差的缺点。实验结果表明,经可导阈值的EMD方法消噪后,可有效减弱含噪信号突变点处的Gibbs现象,消噪后信号具有更好的视觉效果。与经典的硬阈值和软阈值EMD消噪方法相比,所提出的方法在信噪比和均方误差两方面都有较好的提高。

基于经验模态分解的RV减速器运动参数降噪研究

RV(rotate vector)减速器是现代智能装备中关键传动机构之一,其运动参数的检测信号噪声成分较高,影响了装备的运行精度和稳定性,提出了一种以经验模态分解(empirical mode decomposition,EMD)为基础的信号降噪方法,有效提取了RV减速器运动参数的准确信号。该方法采用连续均方误差(consecutive mean square error,CMSE)和l 2范数两个指标将EMD分解得到的固有模态函数(intrinsic mode function,IMF)区分为噪声IMF、噪声与信息相混合IMF、信息IMF 3个部分,采用不同策略对这三部分IMF进行处理并结合部分重构(part reconstruction,PR)策略实现了信号的降噪处理。采用该文章提出的降噪方法对RV40E减速器的检测信号进行处理,降噪后的信号信噪比得到明显改善,验证了该降噪方法的有效性。

基于掩膜经验模态分解和ELM的风速预测

针对随空间、时间呈现非平稳、非线性变化的特征,提出基于极限学习机和掩膜经验模态分解的组合短期风速预测方法。首先,风速序列的非平稳性特征对风速预测结果有较大影响,利用掩膜经验模态分解的方法将风速序列分解成对平稳的不同频率的分量,解决其存在的非平稳性问题;其次,为处理极限学习机的输入维数随意性选取问题,对风速序列分解不同频率的分量进行相空间重构;最后,利用ELM神经网络方法对各分量建立预测模型。实验结果表明:该预测方法在短期风速序列预测中取得了理想的预测效果,提高了算法精度,具有先进性和有效性。

基于EMD的密相气力输送两相流系统内子系统相互联系和作用

利用信号分析考察密相气力输送两相流系统内子系统之间的相互联系和作用。首先,基于经验模态分解(empirical mode decomposition,EMD)将密相气力输送两相流系统的静电波动信号分解成若干信号分量,即固有模态函数(intrinsic mode function,IMF),再结合各IMF分量的能量比重确定出IMF1~IMF4为主干分量。之后,结合静电信号EMD分解结果、输送管道中颗粒的分布状况及颗粒运动机理的差异性三者,明确气固两相流系统内的子系统。最后,利用IMF1~IMF4的主频和方差的变化规律,分别考察了子系统之间的联系和作用。实验结果表明:水平输送管道中的气固两相流系统可分成4个子系统,分别是稀相区、交界区、浓相区以及贴壁区内的颗粒流体组织;子系统之间依靠颗粒在彼此间游走而进行联系;同时,子系统之间也存在竞争作用,该竞争是颗粒主导和气流主导两种机制之间的竞争,当颗粒悬浮性较弱时竞争激烈,当颗粒悬浮性变好时竞争减弱。

基于固有模态能量熵和支持向量机的输电线路故障选相新方法

提出一种输电线路故障选相新方法,先对线路的三相电压信号进行经验模态分解,得到若干个包含主要故障电压信息的固有模态函数分量,其次选取三相电压的前2个固有模态能量熵作为故障特征向量,将构造的特征向量输入到LS-SVM分类器对输电线路的故障类型进行分类及故障选相。结果表明该方法不受过渡电阻、故障位置和故障初始角等因素的影响,能对高阻接地故障模式进行准确识别,且对噪声具有很好的抑制效果,能准确实现故障分类。仿真分析验证了其有效性。

自适应UPEMD-MCKD轴承故障特征提取方法

为了准确提取强噪声背景下较微弱的轴承故障特征信息,结合均相经验模态分解(uniform phase empirical mode decomposition, UPEMD)和最大相关峭度解卷积方法(maximum correlated kurtosis deconvolution, MCKD)的优势,提出了一种自适应UPEMD-MCKD轴承故障特征提取方法。该方法将样本熵和峭度指标相结合构建最小熵峭比,采用遗传算法对最小熵峭比的最小值进行搜索,以确定移位数、滤波器长度和周期的最佳参数组合。经均相模态分解方法预处理的含噪信号通过相关性计算选取有效分量进行信号重构,重构信号借助最佳参数组合下的MCKD算法提取故障特征。内圈故障和外圈故障的实例分析表明,所提方法借助UPEMD的噪声抑制能力和最小熵峭比的参数组合寻优评价能力,能够从故障信号中有效的提取出微弱的故障特征。

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。

基于数据分解集成和高频数据建模的汇率波动率预测

汇率波动率是刻画外汇金融资产收益变化程度的指标,也是度量外汇风险的方法之一,汇率波动对经济与金融系统都有重要的影响。由于非平稳和非线性的特征,准确预测汇率波动率一直是金融研究的重点和难点。为了提高预测汇率波动率的准确性,本文采用基于人民币汇率高频数据计算的已实现波动率和机器学习方法,对数据进行分解集成和建模,提出了一种有效的多尺度EEMD-PSR-SVR-ARIMA预测模型。具体过程如下:首先,采用集合经验模态分解(EEMD)的方法将复杂的时间序列分解成不同尺度的本征模态函数和趋势项;然后采用支持向量回归(SVR)的方法对本征模态函数进行预测,并利用相空间重构和粒子群优化的方法来确定SVR模型的输入维数与参数。同时,使用差分自回归移动平均模型(ARIMA)预测趋势项;最后集成得到模型预测的结果。实证结果表明EEMD-PSR-SVR-ARIMA模型可以有效地提高汇率波动率预测的精度。

基于经验模态分解的超短期风速混合预测模型

随着碳排放问题的日益紧迫,风能作为清洁可再生能源受到了广泛的关注与研究。由于风能的不确定性和间歇性,导致风能利用率不足,无法充分发挥其能源效益。因此,针对风的混沌特征提出了一种基于EMD的线性和非线性相结合的混合模型(LNH-EMD)预测方法,以实现对风速的超短期预测。首先将历史风速序列通过EMD分解成多组相对简单的模态分量;然后分别对各分量进行线性判别:对于非线性特征明显的模态分量通过构建其相空间,进行相空间重构预测;对于其他模态分量采用OLS拟合预测;最后将各分量的预测结果进行经验模态重构得到最终的风速预测结果。以典型非线性信号和NERL真实风速数据为实例进行预测实验,与Gray、WA和LSTM模型进行对比,结果表明:所提的LNH-EMD风速预测模型具有较高的预测精度与运行效率。

基于CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。