极点均值型经验模式分解及其去噪应用

使用经验模式分解(EMD)对信号进行去噪时,由于EMD本身会产生模态混叠,往往很难将噪声完全分离。针对这一问题,提出了一种新型的极点均值型EMD方法,并且给予固有模态函数(IMF)一个新的定义。首先,将相邻极点平均以求得均值包络,然后迭代相减进而获得IMF。最后用原始信号减去分离出的高频IMF实现去噪。随机信号仿真以及激光雷达回波信号去噪实验表明,该方法与EMD分解相比,可以更好地将噪声分离,有效地抑制模态混叠,更可以极大地减小均方误差。因此,极点均值型EMD拥有很好前景。

基于复数经验模式分解的非旋转对称空间进动目标回波分离及成像研究

对于非旋转对称的弹道中段目标逆合成孔径雷达成像而言,非旋转对称部件回波分量的存在会严重影响目标主体的成像质量。该文通过建立非旋转对称弹道中段目标的回波模型,分析了导弹主体和导弹非旋转对称部件的回波分量的微多普勒差异,提出了基于复数经验模式分解的非旋转对称部件回波分离方法,利用复数经验模式分解的自适应特性,可以有效地分离和重构主体及非旋转对称部件回波分量。仿真结果表明,利用该文提出的方法可显著提高导弹主体部分的成像质量。

HHT经验模式分解的周期延拓方法

针对经验模式分解的端点效应,运用插值理论,给出了端点邻域处三次样条插值引起的截断误差表达式,分析了产生端点效应的原因,提出采用对称(镜像)和反对称两种信号周期延拓的方法。为保证周期延拓的平滑性,对于端点为极值点或零点的不同情况,提出了分别采用对称(镜像)和反对称周期延拓的方法。通过对截断误差的分析,以及对典型模拟信号和语音实验数据的计算,证明了周期延拓方法的有效性可行性,方法可以大大地提高经验模式分解的准确性和可靠性。

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。

抑制经验模分解边缘效应的极值点对称延拓法

经验模分解(Em p iricalM ode D ecom position,EMD)是希尔伯特-黄变换(HHT)的核心,而经验模分解方法的关键是对提取固有模式函数(Intrinsic m ode function,IM F)时所谓边缘效应问题的处理。提出了极值点对称延拓方法,用来对边缘效应问题进行处理。算例分析结果表明该方法的算法简单,计算速度快,能有效地抑制EMD分解时的边缘效应,分解得到的固有模式函数完备地体现了原信号真实的频率和幅值信息。在信号重构时不会带来原始信号的畸变。

复合插值包络经验模式分解及其在往复式压缩机轴承故障诊断中的应用

针对经验模式分解(EMD)分析强非平稳振动信号时包络线出现的过包络与欠包络问题,提出一种复合插值包络经验模式分解方法(CIEEMD)。该方法在定义信号非平稳系数及包络线端点衔接方法的基础上,使用单调分段三次Hermite插值(MPCHI)构造局部强非平稳信号包络,三次样条插值(CSI)构造局部平稳信号包络,形成复合插值包络线进而提高EMD分解精度。利用仿真信号分析验证了CIEEMD对强非平稳信号的适用性。以往复压缩机轴承间隙过大故障为研究对象,CIEEMD不仅分解性能优越,且包络谱的故障频率更为显著。

基于因散经验模式分解与最小二乘支持向量机的风电场短期风速预测

建立准确而高效的风速预测模型是指导电力系统规划及安全稳定运行的重要基础。对现有预测方法深入研究的基础上,研究基于因散经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)及最小二乘支持向量机(LS_SVM),建立了综合考虑温度和气压因素的短期风速预测模型。通过对两个地区历史风速数据的计算和分析,结果表明提出的预测模型具有预测精度高、适应性强等优点。

基于改进Croston方法的多需求模式零备件预测

维修备件管理是提高产线可靠性、实现降本增效的关键。针对具备间歇性与随机性特征的维修备件需求预测问题,提出了基于改进Croston方法的备件需求预测模型。依据Syntetos准则基于间断性与波动性特征将备件需求划分为4类。针对含有波动性特征的需求,基于Croston方法主要思想将备件需求预测分解为需求发生状态预测和需求量预测两类问题,设计了集合经验模态分解(ensemble empirical mode decomposition,EEMD)-长短期记忆网络集成(long short-term memory,LSTM)预测模型。EEMD方法将剧烈波动序列分解为若干相对平稳的分量,进而采用LSTM方法对各分量进行预测。针对含有间断性特征的需求,引入信号处理技术中的信号调制技术,将需求发生状态0-1二值序列进行连续化处理。所提方法解决了备件需求波动性强、间断性大的难题,已应用于湖北中烟武汉卷烟厂,证明了方法的优越性与可行性。

基于经验模式分解卡尔曼滤波的径流预报校正

针对水文径流预测过程中不可避免的误差,提出基于经验模式分解的卡尔曼滤波校正方法,采用经验模式分解理论将径流序列转变为平稳过程,并结合预报过程误差规律及不同物理背景,运用基于Sigma点的卡尔曼滤波校正的动态系统分析技术,对单个水文模型的输出资料进行同化操作,对状态方程进行多变量最优控制,实时修正径流预报误差。实时校正结果表明,基于经验模式分解的卡尔曼滤波校正方法能一定程度上提高径流预报精度。

基于经验模式分解的通信信号异常漂移检测

由于混合数字通信信号包含多个信道,且每个信道的特征不同,数据量相对较大,受到多种干扰的影响,信噪比较低,导致其异常漂移检测精度低。为此,提出多信道混合数字通信信号异常漂移检测方法。采用多线性主成分分析方法对通信信号展开降维处理;利用经验模式分解方法对降维后的通信信号分解,通过IMF能量确定异常漂移分量所处位置,实现通信信号异常漂移检测;建立RBF神经网络非线性滤波器,将信号漂移分量输入滤波器中,完成多信道混合数字通信信号的漂移校正。仿真结果表明,所提方法的信号降维效果好,信号异常漂移检测平均绝对误差较低,数字通信信号异常漂移校正质量高。

基于HHT方法的宜昌近百年径流演化模式分析

介绍了一种新的时间序列分析方法,即基于经验模态分解(EMD)的希尔伯特—黄变换(HHT)方法,并应用此方法分析长江宜昌站近100 a来天然径流资料系列,同时提出了一种“边筛分、边延拓”的对称延拓方法处理EMD分解中的边界问题。结果表明,长江天然径流演化模式由5个本征模态函数和一个零均值趋势项组成。通过分析各个IMF分量,得出不同尺度径流波动对径流演变的作用,并分析出长江流域的天然径流演化与QBO、ENSO、日月交食年、太阳黑子和长江流域气温变化等气象、气候因子有关。

基于傅里叶分解方法的风电齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。

二维经验模分解在海洋遥感图像信息分离中的应用

二维经验模式分解(BEMD)方法来源于一维经验模式分解的扩展,使图像信息处理技术得到进一步发展,因为二维经验模分解的多尺度于自然图像的多尺度有更相似的多尺度结构,从而可以更准确有效的处理分离信息图像.

基于经验模式分解的山西GNSS时间序列降噪分析

基于经验模式分解方法(EMD)分析山西GNSS时间序列。首先,分解原始时间序列得到不同频率固有模态分量(IMF);其次,根据相似性和光滑性规则,选择重构的固有模态分量(IMF),并进行重构;最后,计算降噪前后序列信噪比的变化、降噪后序列占降噪前序列的能量百分比和相关系数3个指标评价降噪效果。计算结果显示,经验模式分解方法结合相似性和光滑性规则能有效分离序列中的噪声信号,得到可靠、高精度毫米级时间序列,为地震预报业务提供更好的服务。

一种抑制EMD端点效应新方法及其在信号特征提取中的应用

经验模式分解(EMD)的端点效应一直是困扰其工程实用性的难点问题,结合端点效应产生机理和现有的研究成果,提出了一种基于端点优化对称延拓(End Optimization Symmetric Extension,EOSE)的抑制EMD端点效应新方法。通过对信号和其包络线的偏差评价函数的最小化计算,获取最佳的信号端点值,在此基础上延拓信号的上、下包络线将最大化地逼近原始信号两端点,在EMD后续"筛选"固有模态分量(IMF)过程中抛弃两端延拓的数据,将端点效应释放到原始信号的以外。将原EMD、基于EOSE改进EMD和基于时间序列建模(ARMA)改进EMD3种方法进行对比分析,仿真和实验结果表明,基于EOSE方法抑制EMD端点效应的效果最好,能够精确提取出旋转机械振动信号的典型故障特征,运算效率较高。

基于DEMD和对称差分能量算子解调的滚动轴承故障诊断

针对机械故障振动信号多为调制信号的特点,为了更好地提取多分量调幅调频信号的幅值和频率信息,提出了基于微分的经验模式分解(DEMD)与对称差分能量算子相结合的解调方法。利用DEMD算法将原始振动信号进行分解,得到若干个单分量信号;对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算出包络谱。将该方法应用于仿真信号和滚动轴承故障信号的诊断,实验结果表明,该方法能有效地提取机械故障信号的故障特征,实现旋转机械故障诊断。

微弱信号检测的变尺度Duffing振子方法

针对强噪声背景下微弱信号检测问题,本文把互补集总经验模式分解(CEEMD)方法和变尺度Duffing振子结合,提出了一种新的微弱信号检测方法.利用CEEMD将复杂含噪信号分解为不同的固有模态函数(IMF),通过Duffing系统分岔图及其变化找到相轨迹变化的临界阈值,实现含噪信号的信息检测.结果表明,本文所提方法不仅可以很好地免疫噪声,而且能有效检测出信噪比低至-73dB的多频率周期信号.

基于二维EMD的纹理分类方法

在纹理图像的二维经验模式分解的筛分过程中,使用Delaunay三角形网格和三次多项式插值来构造筛分过程的包络,然后提取样本的每个内蕴模函数中过零点数目以及极值处振幅的均值作为特征向量来进行训练,根据训练得到的样本特征数据库对纹理图像进行分类。实验证明,使用所选取的特征对纹理图像进行分类的方法是可行的。

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。

一种抑制EMD端点效应的改进方法

经验模式分解(EMD)存在的端点效应问题影响着该方法的应用。本文研究了基于端点优化对称延拓和镜像延拓的抑制EMD端点效应的改进方法,避免了单独采用端点优化对称延拓法在预测的点数较多时会造成速度较慢,以及单独采用镜像延拓法在处理端点不是极值点的短时间序列时效果不佳的问题。首先利用端点优化对称延拓法对数据序列两端各延拓一个局部极值,获取最佳的信号端点值,然后利用镜像延拓法把镜内的信号映射成一个不存在端点的环形信号,再进行经验模式分解。通过对仿真信号分析,表明该方法能够有效抑制端点效应问题。