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。

多维固有时间尺度分解算法

针对控制回路、机械系统实际运行数据复杂多变、非稳定、非线性、信号耦合性强等问题,提出了一种新的多维信号分解方法,多维固有时间尺度分解(MITD)。给出了算法步骤;对所提出的MITD进行一定程度优化,以达到更好的分解效果;对所提出算法进行仿真分析和工业实例分析,表明了MITD对多维数据分解的优越性。

齿轮点蚀的多通道数据融合识别方法

针对齿轮箱振动信号中混杂其他零部件振动频率的问题,提出一种基于小波包分解独立分量分析(wavelet package independent component analysis,简称WPICA)和多维经验模式分解(multivariate empirical mode decomposition,简称MEMD)的齿轮箱齿面点蚀故障信号的多通道数据融合识别方法。首先,利用一种窄带独立分量分析(sub-band decomposition independent component analysis,简称SDICA)方法—WPICA,从水泵机组多通道信号中提取齿轮箱振源,确定齿轮箱振动包含的特征频率成分;其次,借助MEMD分解多通道机组振动信号,将所获得的多维固有模式函数(intrinsic mode function,简称IMF)进行矩阵互信息运算,完成多通道数据的融合;最后,通过定义IMF故障敏感因子,确定故障敏感IMF的阶数并获得了齿轮点蚀故障的特征频率。数据分析结果证明了本研究方法的有效性。

一种SQUID传感器基线漂移和工频干扰联合抑制新方法

基于超导量子干涉器件的低频微弱磁场测量系统,在无磁屏蔽环境下工作时容易受到大地磁场和输电线路干扰,测量数据中混叠有严重的基线漂移和工频谐波干扰。为了提高微弱磁场信号检测性能,本文提出了一种基线漂移和工频干扰联合抑制新方法。该方法首先利用噪声辅助的多维经验模式分解部分重构信号,消除基线漂移带来的非平稳性影响。然后根据工频干扰的短时平稳特性,采用最小二乘法对工频干扰进行抑制。数值仿真和不同环境下实测数据处理结果表明,与自适应滤波方法相比,本文方法对于基线漂移和工频干扰具有更好的处理效果,满足系统在野外无磁屏蔽条件下的应用要求。

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。