基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

基于ICEEMDAN分解与SE重构和DBO-LSTM的滑坡位移预测

滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、样本熵(SE)以及蜣螂算法(DBO)优化的长短期记忆网络(LSTM)组合模型进行位移预测。以八字门滑坡为研究对象,利用ICEEMDAN方法将滑坡累计位移进行分解,并用样本熵值表征分解得到的子序列,将其重构为趋势项和周期项位移。之后利用LSTM模型预测趋势项和周期项位移;通过灰色关联度的方法确定周期项位移的影响因素。考虑到LSTM网络中超参数的随机性会影响模型预测精度,引入蜣螂优化算法获取LSTM最优超参数,最终将预测得到的趋势项和周期项位移叠加得到累计位移。本文所提的ICEEMDAN-SE-DBO-LSTM模型预测周期项位移的RMSE、MAE、R23项指标分别为1.803 mm、1.584 mm、0.988,相较于DBO-BP,LSTM,GRU和BP模型预测效果更优,证明了模型的有效性。

基于两层分解和极限学习机的河流水质预测

针对城市河流水质中的化学需氧量和高锰酸盐指数无法有效预测的问题,提出一种基于两层分解方法和极限学习机的河流水质预测方法。引入改进的自适应噪声完备集合经验模态分解(improved complete ensemble EMD,ICEEMDAN)分解原始水质时间序列,分频处理子分量为高频分量和低频分量,加入变分模态分解(variational mode decomposition, VMD)对高频分量进行二次分解,建立关于所有分量的极限学习机(extreme learning machine, ELM)和最小二乘支持向量机(least square support vector machine, LSSVM)预测模型,将各分量预测值线性相加得到最终的预测结果。以苏州市水道的水质数据集作为样本进行实验,上述方法得出化学需氧量和高锰酸盐指数的平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别为0.076、0.158、2.674%和0.182、0.193、0.673%,在识别和分析关键水质参数方面的稳健性优于其它对比模型,克服了集合经验模态分解(ensemble empirical mode decomposition, EEMD)重构过程中出现的模态混叠问题,特别是在高频分量情况下,能够做到预测更加有效。

基于改进ICEEMDAN的肌电干扰去除算法

肌电干扰使心电信号产生细小波纹,频率分布范围宽广,严重影响心电图的准确性,不利于病情诊断。针对心电信号中肌电干扰去除效果不好的问题,提出基于改进的自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的心电信号肌电干扰去除方法。对含有肌电干扰的心电信号进行ICEEMDAN自适应分解,得到一系列频率由高到低的模态分量,并计算每组分量样本熵,选择合适的分量进行提升小波阈值去噪,进而重构去噪处理后的分量和未经处理的分量完成去噪过程。选取MIT-BIH数据库提供的心电信号作为原始心电信号,仿真结果表明,该方法在不同信噪比肌电干扰下,去噪效果较好,尤其在20 dB肌电干扰下,能够显著提高信噪比,降低均方根误差且能比较完整地保留有效信号。

基于CEEMDAN与改进小波阈值的电缆局部放电信号降噪方法

对检测到的电缆局部放电信号降噪是实现电缆绝缘诊断与评估的前提,为此提出一种基于自适应噪声的完备集合经验模态分解(CEEMDAN)与改进小波阈值的电缆局部放电信号降噪方法。首先,采用CEEMDAN算法将染噪局部放电信号进行分解,得到数个模态分量;然后,计算模态分量的峭度值,筛选出有效特征分量并重构;最后,将重构信号通过改进小波阈值法再次降噪去除冗余噪声,得到降噪后的局部放电信号。将该方法、传统小波阈值法及集合经验模态分解与改进小波阈值法分别用于不同噪声强度下局部放电仿真信号的降噪处理,结果表明该方法具有更高的信噪比与波形相似系数,能有效抑制周期性窄带干扰与白噪声。

一种灰色关联分析优化ICEEMDAN的VP倾斜仪信号降噪模型

VP倾斜仪固体潮信号受仪器监测复杂环境限制,多含有大量环境噪声。为获得真实固体潮曲线,提出一种基于灰色关联分析优化改进的自适应噪声完备集合经验模态分解(ICEEMDAN)VP倾斜仪信号降噪模型(GRA-ICEEMDAN)。该方法首先将含噪信号进行ICCEMDAN处理,得到若干个固有模态函数(IMF),并依次排列与标记;然后基于这些IMF分别计算相关系数、互信息、R^(2)、Adj-R^(2)、MSE、SSE、RMSE、MAE、MAPE、样本熵等10个评价指标值,构建IMF可信度评价指标矩阵;最后借助灰色关联分析(GRA)计算各评价指标与不同IMF之间的关联系数和关联度,依据关联度大小对各个IMF进行排序,将排名靠前的IMF进行线性重构,即可完成信号降噪。仿真去噪实验和实测去噪实验均表明,GRA-ICEEMDAN模型优于卡尔曼滤波、70阶低通FIR滤波、Savitzky-Golay等经典降噪模型,能显著区分噪声成分和有效成分,原始信号分解后的重构误差与信号损失极小,可推广至其他仪器的复杂信号降噪中。

基于校准窗口集成与耦合市场特征的可解释双层日前电价预测

随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。

多种环境下GNSS-RTK监测噪声特性分析

为了获取实时动态差分模式下全球卫星导航系统(GNSS)实时动态差分(RTK)在不同环境下监测的噪声特性,提出一种改进的自适应噪声完备集合经验模态分解(CEEMDAN)算法分离噪声:首先采用CEEMDAN进行信号分解,然后以有效系数和相关系数相结合的筛分标准,选择和重构固有模式函数(IMF)分量;通过仿真信号验证改进算法的可靠性;然后对GNSS-RTK实测信号进行噪声分解,并进一步分析不同环境下噪声分量的时频特性。研究结果表明:在一般环境下,GNSS-RTK监测多路径误差主要集中在0.05 Hz范围内,基于改进CEEMDAN算法能够有效分离GNSS-RTK多路径误差和仪器白噪声。

基于ICEEMDAN及PFA-ELM的齿轮箱故障诊断研究

齿轮箱是工业设备中常用的传动部件。针对齿轮箱故障特征提取及诊断精度不足的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)及探路者算法(PFA)优化极限学习机(ELM)的故障诊断方法。首先,利用ICEEMDAN对信号进行分解,得到多个本征模态函数(IMF)。其次,基于斯皮尔曼相关系数,筛选出有效的IMF,并计算出每个有效IMF的模糊熵和排列熵作为故障特征向量。最后,利用PFA算法优化ELM中的权值和阈值,构建基于PFA-ELM的故障诊断模型。实验表明,PFA-ELM的故障诊断精度高达98.67%。该方法能够准确描述齿轮箱的工作状态,具有较高的实用价值。

应用ICEEMDAN和SVM的行星齿轮箱故障诊断

针对行星齿轮箱复合故障准确分类问题,应用了改进自适应噪声完备集合经验模态分解(ICEEMDAN)和支持向量机(SVM)相结合的故障诊断方法。首先,将行星齿轮箱的不同故障信号分别进行ICEEMDAN分解,得到各阶内禀模态函数(IMF);其次,利用各阶IMF分量与原信号的相关性大小,剔除虚假的IMF分量;最后,以优选IMF分量的多尺度模糊熵均值作为特征向量,输入到多分类SVM中进行故障分类,分类准确率高达100%,实验结果证明了该方法的可行性。

基于ICEEMDAN-SVM算法的复合绝缘子缺陷识别研究

为了对复合绝缘子进行快速、有效检测,提出了基于改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)和支持向量机(SVM)相结合的缺陷信号识别方法 ,该方法将克服传统经验模态分解的模态混叠缺点,在对复合绝缘子进行超声导波检测时,可准确、快速识别回波信号,保障电力系统稳定运行。对绝缘子进行无缺陷、中部断面缺陷、中部气孔缺陷的有限元仿真,运用ICEEMDAN对绝缘子各缺陷类型的超声回波数据进行分解;计算出各模态下的样本熵、排列熵,并通过SVM进行复合绝缘子的缺陷类型识别。研究结果表明,基于ICEEMDAN与SVM的信号识别方法能够较好地提取复合绝缘子的故障特征并进行缺陷识别分类。

基于ICEEMDAN的连续梁桥车致振动信号的HHT分析

改进的带有自适应噪声的完备集合经验模式分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)是传统经验模式分解(empirical mode decomposition,EMD)方法的发展,在桥梁结构损伤识别领域具有较好的应用前景.首先,以数值模拟信号为对象,采用ICEEMDAN方法进行桥梁车致动信号的数据分解和Hilbert谱分析,提取损伤引起的频谱特征变化和建立损伤识别方法;然后,利用该方法对实测振动信号的振型分量进行识别;最后,以实测信号的一阶振型分量为对象,对其Hilbert瞬时频率谱的特征进行了分析和讨论.研究结果表明:模拟信号中的振型振动分量数比实测信号中多,其中模拟信号中不显著的高阶竖弯振动分量在实测信号中没有发现;一阶振型振动分量的瞬时频率可作为桥梁损伤识别的特征参数,用于进行损伤有无、损伤定位甚至损伤定量的判断;损伤识别效果受测点位置影响很小;该方法不依赖有限元模型即可完成桥梁损伤有无的识别和损伤定位,且数据采集简单,具有实际工程中应用可行性.

一种新的心率变异性度量方法

心率变异性的复杂波动反映了心脏的自主调节功能.本文提出了一种新的心率变异性度量方法--ICBN方法,该方法通过改进的自适应噪声完备集合经验模态分解方法对心率变异性信号进行分解,得到多个模态分量,计算每个模态分量的bubble熵得到熵值向量,把该向量映射成复杂网络,通过计算网络的特征参数,对心率变异性在不同时频尺度状态下的非线性特征之间的耦合关系进行度量.首先,采用时域、频域和ICBN分析方法对29名充血性心力衰竭病人和29名正常窦性心律对象的心率变异性进行分析,结果表明:时域指标三角指数HRVTi,频域指标LF/HF,网络层级加权值WB,平均点权值PW,特征路径长度CL具有统计学差异;基于网络层级加权值WB,特征路径长度CL,频域指标LF/HF和Fisher判别方法的识别模型对充血性心力衰竭病人的识别正确率达到89.66%.然后,又对43名房颤心律失常患者和43名正常窦性心律对象的心率变异性进行分析,结果表明:时域指标SDNN,pNN50,RMSSD,频域指标LF/HF,网络层级加权值WB,平均点权值PW具有统计学差异;时域指标pNN50,RMSSD,频域指标LF/HF和网络层级加权值WB,平均点权值PW作为特征向量,Fisher判别方法作为分类器,对房颤心律失常患者的识别正确率达到91.86%.综合以上实验结果可知,本文为心率变异性的度量研究提供了一种新的思路.

ICEEMDAN结合FastICA方法在转子系统降噪提纯中的应用

针对转子系统采集得到的非平稳信号中存在着较多噪声,导致分解原信号易出现模态混叠和虚假模态现象,使得降噪提纯效果不理想,特征量无法识别等问题,提出了一种将改进自适应噪声的完备集合经验模态分解(Improved Complete Ensemble EMD with Adaptive Noise,ICEEMDAN)和快速独立成分分析(Fast Independent Component Analysis,FastICA)相结合的转子系统振动信号降噪提纯方法。通过设计实验采集加速度信号进行分析对比后发现,该方法能够有效降低加速度信号中存在的噪声,实验结果中的平均绝对误差(MAE)和均方根误差(RMSE)均有所改善。同时通过设计转子系统轴心轨迹提纯实验,验证了该方法的实用性。

基于ICEEMDAN-MSE的左室舒张功能障碍心音信号的识别研究

左室舒张功能障碍(LVDD)加重会导致左室重构、室壁僵硬、顺应性降低,从而走向不可逆阶段并进展为射血分数保留型心力衰竭。为早期诊断LVDD,本文提出一种基于改进的自适应噪声完全集合经验模式分解(ICEEMDAN)多尺度样本熵(MSE)的心音特征结合逻辑回归模型的无创检测方法。首先,采用改进的小波去噪方法对心音信号进行预处理。其次,通过ICEEMDAN方法将非平稳的心音信号分解为多个反映心音本体特征的平稳的固有模态函数(IMF),再利用互相关系数准则筛选IMF,并提取所筛选IMF的MSE,以构成特征向量作为分类器的输入。最后,通过与其他3种分类模型的性能比较,将逻辑回归应用于LVDD识别。结果表明,该方法能有效提取心音特征,其准确率为89.85%,灵敏度为92.17%,特异度为87.63%,证明了采用心音信号对LVDD进行早期诊断的有效性。

基于FastICA与ICEEMDAN的人脸视频心率检测

现有的非接触式心率检测方法存在噪声干扰、准确率低等问题。针对这些问题,提出一种基于FastICA与改进的自适应噪声完全集合经验模态分解(ICEEMDAN)相结合的算法,采用人脸视频进行心率检测。用摄像头采集人脸视频,并从视频中提取R、G、B通道源信号,即皮肤颜色变化信号,分别求出RGB这3个颜色通道的像素平均值;然后利用FastICA对RGB这3组像素平均值进行解混,得到3组独立源信号,再用ICEEMDAN将其中一组独立源信号进行模态分解,并选取合适频段内的固有模式函数(IMF)估计心率的信号,最后用频谱分析计算得到心率。设计实验对8名人员进行了人脸视频检测,将检测结果与多参数监护仪进行对比分析。实验结果表明,该方法与多参数监护仪测量结果的平均误差与均方根误差均小于1 beat/min,因此基于FastICA与ICEEMDAN的人脸视频心率检测对人体心率检测具有良好的稳定性和准确性。

基于ICEEMDAN和SVM的起伏振动气液两相流流型识别

针对起伏振动条件下气液两相流压差信号过于复杂难以识别的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与支持向量机(SVM)相结合的流型识别方法。采用ICEEMDAN对小波去噪后的压差信号进行模式分解,通过求取的各本征模态函数(IMF)与原始信号进行斯皮尔曼相关系数计算,选取相关系数较大的IMF分量进行希尔伯特变换,对变换后各IMF分量的瞬时幅度进行能量熵、奇异谱熵、功率谱熵的计算,构成特征向量,带入到支持向量机中进行流型识别。结果表明:该方法能够有效识别起伏振动状态下的泡状流、弹状流、搅混流、环状流,识别准确率可达95%。

基于CEEMDAN能量熵的齿轮状态识别

集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)存在着辅助白噪声难以消除和容易产生虚假模式的缺陷。针对EEMD方法在齿轮箱故障信号处理中的不足,将自适应噪声完备集合经验模式分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)应用于齿轮故障信号分析,提出了基于CEEMDAN能量熵的齿轮状态识别方法。该方法首先利用CEEMDAN分解齿轮振动信号,然后计算振动信号分解结果的能量熵,将能量熵作为特征参数来区分不同的齿轮运行状态。将该方法用于区分正常、轻度刮伤和中度刮伤齿轮运行状态,并与基于EMDEEMD能量熵的方法进行了对比。结果表明,该方法可以有效地区分相近的齿轮运行状态,与其他几种方法相比具有明显的优势。