基于快速多维经验模态分解的北半球冬季近地表气温和积雪覆盖频率变化趋势提取

北极正在以全球平均水平2倍的速度变暖,而北半球中纬度冬季出现明显的变冷趋势。这种异常的气候模式受到广泛关注。使用改进的快速多维经验模态分解方法,提取北半球中纬度近地表气温和积雪覆盖频率的长期趋势和变化率。从累积变化趋势来看,自1990年代开始,亚欧大陆中部地区变冷,西伯利亚高压增强,积雪覆盖频率增大;但从变化速率来看,欧亚大陆中部的快速变冷和积雪覆盖频率的快速增加主要发生在1990—2000年代,之后变率趋缓。因此,随着变化率进一步降低,北半球中纬度冬季的快速变冷可能发展为一个短期而非长期趋势。本研究展示的近地表气温和积雪覆盖频率趋势的演化过程,对探究北半球中纬度变冷的成因有重要意义。

基于快速集合经验模态分解的桥梁动态特性分析

GNSS技术与传统的桥梁变形检测手段相比,具备实时持续监控、受气候环境影响较小、高精度、高采样率、自动化、全天候的优点,基于GNSS的长时间的高采样率监测,可提供桥梁结构的动态特性信息。对受环境因素等影响含有大量噪声的GNSS桥梁结构变形监测坐标时间序列进行精度频率等特性的识别提取,是该类大型工程安全运营的关键。通过假设一组模拟仿真信号数据为例,采用快速集合经验模态分解(FEEMD)数据分解算法,获取能反映桥梁安全运行状态的频率等特性。

云平台下并行总体经验模态分解局部放电信号去噪方法

信号去噪是对输变电设备进行在线监测和诊断时首要解决的问题。鉴于总体经验模态分解(EEMD)方法对局部放电信号进行去噪的优势,设计了基于Map Reduce模型的并行化EEMD算法(MR-EEMD),利用云平台提高算法的计算效率。在对分段包络线进行重构时,针对矩形窗的固有缺陷,提出了基于局部平稳度的自适应分段包络线重构算法(LF-ASER)进行分段边界的补偿处理,使重构的包络线误差减小到给定阈值范围内。实验结果表明MR-EEMD算法相对于EEMD性能提升显著,适合处理变压器的局部放电等高采样率信号,同时保持了EEMD去噪效果,并获得较高的可扩展性和加速比。

基于总体经验模态分解的多类特征的运动想象脑电识别方法研究

人的脑电信号(Electroencephalogram,EEG)复杂且具有非线性及非平稳性的特点使其不易分析处理,其识别效果也依赖于数据集的不同,而表现不稳定.本文中应用的总体经验模态分解(Ensemble empirical mode decomposition,EEMD)是一种具有强自适应性的信号处理方法,其在时频域展现的良好分辨率特别适合脑电识别任务处理.本文提出利用EEMD分解后得到的较具影响能力的固有模态函数(Intrinsic mode functions,IMFs),利用希尔伯特变换提取边际谱(Marginal spectrum,MS)及瞬时能谱(Instantaneous energy spectrum,IES)时频特征,同时通过加窗的方法提取非线性动力学特征近似熵特征,利用线性判别分类器(Linear discriminant analysis,LDA)作为分类器,实验结果得出,对于被试S2和被试S3可达到识别率分别为79.60%和87.77%,实验中9名被试的平均识别率为82.74%,得到平均识别率也高于近期使用相同数据集文献的其他方法.

运用总体经验模态分解的疲劳信号降噪方法

将总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)用于疲劳应变信号降噪,并与小波变换(wavelet transform,简称WT)方法进行了对比。提出了基于EEMD方法的疲劳应变信号降噪计算步骤,并分别用于模拟信号、试验数据和实测资料的降噪处理。讨论了EEMD计算参数对降噪效果的影响,给出了计算参数的选取原则。结果表明,EEMD方法可以较好地降低疲劳信号的噪声,提高应力循环次数统计的准确度,具有自适应的特点。

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。

一种基于小波预处理的改进总体经验模态分解方法

总体经验模态分解(EEMD)是一种基于多次经验模态分解(EMD)的信号分解方法,能够有效解决EMD方法中存在的模态混.叠问题,使得分解出来的分量更具有实际物理意义,但随之带来的问题是整个分解时间大大延长,这正是由于多次EMD分解造成的;为了能够同时提高EEMD方法的分解效率,提出了一种基于小波预处理的EEMD算法;通过实验结果可以发现改进后的EEMD算法在原始EEMD算法的基础上,分解效率平均提高了大约10.95%,得到的有效分量与原始信号的相关度也提高了大约8.68%;这就说明较原有EEMD算法相比,改进后的EEMD算法不仅能够提高信号分解速度,而且能够更为有效地提取出原始信号中的特征分量。

基于有效数据的经验模态分解快速算法研究

在介绍了经验模态分解(简称EMD)方法的理论和算法基础上,为了提高EMD算法的速度,提出了基于有效数据的EMD快速算法,即通过EMD分解中止的计算区域限定于有效数据段来实现算法的提速。通过对非线性信号的实验研究表明,基于有效数据的EMD快速算法不但能显著提高算法的速度,而且还可以提高算法的精度。该研究成果能广泛地用于信号时频分析领域。

在线信号的快速经验模态分解方法

传统经验模态分解(EMD)中存在端点效应和分解速度慢的问题,无法适用于在线信号的实时分析。针对这一问题,提出了一种在线信号的快速EMD分解方法,利用在线信号"无限长"特点,首先提取在线信号有效数据,然后采用LSSVR拟合信号上、下包络线,不仅有效抑制了EMD分解的端点效应,而且大大提高了EMD分解的质量和速度。仿真结果表明:该方法快速有效,基本可以满足在线信号的实时快速分解,具有一定的工程应用价值。

改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用

针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。

基于总体平均经验模态分解残差的故障诊断方法

为了提高化工过程故障诊断的效率,基于残差对故障状态具有敏感性以及经验模态分解(EMD)无需建模仅依据输入输出数据分析的优势,提出了一种基于总体平均经验模态分解(EEMD)残差进行故障诊断的新方法。基于历史数据的6σ控制图,确定残差的故障诊断控制限。利用在线实时数据采用贝叶斯信息准则在线确定EEMD的移动窗口。基于移动窗口的采样数据,在线获得EEMD残差最大值的变化,结合相应的故障诊断控制限在线诊断故障并确定故障发生时间及原因。该文方法与传统的希尔伯特谱分析方法相比,具有可在线诊断故障的优势,提高了故障诊断的准确率。将该文方法用于田纳西-伊士曼(TE)过程的故障在线诊断,验证了其有效性。

基于经验模态分解的预应力孔道缺陷信号分析

针对预应力管道缺陷测试中的冲击回波信号,提出一种新的信号处理方法.采用经验模态分解对冲击信号进行分解,得到一系列本征模态函数.对得到的本征模态函数进行快速傅里叶变换,对其频域信号进行分析.通过数值模拟和室内试验验证方法的可行性.结果表明,该方法较传统的快速傅里叶变换具有更强的抗噪性,并能成功分离出噪声、缺陷反射信号、表面波信号和模态振动信号.

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。

基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法

针对液压泵振动信号具有非线性、非平稳性,以及信噪比低等特点,提出了基于完备总体经验模态分解和模糊熵结合的液压泵性能退化特征提取方法。首先,使用完备总体经验模态分解方法对液压泵振动信号进行分解,得到若干个固有模态函数分量。其次,求取各个分量与原始信号的相关性,选取相关性较高的前几个分量作为有效分量并求其模糊熵,实现液压泵的退化特征提取,形成特征向量。最后,以液压泵不同退化状态下的实测数据为例,使用基于变量预测模型的模式识别方法对提取的特征向量进行验证。实验结果表明,该液压泵退化特征提取方法具有较高的精度,使退化状态识别的准确率提高到了100%。

基于总体平均经验模态分解和一步式字典学习联合去噪的语音端点检测算法

针对复杂环境下语音端点检测准确率低且检测耗时过长的问题,提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和一步式字典学习(one-stage dictionary learning,OS-DL)联合去噪的语音端点检测算法。首先利用EEMD算法对输入语音进行分解得到本征模式分量(intrinsic mode function,IMF),然后使用OS-DL算法分别对纯净语音信号与噪声信号进行训练,得到纯净语音信号和噪声信号的幅度谱字典,进而对幅度谱进行稀疏表示,利用得到的系数矩阵重新构建出语音信号频谱,将重构出的语音信号频谱经过傅里叶逆变换得到降噪后的语音信号,最后对降噪后的语音信号利用均匀子带频带方差法进行端点检测。实验结果表明,该算法在复杂环境信噪比低于-10 dB情况下检测准确率仍可达到85%以上,且平均检测时间缩短至传统端点检测算法的1/3。

基于总体平均经验模态分解的局部场电位相位同步信息编码研究

局部场电位的相位特征是表达外界刺激信息的重要度量,对神经信息的传递与表达具有重要作用。以Long Evans大鼠为实验对象,以12个朝向的全屏光栅作为刺激图像,用多通道微电极阵列信号采集系统获取局部场电位信号。采用总体平均经验模态分解的方法获取局部场电位的不同分量,通过Hilbert提取不同分量的瞬时相位,用相位锁定值来进行相位同步分析。结果发现局部场电位采用总体平均经验模态分解后,主频带范围在40 Hz^100 Hz之间的第三固有模态分量具有最佳的朝向选择性,且编码精度和稳定性均优于经验模态分解和γ频带提取的结果。

基于总体平均经验模态分解的主动噪声控制系统研究

为了提高宽窄带混合噪声的消噪效果,本文提出一种基于总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)的主动噪声控制(Active noise control,ANC)系统,利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数(Intrinsic mode functions,IMF)分量.因为这些IMF分量的频带各不相同,所以实现了混合噪声中宽带分量和窄带分量的有效分离,独立进行ANC处理后成功解决了处理混合噪声时带来的"火花"现象,而且避免了传统混合ANC(Hybrid ANC,HANC)系统中频率失调的影响.EEMD算法也是对混合噪声的平稳化处理过程,因此当混合噪声中出现非平稳变化时,本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析,提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.

快速自适应经验模态分解方法的基本原理及其性能评估

经验模态分解是一种有效的信号分解方法,尤其是针对非平稳非线性信号。然而,随着研究的深入,学者们发现该方法中存在着诸多弊端。根据Bhuiyan的研究,提出了一种针对一维信号的快速自适应经验模态分解方法。通过大量的数值仿真,证明这种方法不但能克服传统方法的弊端、得到高质量的分解结果,还能大幅度地提高计算效率。

基于总体经验模态分解的桥梁动态位移重构

针对微机电系统(micro-electro-mechanical-systems,简称MEMS)加速度传感器输出信号通过传统二次积分变换为位移信号时精度较低的问题,根据桥梁振动信号的特点,提出了一种基于总体经验模态分解和时域积分相结合的桥梁动态位移重构方法。通过桥梁模拟信号的仿真和振动测试台的验证,分析比较了4种桥梁动态位移重构方法。提出的方法可有效消除低频积分漂移和高频环境噪声对积分过程造成的影响,具有更好的自适应性和鲁棒性。通过在公路高架桥梁进行现场试验,验证了方法的有效性。

基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法

针对风电场风速时序的不可控特性以及短期风速预测精度低的问题,提出基于改进快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和Elman-Adaboost的组合预测模型。首先,采用加余弦函数改进FEEMD方法将风速数据分解为相对平稳的本征模态函数分量;然后,运用样本熵(sampleentropy,SE)计算分量复杂度并按复杂度对分量进行重构;最后,基于Elman-Adaboost方法的单步直接预测方法来预测重构后分量下一天24 h的风速值,将所有分量的预测叠加得到最终的预测结果。选择预测点时间前24、48和72 h风速数据作为神经网络的输入维数,比较不同维数对预测精度的影响。实验证明,改进FEEMD-SE-Elman-Adaboost组合预测模型可以有效地提高风电场短期预测的精度。