基于总体平均经验模态分解算法的自适应改进

目前较为广泛使用的总体平均经验模态分解算法(EEMD)不能实现桥梁结构响应信号的自适应分解和重构,基于此,针对EEMD算法的不足,提出了能够实现桥梁结构响应信号自适应分解与重构的改进算法:首先引入自适应极值点匹配延拓算法以抑制端点效应;再对分解信号进行聚类分析以避免模态混叠现象;最后利用各本征模态函数(IMF)对应的信息熵、能量密度和平均周期构建筛选有效IMF分量的指标(有效程度系数),以实现有效IMF分量的自动筛选,再利用筛选出的有效分量对桥梁结构响应信号进行重构。模拟信号和简支梁桥仿真算例表明,所提改进算法能够更有效、更准确的实现桥梁结构响应信号的自适应分解与重构。

基于二维经验模态分解算法的织物疵点自动检测

为解决织物疵点检测工序中存在的耗时性问题,提出一种基于二维经验模态分解(EMD)的多方向自适应检测方法。通过Delaunay三角分割、径向基函数插值与二维三次样条插值等方法实现二维EMD算法,用该方法将织物灰度图像分解为一系列子图像,选取包含疵点信息的子图像进行融合,最后通过阈值化来识别织物图像中的疵点。借助于工业线阵相机采集包含不同疵点的织物图像,并利用提出的方法进行自动检测。结果表明,子图像融合结果中疵点信息明显,与背景的反差强烈,通过阈值法可以直接判断出图像中是否包含疵点,并完成疵点定位,该方法对织物疵点的检测十分有效。

基于经验模态分解算法的永磁直线同步电机迭代学习控制

在永磁直线同步电机驱动伺服系统的迭代学习控制(ILC)过程中,针对由于每次运行时跟踪误差的累积,导致系统出现收敛速度降低甚至发散的现象,提出一种基于经验模态分解(EMD)算法的迭代学习控制方法。首先设计闭环ILC控制器,然后利用EMD算法分解ILC过程中的跟踪误差,筛选并消除其中发散的分量,保证ILC的收敛性,提高ILC的收敛速度。仿真和实验结果表明,与传统ILC相比,所提出的控制方法能够使系统的跟踪效果更好,且保证了伺服系统的输出轨迹在较少的迭代次数下快速精确地收敛到期望轨迹。

一种利用经验模态分解算法的光电容积脉搏波信号中提取呼吸波的方法研究

针对目前提取呼吸波准确性不高的问题,本研究提出了一种从光电容积描记(photoplethysmography,PPG)信号中提取呼吸波的有效方法。在MIMIC Database中获取人体同时段的多路生理信号,包括PPG信号和呼吸波信号。首先,利用经验模态分解算法(empirical mode decomposition,EMD)对PPG信号进行分解,得到各层本征模函数(intrinsic mode function,IMF),选择合适的IMF分量重构出呼吸波信号;然后将重构的呼吸波信号与采用PPG信号同时段的原始呼吸波信号进行比较,结果显示,呼吸波信号速率的准确率均在90%以上,AR功率谱中的相关性系数均在85%以上,呼吸波信号相对相干系数也显示该方法的优越性。采用EMD算法可以有效地从PPG信号中提取呼吸波,这对于临床实践中的无创检测,医疗设备的改进具有重要意义。

基于改进变分模态分解算法的海洋绝对重力数据滤波处理

原子重力仪具有采样率高、精度高及长期稳定性好等优点,适用于远洋深海高精度绝对重力测量工作。受恶劣海况影响,原子重力仪测量的绝对重力数据中存在大量非平稳、非线性的噪声信号,影响重力测量的精度,进而影响地质构造解释的准确性。为了消除重力测量数据中的噪声,本文分析了创新性地引入改进变分模态分解(improved variatio nal modal decomposition,IVMD)算法进行滤波处理。

基于经验模态分解算法的高铁沉降数据处理模型研究

针对高铁沉降观测存在观测噪声等情况,利用经验模态分解算法对银西高铁银吴段沉降观测数据进行分解处理,利用小波去噪算法完成分解后高频本征模态函数的去噪实验。实验结果表明,相对于传统小波去噪算法,基于EMD分解算法的小波去噪实验具有更好的信噪比和误差均方根,EMD-WD去噪算法在SNR方面提高2.481db,在RMSE方面提高0.027。

变分模态分解方法在轴承故障诊断中的应用研究进展

作为旋转机械的核心和易发生故障的部件,滚动轴承及其故障诊断是目前研究的热点和前沿。有效的特征提取方法对于滚动轴承故障诊断至关重要,其中变分模态分解算法(VMD)因对复杂信号具有较强的分析能力和自适应性,应用潜力较好。对VMD的基本原理及其优势、VMD在轴承故障特征提取方面的应用、VMD参数优化方法以及最新进展进行归纳总结,针对VMD参数优化问题,从适应度函数构造和群智能算法改进上,提出一种新的解决方法,并探讨VMD在诊断滚动轴承早期微弱故障和复合故障等方面的不足之处,最后从理论研究和工程应用的角度,展望VMD未来的发展方向,可为从事滚动轴承故障诊断的相关研究人员提供参考。

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。

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。

经验模态分解类算法在经济分析中的选择及应用

近年来,经验模态分解类算法逐渐被运用到经济分析中,取得了一系列新的研究进展,特别表现为利用分解重构的原理对经济变量进行多尺度分析或预测。但是,该类算法存在一定问题,如模态混淆、端点效应等,因此使用时需考虑算法的适用性问题。鉴于此,本文首先梳理了经验模态分解类算法的发展及其在经济分析中的应用;其次,针对现有文献在使用该类算法时规范性的不足,介绍了最新经验模态分解类算法,梳理及构建了衡量算法适用性的评价指标;最后,本文把算法存在的问题和评价指标相结合,提出了单变量最优经验模态分解类算法选择流程,并利用具体经济数据进行了实例分析。

面向嵌入式穿戴医疗的快速经验模态分解方法

智能照护系统通过人体感知智慧衣实时采集心电(ECG)等生理数据,却不可避免地混入运动伪影造成信号失去形态学特征。经验模态分解算法(EMD)通过获得本征函数分量去除非静态、非线性信号,去除ECG信号中的运动伪影。但是,传统EMD算法计算量大,不适用于低功耗的嵌入式移动设备。提出一种Fast-EMD算法,通过采用不同的运动状态来控制相应迭代次数的方式取代计算复杂边界值SD。实验结果表明,该方法既简化了算法执行流程,又提高了R点捕获准确率,有效提升了嵌入式设备上滤波处理性能。

基于无人艇的导航雷达目标检测跟踪算法

在无人艇利用导航雷达进行环境感知的过程中,针对雷达回波图中出现的区域破碎现象以及对运动目标进行跟踪时存在较大误差的问题,提出了一种应用于导航雷达的目标检测跟踪方法提高无人艇对水面目标的检测能力。首先,对雷达原始回波图像解析并进行预处理操作;其次,在图像连通的基础上,设计自适应阈值分割Hausdorff匹配算法对回波图和地图进行匹配,区分属于目标和陆地的回波;然后,对连续两帧的雷达回波图进行目标匹配;最后,通过加入预测序列模型的经验模态分解算法优化检测跟踪结果,提高获取目标信息的准确性。实验验证结果表明:对1 km内相对运动速度低于30节的水面目标,所提方法目标检测概率提升了6.5%,距离误差低于2%,航速误差低于6%,航向误差低于6°,整体性能优于工程中常用的检测跟踪方法。

基于变分模态分解与门控循环单元网络的云资源预测

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要。由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测的难度。为了捕获非平稳性数据更多信息,提高云资源使用情况的预测精度,提出基于变分模态分解(VMD)算法和门控循环单元(GRU)网络的预测模型(VMD;GRU)。首先将原始时序数据通过VMD算法分解成多个相对平稳的模态分量;再将蚁狮优化(ALO)算法集成到GRU模型中去,分别对分解后的本征模态分量进行预测,利用优化算法自适应地选择最优参数;最后整合每个分量的预测结果得到最终的云资源使用情况预测结果。在公开数据集上进行预测,并与未优化的GRU、差分自回归移动平均(ARIMA)和反向神经网络(BPNN)等进行对比。CPU利用率预测的实验结果表明,与并未分解且未优化的GRU模型相比,所提出的模型在预测精度上有48.1%的提升,验证了该方法的有效性。

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD)。使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量。应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行谱估计,并得到有效IMF分量的AR谱与AR累加谱。将AR累加谱的特征频率点与振幅作为特征向量,使用支持向量机(SVM)进行机器学习与分类。研究结果表明:EEMD-AR-SVM模型在实验中的分类准确率达到了93.9%,平均耗时46.1 s,达到了工业中自动检测的标准。

利用复数经验模态分解抑制高频地波雷达射频干扰的工程应用

为了抑制高频地波雷达(high frequency ground wave radar,HFGWR)射频干扰(radio frequency interference,RFI),提出了复数经验模态分解(CEMD)方法,在抑制射频干扰的同时,最大程度上保留有用信号。通过模拟及实测数据的验证分析,该方法在不损失有用信号的基础上有效抑制了射频干扰,且处理速度快,满足高频地波雷达实时工作要求。

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。

基于ESMD-FE-AJSO-LSTM算法的水闸深基坑变形预测

水闸深基坑开挖变形具有明显的非线性和非稳定性特征,基于此,引入极点对称模态分解算法(extremepoint symmetric mode decomposition method,ESMD)对水闸深基坑开挖变形原型监测序列进行多模态分解,并基于模糊熵(fuzzy entropy, FE)理论对各分解分量进行模糊多模态相空间重构,从而有效甄别水闸基坑变形不同时间尺度有效物理特征。构建基于人工水母搜索算法(artificial jellyfish search optimizer,AJSO)优化的长短期记忆(long short-term memory,LSTM)人工神经网络模型,以重构后的各重构子序列为基础进行优化训练,并把训练后的各预测模态分量合并,实现对水闸基坑开挖变形动态预测和分析。以张家港市十一圩江边枢纽改建工程基坑开挖变形监测为例,采用上述方法对该枢纽工程基坑开挖过程变形进行预测和分析。结果表明:基于ESMD-FE-AJSOLSTM算法的水闸深基坑变形预测方法能够有效预测基坑开挖变形非线性特征,相比传统LSTM、循环神经网络(recurrent neural network, RNN)和支持向量机(support vector machine,SVM)等算法具有更高的预测精度和稳定性,为实现对基坑开挖安全性态实时科学诊断和分析提供技术参考。

经验模态分解的单通道呼吸信号自动睡眠分期

睡眠是人体基本的生理需求,可以保证机体的生长发育、为机体储蓄能量、维持机体免疫等。对睡眠质量的准确评估是认识睡眠障碍并采取有效干预措施的关键。如果用经验丰富的睡眠专家进行人工睡眠分期是比较耗时并且主观的。目前,研究人员提出了许多准确、有效、有针对性的睡眠分期方法。比如,基于深度学习以及经验模态分解算法的单通道电脑信号自动睡眠分期方法,它被成功地用于呼吸信号(RESP)的睡眠分期,该方法为呼吸信号分解和睡眠阶段自动识别提供了新途径。本文采用的呼吸信号数据集来自SHHS,它是一个中心队列研究,用来确定睡眠与呼吸障碍的心血管和其他病症的数据库。首先,我们对SHHS数据库中的单通道呼吸信号进行了分析,以便更好地了解人类睡眠情况。其次,利用经验模态分解算法(EMD)对预处理后的呼吸信号进行分解,从原始呼吸信号和分解出的6个简单信号中提取时域、非线性动力学、统计学等方面的9个特征。最后,使用长短期记忆网络(LSTM)构建分类模型,将提取的呼吸信号特征进行分类识别,实现自动睡眠分期。实验结果表明,在4类和5类睡眠分期任务中,SHHS数据库的呼吸信号自动睡眠分期准确率分别为89.22%和88.43%。实验结果表明,本文提出的自动睡眠分期模型具有较高的分类精度和效率,具有较强的适用性和稳定性。

基于ICEEMDAN-IWOA-BiLSTM混合算法模型的短期负荷预测

电力负荷具有不确定性、随机性及波动性的特点,难以对其实现精准预测。为此,提出了一种基于改进型自适应白噪声完备集成经验模态分解算法和经改进型鲸鱼算法优化的双向长短期记忆网络预测模型。首先对选取的澳大利亚某电网负荷数据进行预处理;其次利用经验模态分解方法将负荷数据分解为一系列子序列;然后利用改进的鲸鱼算法对双向长短期记忆网络进行超参数寻优;最后将分解后得到的各分量数据输入到优化模型中进行预测。结果表明,所提算法实现了电力负荷的精准预测,得到了比其他单一基准模型和多数组合模型更好的预测效果,具有一定的适用性与应用价值。

EMD分解盲源分离算法在振动筛故障诊断中的应用

振动筛广泛运用于工业领域,振动筛故障诊断研究有实际意义。以振动筛轴承故障为例,先估计振动筛轴承故障时的振动源数,再利用基于经验模态分解(EMD)的盲源分离(BSS)算法分析振动筛轴承的故障特征。