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。

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。

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。

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.

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

采用改进互补集总经验模态分解的电能质量扰动检测方法

针对集总经验模态分解(EEMD)方法加噪参数(噪声幅值、集总次数)需人为确定、分解残余噪声大以及计算耗时长的缺点,提出一种自适应快速互补集总经验模态分解(AFCEEMD)方法.该方法分析不同频率形式噪声对极值点分布的影响,确定加噪频率采用高频辅助分解的优势,并以极值点分布特性作为评价指标自适应选择最优加噪频率.通过对EEMD加噪准则的研究,推导出加噪幅值和分解次数采取固定值:0.01SD和2次,且以正负成对的形式加入到原始信号中.通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的自适应性和计算性能,而且适用于电能质量扰动检测与分析.

集合经验模态分解的稳健滤波方法研究

为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法:首先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态混叠问题,将被测信号中不同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故障诊断。

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。

基于统计特征矢量符号值和聚类经验模态分解的短时电能质量扰动信号分析

研究了希尔伯特-黄变换(HHT)方法分析电能质量扰动信号的不足,提出了一种统计特征矢量符号化(SFVS)算法与聚类经验模态分解(EEMD)相结合的短时电能质量扰动信号分析方法。该方法采用循环周期比较的欧氏距离的边界检测算法来对电能质量扰动信号的突变时间进行检测,以突变时刻为边界点将原始电能质量信号进行划分,再用EEMD方法对区块划分信号进行分解,有效抑制模态混叠,以改善信号分解性能。测试结果表明,该方法能够实现突变时刻的准确检测,对电能质量扰动信号中的各种成分进行准确分析。

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。

一种集成经验模态分解的样本熵阈值微地震信号降噪方法

微地震信号的采集过程中,会不可避免地混合非平稳随机噪声,传统的线性滤波和频谱分析方法对这种混合信号的去噪效果并不理想。针对这一需求,本文提出了一种新的降噪方法。首先对含噪声的微地震信号执行集成经验模态分解(EEMD),获取一系列不同频率成分的本征模态函数(IMF);为了区分这些IMF分量中的信号和噪声,文中通过计算各个IMF分量的样本熵,根据所设置的样本熵阈值来提取符合微地震信号特征的IMF分量,并对这些IMF分量进行信号重构,由此达到抑制随机噪声的目的。将提出的方法应用于模拟数据和实测微地震数据,均表明该方法具有理想的降噪效果。

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法。首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类。为了提高诊断性能,本文利用集合经验模态分解方法对原始振动信号进行分解,将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF),然后利用一维卷积神经网络对IMF进行特征提取,最后采用SVM进行分类。结果表明,所提出的方法相比于现有方法收敛速度更快,诊断正确率可高达99%,突出了该方法的优越性。

基于EEMD-SpEn (样本熵)联合小波阈值对山西太原GNSS站点时间序列去噪分析

文章基于集合经验模态分解方法(EEMD)联合样本熵(SpEn)对山西太原GNSS站点时间序列降噪。首先,将原始站点时间序列进行EEMD分解,得到不同IMF (intrinsic mode function)分量,其次,计算每个IMF分量进行样本熵计算,根据样本熵值统计选择一个适当的去噪声阈值。最后,根据样本熵值去除小于阈值的小波系数,并重构IMF分量。得到去噪信号。计算结果显示,通过信噪比,相关系数评估去噪结果,得到结果可靠、高精度毫米级时间序列,为地震预报业务提供更好的服务。In this paper, based on ensemble empirical Mode decomposition (EEMD) combined with sample entropy (SpEn), the time series of GNSS stations in Taiyuan, Shanxi Province is denoised. First, the original station time series was decomposed by EEMD to obtain different intrinsic mode function (IMF) components. Secondly, sample entropy was calculated for each IMF component, and an appropriate noise removal threshold was selected according to the sample entropy statistics. Finally, the wavelet coefficients smaller than the threshold are removed according to the sample entropy, and the IMF component is reconstructed. The denoised signal is obtained. The calculation results show that the denoising results are evaluated by signal-to-noise ratio and correlation coefficient, and the results are reliable and high-precision millimeter time series, which provides better service for earthquake prediction.

联合加权小波和EEMD的GNSS坐标时间序列降噪分析

针对GNSS坐标时间序列中有用信号与噪声难以准确分离这一问题,本文提出加权小波Z变换(weighted wavelet Z-transform,WWZ)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)的降噪方法.通过对西北地区70个陆态网络连续站垂向坐标时间序列的降噪处理,分别采用均方根误差(root mean squared error,RMSE)、信噪比(signal to noise ratio,SNR)、闪烁噪声(flicker noise,FN)振幅及速度不确定度为评价指标,验证了本文方法的降噪效果在一定程度上优于小波降噪和EEMD降噪.结果显示:WWZ-EEMD相比小波降噪和EEMD降噪,降噪后信号序列RMSE分别降低了0.331 mm、0.757 mm,SNR分别提高了1.911 dB、3.635 dB;FN振幅及速度不确定度均有明显改善,验证了本文降噪方法的有效性.

基于集合经验模态分解去趋势的水分利用效率对气候变化响应的高程分异——以“21世纪海上丝绸之路”沿线省份为例

水分利用效率(WUE)是表征陆地碳-水循环耦合关系的重要指标,但其对气候变化响应的高程分异仍不清楚。通过集合经验模态分解(EEMD)去趋势和偏相关方法,以“21世纪海上丝绸之路”沿线省份为研究区,揭示WUE对气候变化的响应及其随高程的分异。研究结果表明:(1)研究区内WUE多年均值由中心向南北递减。不同植被类型的WUE多年均值由高到低依次为:常绿针叶林、混交林、常绿阔叶林、稀树灌木草地、耕地和城市建设用地。(2)51.11%的区域表现出均温与WUE的正相关;而81.46%地区表明温差的扩大会使得WUE增加;有近一半的研究区表明最高温的升高有利于提高WUE,而最低温的作用则相反;有67.99%的区域表明降水增多反而会导致WUE的减少。(3)在大多数土地覆盖类型,日温差和最低温主要与WUE呈正相关,而最高温和降水主要与WUE呈负相关。在常绿针叶林、耕地和城市建设用地,日均温与WUE呈负相关。在其他三种植被类型下则呈正相关。(4)在低海拔地区,均温与WUE呈负相关而在中高海拔地区则转变为正相关关系。而最高温则正好相反。降水与WUE的负相关关系系数随高度的增加而不断加强,而温差和最低温与WUE的正相关关系也随高度的增加而剧烈波动增强。

基于集合经验模态分解和BP神经网络的北京市PM2.5预报研究

利用集合经验模态分解算法(EEMD)和BP神经网络组成的混合模型,对北京城区PM2.5浓度值进行短期预报。结果表明,与单独使用BP神经网络模型相比,EEMD-BP混合模型的预报准确率更高;混合模型高频部分的预报误差是整体误差的主要方面;混合模型的输入变量中需包含输出变量的信息;前期污染物浓度的数值对模型的预报结果有较大的影响。