联合主成分分析-小波与整体平均经验模态分解的锋电位去噪方法

多通道微电极阵列记录的锋电位(Spike)十分微弱,极易受干扰,其含噪的特性影响了Spike检出的准确率。针对Spike检测过程中通常存在的独立白噪声、相关噪声与有色噪声,本文结合主成分分析(PCA)、小波分析和自适应时频分析,提出PCA-小波(PCAW)与整体平均经验模态分解(EEMD)联合的去噪新方法(PCWE)。首先,利用PCA提取多通道神经信号通道间的主成分作为相关噪声去除;然后利用小波阈值法对独立白噪声进行去除;最后利用EEMD把噪声分解到各层本质模态函数中,对有色噪声进行去除。仿真结果表明,PCWE使信噪比约提高2.67 dB,标准差约减小0.4μV,显著提高了Spike的检出精确率;实测数据结果表明,PCWE能使信噪比约提高1.33 dB,标准差约减小18.33μV,表现出良好的去噪性能。本文研究结果表明,PCWE可以提高Spike信号的可靠性,或可为神经信号的编码解码提供一种新型有效的锋电位去噪方法。

基于经验模态分解的汽车发动机进/排气管道低噪声抑制法

为降低汽车发动机进/排气管道内的噪声,提高发动机的稳定性和使用寿命,提出基于经验模态分解的汽车发动机进/排气管道低噪声经验模态分解抑制法。分别计算了发动机排气基频噪声与多气缸进气噪声,得到了发动机进/排气的共振噪声。基于经验模态分解算法构造了发动机的噪声分量,通过计算其极大值与极小值的包络平均值,得到每一个噪声点相对于极值点的残余量,并将发动机的噪声信号分解为不同的单元分量。在噪声收敛系数以及噪声模态分解机制下,设计了发动机进排低噪声抑制算法。实验结果表明:该算法对噪声的抑制具有一定的效果;消声器数量越多,噪声的传递损失越大;在消声器的消声容积中,传递损失分别与扩张比和扩张式结构长度成正比;管道直径大于36 mm且管道长度为150 mm时,噪声抑制效果最好,而在发动机全功率运行时,需要保证管道直径小于32 mm且长度为150 mm。

基于整体经验模态分解和支持向量回归的北京市PM2.5预测

为了更好地掌握大气中PM2.5浓度的变化规律,利用EEMD-SVR混合模型对该地区的PM2.5浓度值进行了短期预测。首先,通过采用整体经验模态分解(EEMD)方法分析北京市PM2.5,把原始时间序列分解成多个固有模态函数和趋势项;然后,对各阶固有模态函数进行周期性分析,揭示了北京市PM2.5的周期性变化特点;最后,对经过EEMD分解后的各阶固有模态函数和趋势项用支持向量机回归(SVR)方法进行预测。结果表明,EEMD-SVR混合模型比单一的SVR模型预测精度更高。

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.

采用改进的集总平均经验模态分解法的内燃机气门拍击激励与燃烧激励分离的研究

提出了一种改进的集总平均经验模态分解(M-EEMD)方法,并阐述了其基本原理。通过仿真试验,证实了M-EEMD不仅能够很好地解决经验模态分解(EMD)中模态混叠问题,而且能够抑制集总平均经验模态分解(EEMD)的噪声残余和模态分裂等问题。作为实例,对一个4缸4冲程内燃机气缸盖罩的振动信号进行M-EEMD分解,并对分解得到的IMF分量进行时频分析。结果表明M-EEMD能够成功地将内燃机气门拍击引起的机械激励成分与燃烧激励成分分离。

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。

移动平均和经验模态分解法在大坝位移分离中的应用

经验模态分解方法由于缺少数据预处理,分解结果具有冗余性、与自变量数量不能对应、模函数无法进行物理解释等问题,因此在经验模态分解前增加移动平均数据预处理过程,以减少原始数据量,保留趋势过程,并以某双曲拱坝位移分离为例,对比了经过数据预处理与未经数据预处理的经验模态分解结果。结果表明,预处理后位移序列趋势性不变,但数据量和分解模函数数量均有所减少;为了使分解得到的模函数与水位和温度的物理解释相吻合,选择合适的移动平均参数M,使模函数数量为2,避免了分解的冗余性。

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。

利用整体经验模态分解和随机森林的脑电信号分类研究

癫痫脑电信号的自动监测与分类在临床医学上具有重要意义。针对脑电信号的非平稳特点,提出一种基于整体经验模态分解和随机森林相结合的脑电信号分类方法。选取波恩大学脑电信号数据集中癫痫发作间期和发作期的200个单通道信号,共819 400个数据作为样本。首先利用整体模态分解将癫痫脑电信号分解成多个固有模态函数,然后对各阶固有模态函数提取有效特征,最后分别用随机森林和最小二乘支持向量机对脑电信号的特征进行分类。将随机森林与最小二乘支持向量机分类正确识别率对比,结果表明,随机森林分类方法对发作期和发作间期的癫痫脑电信号的分类效果比较理想,识别精度为99.60%,高于最小二乘支持向量机的准确性。该方法的提出能有效提高临床癫痫脑电信号分析的效率。

基于整体经验模态分解的信噪比估计方法

为了提高未知样式信号的信噪比估计性能,提出一种基于噪声辅助的信噪比估计新算法,通过固有模态函数(IMF)分量平均周期的变化判断信号与噪声界限,给出了基于噪声辅助估计法的工作原理和流程图,分析了基于噪声辅助估计法的性能。仿真结果表明,基于噪声辅助估计法能够实现盲信号信噪比估计,在0 dB信噪比下均方误差不超过0.2 dB。

基于波形平均的经验模态分解端点效应抑制方法

经验模态分解(EMD)作为一种非常灵活的自适应时频分析方法,已广泛用于旋转机械故障诊断中的振动信号分析。但是,经验模态分解存在两个问题:端点效应以及模态混叠。针对EMD中存在的端点效应问题,在积分延拓局部均值分解(IELMD)的基础上,提出了一种利用波形平均来改进IELMD的方法。该方法利用一组相似波形来代替最佳匹配波形与特征波形相匹配,通过对相似波形左边或右边波形取平均得到延拓波形,将其附加在原始信号左端或右端。仿真和应用结果表明,与IELMD方法相比,该方法能够更有效地抑制经验模态分解端点效应。

基于集合经验模态分解和自回归滑动平均的某碾压混凝土重力坝变形预测模型及应用

为更精确地预测大坝变形数据,针对大坝变形监测序列的非线性和非平稳性问题,提出了一种结合集合经验模态分解和自回归滑动平均模型的大坝变形预测模型。首先利用集合经验模态分解法将非平稳的大坝变形监测数据分解为具有不同特征尺度的本征模态函数,然后分析各分量特征并分别建立自回归滑动平均模型,选择各自适合的最优模型参数,最后叠加各分量的预测结果作为最终的变形预测结果。分析结果表明,相较单一预测模型,结合集合经验模态分解和自回归滑动平均模型的组合预测模型的预测精度更高。

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。

一种基于总体平均经验模态分解的线谱提取方法

为有效提取目标辐射噪声线谱,采用了一种基于集成经验模态分解(EEMD)的自适应线谱及连续谱提取方法。对舰船辐射噪声频谱进行集成经验模态分解,然后选取合适的IMF进行线谱的提取,使用余量和剩余的IMF进行连续谱的准确估计。通过对舰船辐射噪声仿真信号分析,该方法能有效地提取舰船辐射噪声的线谱,与小波分析方法进行对比分析后表明,EEMD对信号的分析比小波分析有一定的优越性,而且因EEMD能够突出信号局部特征,对线谱能量有一定的增益。

自适应噪声整体经验模态分解法在CORS站数据处理中的应用

为了有效消除CORS站点高程时间序列噪声,提出采用EEMDAN信号处理方法。该方法可以改进信号在EEMD分解时产生的模态混叠问题。以某市CORS站点高程时间序列为试验数据,选取相关系数、均方根误差、正交性指标以及能量密度与平均周期的乘积等定量指标,验证EEMDAN方法的有效性与优化性。结果表明,经EEMDAN方法处理的IMF分量IO值比EEMD方法处理的IMF分量IO值低53.7%,分解精度更高;EEMDAN重构后的信号均方根误差比EEMD重构后的信号均方根误差减少21.5%,相关系数增加2.1%,说明采用EEMDAN方法重构信号的效果更好。

基于整体经验模态分解的金融高频数据波动率估计研究

针对金融高频数据波动率的估计问题,借鉴小波变换思想,首次利用整体经验模态分解方法实现了高频数据波动率估计.首先,通过模拟数据验证了方法的可行性和有效性;其次,以日内高频数据为研究对象,并将分别利用经验模态分解和整体经验模态分解方法计算所得的波动率与已实现波动率进行了对比.结果表明,自适应分解方法可有效实现高频数据波动率估计,但整体经验模态分解要优于经验模态分解方法.该方法为高频数据波动率的非参数估计提供了新的解决途径,具有重要的推广与应用价值.

2D经验模态分解与非下采样方向滤波器组的红外与可见光图像融合算法

针对当前红外(IR)与可见光(VI)图像融合中细节保留能力不足及目标配准精度不高的问题,设计了一种多尺度2D经验模态分解耦合非下采样方向滤波器组(NSDFB)的红外与可见光图像融合算法。分别计算红外与可见光图像的熵值,并比较二者阈值的大小,计算阈值较大图像的残差。通过2D经验模态分解(2D-EMD)和NSDFB机制,构建了多尺度方向分解模型,将熵值较大图像的残差和熵值较小的图像变换为高频方向系数与低频系数,以获得源图像的细节和特征信息。对于低频系数,引入加权平均作为低频系数的融合准则;根据区域能量对比度与清晰度来定义融合规则,完成高频系数的融合。利用2D-EMD多尺度分解逆变换将获取的低频与高频系数生成新图像。实验表明:与当前常用红外与可见光图像融合对比,所提算法具有更高的融合质量,所输出的图像具有更好的对比度与丰富的细节信息。

基于经验模态分解的我国布鲁菌病月发病率预测研究

目的根据我国布鲁菌病(简称布病)月发病率的波动特征,采用经验模态分解(EMD)和时间序列分析,构建布病月发病率预测模型,并预测2017年我国布病月发病率。方法从公共卫生科学数据中心和国家卫生计生委疾病预防控制局网站,收集并计算2004年1月—2016年12月我国布病月发病率。选取2004年1月—2015年12月的数据作为训练集建模,2016年1—12月的数据作为测试集验证模型。通过EMD算法将发病率序列分解为本征模态函数(IMF)1~IMF4和趋势项,对IMF1~IMF4建立支持向量机(SVM)模型,对趋势项建立自回归移动平均模型(ARIMA)疏系数模型,最后将5个模型的输出值进行线性加权求和,得出布病月发病率预测值。结果 SVM模型的惩罚参数c的取值范围是0.088 4~100.000 0,核函数参数g的取值范围是0.010 0~128.000 0;ARIMA((1,12,24),1,0)模型中,常数项及滞后1、12、24阶的自回归系数分别为0.002 003、1.087 788、-0.145 494、0.028 783。本文方法预测2016年1—11月布病发病率的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)分别为0.020 1、0.016 9、0.066 5,序列未分解单一SVM模型预测2016年1—11月布病发病率的RMSE、MAE、MAPE分别为0.072 2、0.056 0、0.197 5,序列未分解单一ARIMA模型预测2016年1—11月布病发病率的RMSE、MAE、MAPE分别为0.165 0、0.156 2、0.610 0。根据本文方法计算得出2017年1—12月布病发病率预测值为0.287 0/10万人~0.372 6/10万人。结论本研究根据相关发病率数据构建了基+于EMD和时间序列分析的我国布病月发病率预测模型,其预测误差较小,预测准确度较高;2017年我国布病月发病率预测值约为0.35/10万人。