基于经验模态分解和极限学习机的癫痫脑电提取分类研究

癫痫疾病发作时,脑电(electroencephalogram,EEG)信号中含有大量的癫痫特征信息,癫痫EEG信号的提取识别和分类研究,对癫痫的预防和治疗具有重大的意义。我们采用经验模态分解(empirical mode decomposition,EMD)算法对发作期、发作间期的EEG进行分解,计算分解后的主要本征模态函数(intrinsic mode function,IMF)分量的波动指数、均值和样本熵值,并组成一组特征向量输入到极限学习机(extreme learning machine,ELM)内进行识别分类。实验结果表明,在需要较少训练样本下,ELM识别分类的准确率达到97%以上。

使用快速傅里叶变换优化周期参数的EMD-FFT-SARIMA光伏发电预测模型

根据分布式能源工业园区的光伏电力单元特点,对园区光伏发电功率预测模型进行优化,为后续的调度策略提供数据支持。针对经验模式分解(EMD)与季节性差分自回归移动平均模型(SARIMA)相组合的EMD-SARIMA预测模型中,原始数据经过EMD分解得到的各固有本征模态函数(IMF)分量周期计算问题,提出加入快速傅里叶变换(FFT)的周期计算方法,建立EMD-FFT-SARIMA光伏发电功率预测模型。再将每个IMF对应的预测结果进行叠加重构得到最终的预测结果。通过预测结果的误差计算可以发现,加入FFT环节后均方根误差(RMSE)从120.6 MW下降到19.3 MW,平均绝对误差(MAE)从52.87 MW下降到12.3 MW。

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法。提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用。通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标。提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型。实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法。

基于CEEMD的地震信号自适应高分辨率处理

针对地表接收的地震信号分辨率较低的问题,考虑地震信号的非平稳性,本文提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)的地震信号自适应高分辨率处理方法。根据地震剖面的平均振幅谱确定阈值集合G;对单道地震信号进行互补集合经验模态分解,得到本征模态函数(intrinsic mode function,IMF)分量;利用相关系数-阈值法确定阈值H,选出有效频段内的IMF分量进行叠加,并用阈值集合G对叠加的结果进行振幅谱补偿处理,得到高分辨率的单道地震信号;逐道处理得到高分辨率地震剖面。模型数据和实际地震资料测试结果表明,所提方法能有效地提高地震信号的分辨率,为地震勘探开发提供更为精确的地震资料。

经验模态分解中IMF分量判定准则方法实验研究

研究了经验模态分解(empirical mode decomposition, EMD)的原理,将自相关函数法、能量值法、频谱分析法、累积均值法4种本征模态函数(intrinsic mode function, IMF)性质判断准则应用于EMD分析,并以GPS桥梁动态监测数据为例进行了实验分析。实验结果表明,根据不同判断准则得出的结果不同,累积均值法和能量值法由于能够直接定量分析,所以可直接判定。自相关函数法和频谱分析法则需要结合图像分析,不能直接判断。因此,实际应用中要综合判断。