基于经验模态分解的单端BOTDA系统降噪方法研究

针对单端布里渊光时域分析(BOTDA)系统存在噪声大、信噪比较低等不足,提出一种基于经验模态分解的降噪方法。理论分析经验模态分解的降噪原理和少模光纤单端布里渊光时域分析传感原理,通过搭建的单端结构布里渊光时域分析温度传感系统,对经验模态分解的降噪效果进行对比分析。实验和仿真结果表明,经验模态分解算法对温度传感系统具有良好的降噪效果,降噪后信噪比提升了约3.06dB,温度测量精度提升了约0.98℃。

基于经验模态分解的电力设备运行状态在线监测方法

常规的电力设备运行状态在线监测方法以响应时间为主,并未针对设备运行状态特征进行监测,影响了在线监测准确性。因此,本文设计了基于经验模态分解的电力设备运行状态在线监测方法。基于经验模态分解提取电力设备运行状态特征,利用EMD从电力运行原信号中提取出IMF,突出原信号的运行状态特征信息,从而确保状态监测的准确性。监测电力设备运行状态暂态负荷,从暂态电流采样序列中,确定电力负荷启动、运行、停止等状态,避免电力设备运行状态监测失误的问题。采用对比实验,验证了该方法的监测准确性更高,能够应用于实际生活中。

基于经验模态分解和小波降噪的漏水信号滤波方法

在研究供水管道监测漏水信号的降噪问题时,提出一种基于经验模态分解(EMD)与小波阈值降噪相结合的降噪方法。该方法首先将采集到的信号进行EMD分解,得到有限个本征模函数(IMF),通过计算各IMF分量的能量值,找到含噪较多的高频信号分量与含噪较少的低频信号分量之间的界限,对含噪声较多的高频IMF分量进行小波软阈值降噪处理,再将降噪后的高频IMF分量与剩余的低频IMF分量进行重构,实现对漏水信号的降噪。经计算验证比较,处理铁管上采集的信号时,仅用EMD法降噪后输出信噪比为14.49 dB,仅用小波软阈值法降噪后输出信噪比为16.11 dB,而提出的EMD与小波软阈值结合方法输出信噪比为19.53 dB;处理PVC管采集的信号时,仅用EMD法降噪输出信噪比为3.19 dB,仅用小波软阈值降噪法输出信噪比为4.18 dB,用改进方法得到信噪比为6.19 dB,表明用改进方法监测管道漏水具有更好的降噪效果。

基于经验模态分解的电力系统机电振荡模式识别方法研究

当前机电振荡模式识别多采用粒子滤波算法,此方法易受到信号高频成分波动影响,导致识别准确性较低。为此,提出了基于经验模态分解的电力系统机电振荡模式识别方法。该方法对原始振荡信号进行去噪处理,还原真实信号,采用经验模态分解算法分解信号,并提取振荡参数,通过设计阈值门限准则,抑制高频波动,以此为依据,计算求取不同振荡模式下的状态参数,由此实现机电振荡模式的识别。对比实验结果表明,在电力系统机电振荡模式识别中,该方法具有更高的识别准确性。

基于经验模态分解与偏差校正的配电网短期负荷水平分析方法

受到温度情况、休息日、甚至突发事件等不确定因素的影响,配电网短期负荷分析准确性不高,与实际情况存在较大的偏差。针对上述问题,提出一种基于经验模态分解与偏差校正的配电网短期负荷水平分析方法。对配电网负荷数据进行预处理,包括缺失数据弥补、异常值处理以及归一化;利用经验模态分解,将预处理好的配电网负荷时间序列分解为若干独立IFM分量,以这些独立IFM分量为输入,利用深度置信网络分析配电网短期负荷值。引入模糊控制方法,将温度变化及休息日这两种常见的不确定因素考虑在内,优化深度置信网络计算得出的基本短期负荷分析结果,实现偏差校正。试验结果表明:所研究方法应用下,配电网短期负荷水平分析结果与实际结果之间的偏差均有所降低,尤其周六日,达到了研究目标,说明配电网短期负荷水平分析精度有所提高。

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。

利用经验模态分解方法抑制SAR斑点噪声

提出了一种利用经验模态分解 (EMD)方法抑制SAR斑点噪声的方法。利用经验模态分解方法 ,可以将SAR图像分解为一系列的以空间周期尺度不同为特征的模态 ,定义空间特征周期尺度不大于 4的为噪声。通过从图像中减掉噪声成分使SAR斑点噪声得以抑制。用这种方法处理SAR图像在斑点抑制和纹理信息保持两方面取得了令人满意的结果。

经验模态分解方法及其实现

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征。提出了经验模态分解方法中“筛”过程存在的端点问题、循环终止条件等重要问题的解决方案;并以经验模态分解方法为核心实现了非线性非稳定信号处理系统,在给出该系统如何处理外来信号流程图的同时,对系统界面的功能、生成方法和运算模块的功能、结构进行了详细地阐述。

经验模态分解方法中端点问题的处理

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征,但是在利用样条插值获得信号上、下包络过程中存在着棘手的端点问题。有文献提出利用线性神经网络对信号进行延拓的方法,来解决经验模态分解方法中存在的端点问题。提出利用BP和RBF网络对信号进行延拓的方法解决该问题;并利用实验对三种网络的延拓效果进行比较,证明了RBF神经网络的有效性。

基于经验模态分解的舰船液位测量方法研究

介绍了经验模态分解理论,及基于经验模态分解的液面高度测量分析方法。用经验模态分解法对采集到的多组不同海域液位波动信号进行分析处理,去除信号中各瞬时频率成分,提取信号的平均趋势。计算液位高度并与实际液位比较,验证了该方法的准确性、可行性。

基于经验模态分解方法和信息熵的水沙关系研究

为研究黄河中游水沙关系及其细部演化特征,利用黄河中游控制性水文站——潼关水文站1919—2015年实测径流量和输沙量资料作为研究数据,采用经验模态分解方法分析径流和泥沙随机变化的复杂性,并运用信息熵理论计算不同时间尺度上径流和泥沙分解序列及原始序列的熵值、径流与泥沙各分量与其原始序列之间的互信息、径流与泥沙之间的互信息。结果表明:潼关水文站径流量与输沙量变化具有显著下降的趋势;径流量和输沙量在一定程度上表现为某种同步变化关系;径流量与输沙量的长周期分量及趋势项互信息较大,因此水沙关系宜采用长周期研究,趋势项分量数据信息阐述原始序列数据信息比较可靠。

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.

经验模态分解方法对祁连圆柏年轮宽度序列标准化初探

利用经验模态分解(EMD)方法对祁连圆柏树轮宽度序列进行标准化处理的初步探讨,分析该方法在圆柏宽度序列生长量订正中的应用潜力。利用EMD方法对祁连山地区的65个圆柏样芯宽度序列的逐级分解,较好地展示了各样芯由高频至低频的自然变化特征,其中最低频的趋势项虽包含了线性、负指数、类样条函数等多种形式,但末端基本趋于平稳,与树木的生物学遗传特性较为吻合,基本反映了与树木遗传相关的生物学趋势。与传统线性或负指数函数方法对祁连圆柏序列的标准化过程相比,传统处理中常常出现髓心端上翘或树皮端异常增大的问题,通过新的EMD方法的订正得到了改进,进一步分析了EMD方法在祁连圆柏轮宽序列生长量订正中的优势及不足。两种方法得到的祁连圆柏年表在整个时段上高频变化极为一致,仅在接近髓心端的100 a内传统方法处理得到的指数值偏低,方差变化较大;而EMD处理得到的指数年表整个时段方差相对稳定。

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。

经验模态分解方法(EMD)在数据挖掘中的应用

股市数据无时无刻不在变化,然而带有明显的时序性。从直观上说,数据值的变化直接受到时间参数的影响,因此直接利用原始数据不仅简单明了,而且容易发现数据瞬时变化的特性。本文阐述了经验模态分解(EMD)方法的原理和思想,利用经验模态分解方法在提取数据时存在的优势,解决了在股票预测时由于数据量大不利于判断股票走势的问题。我们把经验模态方法和多层反馈神经网络FP算法相结合对现实中的股票数据进行相似模式匹配,简化股票趋势预测的复杂性,为股市的预测提供了一种简单有效的方法。

基于经验模态分解方法的高频薄壁铝焊管涡流探伤初探

通过分析对比几种常见的无损检测技术,提出用涡流探伤检测高频薄壁铝焊管焊缝质量的新方法,并针对输出的检测信号非线性、非平稳的特点,探讨了几种现代信号分析方法,并分析了它们的优缺点和经验模态分解(EMD)方法在检测涡流探伤信号上的应用优势,指出经验模态分解方法的应用前景。

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。

基于经验模态分解法的下穿铁路工程对既有轨道变形监测数据降噪方法

针对下穿铁路工程中既有轨道变形的现场监测数据存在多种因素干扰,难以真实反映下穿铁路工程对既有轨道结构实际影响的问题,将现场监测数据的干扰因素分为测量仪器误差,以及造成既有轨道结构变形的环境温度。根据测量误差、造成既有轨道结构变形的温度,以及下穿铁路工程引起的既有轨道结构附加变形等3类数据组成成分在频域分布集中区域不同的特点,利用EMD(经验模态分解)法分离上述3类既有轨道结构变形监测数据组成成分,剔除既有轨道结构变形监测数据中的干扰因素信号,实现下穿铁路工程中既有轨道变形监测数据的降噪。以某地铁盾构隧道下穿铁路工程现场实测数据为例进行信号分类分析。结果表明,该方法可有效剔除现场变形监测数据中存在的干扰因素成分,从而获得由下穿铁路工程引起的既有轨道结构真实变形。

经验模态分解WVD方法的水下目标特征提取

针对传统时频分析方法在水下目标特征提取时的局限性,采用一种基于经验模态分解和Wigner-Ville分布(Wigner-Ville distribution,WVD)的提取水下小目标亮点特征的新方法.该方法可以将多分量信号分解为一组单分量信号进行分析,不仅可以有效地抑制WVD分布中多分量信号所产生的严重的交叉项干扰,而且解决了噪声对HHT谱产生波动的影响,通过仿真分析和实验数据的处理验证了该方法的有效性.对三类目标模型的回波进行了特征提取,并分析了各类模型回波的不同特点.其中,规则雷的回波以镜反射波为主;不规则雷的亮点结构相互叠加致使频带范围变宽;假雷的回波由于是多个信号的非线性叠加,使得到的时频特性分布较广、比较散乱.