一种自适应波形匹配的EMD端点延拓算法

为了解决EMD分解微多普勒雷达信号的端点效应问题,提出了一种自适应波形匹配的EMD端点延拓算法。将信号划分为含一对极大极小值的多个子波,并对其进行相同点数的等间隔采样,通过设计匹配系数,选取与端点子波匹配度最高的子波作为延拓子波。匹配系数由匹配子波与端点子波采样点的幅度匹配度与频率匹配度加权求和而成,具有幅度和频率自适应性;将延拓后的信号做EMD分解,提取信号中的微多普勒频率;采用文中算法对微多普勒仿真信号与手势微多普勒雷达信号进行处理,实验结果表明,文中算法可以将上述信号分解为不同的频率分量,并且效果优于不延拓、镜像延拓以及极值平均延拓,验证了文中算法的有效性。

LEMD端点延拓方法及其在微震信号降噪中的应用

针对非平稳的微震信号,采用经验模态分解(Empirical Mode Decomposition,EMD)方法对其滤波、消噪。但该方法在应用中存在严重的端点效应,会影响分解结果。为了改善端点效应,针对微震信号低频特点,提出了基于LMS自适应滤波器对微震数据端点处进行波形延拓的方法。LMS自适应滤波器经过信号内部的数据训练后从端点处向左右延拓波形,延拓过程中生成符合内部信号趋势的极小值和极大值,波形的延拓长度由延拓算法自适应决定。在EMD对信号分解过程中得到前一层模态分量后均再次对剩余信号进行延拓,进而进行下一层分解,以此修正插值算法带来的误差。最后根据信号频率特点对得到的模态分量有选择的重构,达到降噪的目的。利用仿真数据和煤矿微震监测数据对LMS自适应延拓法进行了验证,结果表明该方法能够明显减小经验模式分解的端点效应,特别对低频的微震信号有很好效果。

基于波形匹配端点延拓法优化的经验模态分解算法在铁路继电器参数降噪上的应用

针对铁路继电器参数的噪声问题,为提取其有效信息,该文建立一种基于改进波形匹配延拓法优化的经验模态分解(EMD)算法,利用自相关函数分离含噪信号,小波阈值去除噪声的混合降噪模型。首先根据继电器参数特点对波形匹配方法进行改进,重新定义匹配误差度公式,并引入匹配精度误差系数,采用改进波形匹配延拓法优化EMD分解过程产生的端点效应,得到有效的固有模态分量(IMF)和余项;然后求解其自相关函数,并根据自相关函数图像结合噪声信号特征分离出含噪分量;最后对含噪分量进行小波阈值去噪,去噪后与剩余分量和余项结合,得到重构后的参数序列。同时,提出利用结构相似性(SSIM)评价指标,结合信噪比(SNR)、方均误差(MSE)指数对模型可靠度评判。通过结果分析,并与EMD分解后重构和小波阈值去噪方法作对比,证明该模型可优化铁路继电器参数的降噪效果。

基于EMD分解的端点延拓新方法

为了提高经验模式分解(EMD)的分解精度,针对分解过程中存在的端点效应问题,在总结镜像延拓等五种延拓方法的基础上,提出了一种基于支持向量回归机算法的端点延拓方法。同时,为了定性分析端点延拓效果,引入评价端点延拓的四个指标,仿真结果表明:基于支持向量回归机延拓算法能有效地抑制EMD分解过程中存在的端点效应问题,所得到的四个评价指标优于传统的五种波形匹配延拓方法的指标。

利用端点延拓提高LS + NN模型的UT1-UTC预报精度

现有UT1-UTC预报模式在进行周期项与残差项拟合分离时,通常没有考虑最小二乘拟合序列的端部效应,预报精度难以取得较大提高。针对最小二乘拟合存在的端部效应,首先采用灰色模型在UT1-UTC序列的两端进行数据延拓,形成一个新序列,然后对新序列进行最小二乘拟合,最后再联合最小二乘和神经网络(LS+NN)模型对UT1-UTC原始序列进行外推。结果表明,对UT1-UTC序列进行端点数据延拓再进行最小二乘拟合,能够有效地改善最小二乘拟合序列的端部效应;相对于常规LS+NN模型,端部效应改善的LS+NN模型的UT1-UTC预报精度有一定提高,尤其对中长期预报精度提高更为明显。

LMD端点延拓方法在脉象信号处理中的应用研究

针对EMD方法在脉象信号分析中存在的运算效率低以及端点效应严重等问题,首次将LMD时频分析方法运用于脉象信号的分析。同时对于仍然存在的端点污染,结合小波模极大值去噪方法提出了一种基于匹配度的脉象信号延拓方法。其中,小波模极大值去噪方法运用于信号的预处理过程,解决LMD方法中原本由于噪声引起的算法不收敛,信号两端发散等问题。通过仿真信号的验证及脉象信号的实际处理,结果表明LMD方法具有较好的分解效果,能更准确地反映脉象信号中的特征信息,且所提出的基于匹配度的脉象信号延拓方法可以明显改善LMD方法中存在的端点效应。

EMD端点延拓新方法SAR遥感图像实例应用

经验模态分解(EMD)是希尔伯特-黄变换(HHT)过程的重要部分,其核心技术难点为端点延拓.本文基于目前各种EMD端点处理方法分析基础上,紧紧围绕如何防止端点发散这么一个关键点,开发了一种高效简便的EMD固定端点延拓新方法.利用该新方法,对线性仿真信号、非线性仿真信号和合成孔径雷达(SAR)遥感图像真实信号进行了经验模态分解,分解结果表明,利用EMD固定端点延拓新方法可以把每次分解的结果误差限制在较小的范围,对信号不会产生较大的污染,而且得到的分解结果能有效反映信号的真实调制,在实际SAR遥感图像应用过程中在具有很好的有效性和可行性.

一种改善EMD端点效应的新方法

针对经验模态分解(Empirical Mode Decomposition,EMD)过程中可能产生的端点效应问题,提出一种基于最近相似距离的端点延拓方法.首先给出了匹配距离和波形相似系数的概念,然后按照一定配准和筛选准则,在原信号内部找到与信号端点处变化趋势最为相似的子波来对端点处的信号进行延拓.该方法兼顾了信号的内在特性以及端点处的变化趋势,实现延拓数据与原信号交界处的光滑过渡.将其分别应用于模拟信号中分析,仿真结果表明该方法可有效地抑制EMD端点效应问题.

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。

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。

基于双边滤波的信号边界特征匹配与延拓

经验模态分解过程中的端点效应会直接影响到信号的分解效果。针对此问题,结合邻域双边滤波的思想,提出了基于双边滤波的信号边界特征点匹配的端点延拓方法。该方法有效抑制了分解过程中端点效应的影响,提高了信号分量的精度。边界子波的延拓在遵循原始信号内部特征规律的同时,还考虑了局部数据差异性的影响,因此子波扩展具有自适应性。仿真实验和地震资料应用对比分析表明,该方法能有效解决信号分解过程中的端点效应问题。

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。

信号FIR数字滤波后相位延迟的消除

针对信号处理中采用FIR数字滤波器对信号进行滤波后将产生相位延迟的现象,从FIR数字滤波器的相位特性出发,分析并推导了产生这种延迟现象的原因,得到了FIR数字滤波器的阶数和相位延迟的关系。采用基于波形匹配的数据扩展的方法对原始的信号进行端点延拓,再对延拓后的信号进行FIR滤波,可以很好地消除这种相位延迟的现象。Matlab仿真结果证明运用该方法滤波后的信号相位与原始信号相位一致,相位延迟被消除了。通过对信号的Simulink仿真实验及分析,也证实该方法可以有效消除FIR数字滤波器产生的相位延迟。

经验模式分解算法的探讨和改进

对经验模式分解算法中的滤波停止条件和端点延拓问题进行了研究。在改进的EMD算法基础上,通过对本征模函数使用“新的滤波停止条件”,获得了更好的实验分解结果,同时,由于改进的EMD算法假定信号是无限长的,回避了B样条插值中节点延拓的固有问题,研究了有限长度信号的端点延拓问题,给出了端点延拓算法,从而弥补了已有方法的不足,使之更具实用性。实验表明,文中提出的算法是有效的。

Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。

经验模式分解在QRS波群和T波检测中的应用

针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法。该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用"经验阈值"能得到准确的检测结果。利用MIT-BIH Arrhythmia Database中心电数据检测表明,QRS波群的检测率达到99%以上,T波的正确识别率也获得较大的提高。该算法中提出的端点延拓方法能有效地减少使用经验模式分解的次数,提高检测的实时性,具有较好的应用前景。

应用径向基函数神经网络处理EMD方法中的边界问题

利用RBF神经网络分析方法对一个数据序列的两端加以延拓,分别得到两个附加的极大值点和极小值点,然后利用三次样条函数将附加的极值点与原时间序列的极值点连接起来,拟合出原始数据序列的上下包络线,实现了准确的EM D分解,较好地解决了其边界问题.

影响HHT方法辨识低频振荡模式参数精度的技术分析与改进

针对影响HHT方法辨识精度的端点延拓、包络插值、模态混叠、阻尼损失等技术问题进行了详细分析,并且分别提出混合端点延拓法、B样条插值法、多分辨小波分析法、能量因子筛分控制法,提高低频振荡模式参数的辨识精度。最后通过仿真算例的测试分析,验证了提出的技术改进方法的可行性和有效性。

应用端部效应改善的LS+NN模型进行日长变化预报

现有ΔLOD(Delta Length-Of-Day,日长变化)预报模式在进行周期项与残差项拟合分离时,通常没有考虑LS(Least Squares,最小二乘)拟合序列的端部效应,预报精度难以取得较大提高。针对端部效应现象,首先采用时间序列分析模型在ΔLOD序列两端进行数据延拓,构成一个新序列,然后用新序列求得LS外推模型系数,再结合LS外推模型和NN(Neural Network,神经网络)对原始ΔLOD序列进行预测。算例表明,在ΔLOD序列两端增加延拓数据,能有效改善LS拟合序列的端部效应;端部效应改善的LS+NN模型的预报精度明显优于常规LS+NN模型,精度最大提高了17.86%。该方法不仅适用于LS+NN模型,也适用于LS外推模型与其他模型的组合。

基于ILMD和神经网络的电压扰动识别分类

为了识别电力系统存在的扰动信号,减少扰动信号对系统安全的影响,提出了一种改进局部均值分解法(Improved Local Mean Decomposition,简称ILMD)与BP神经网络相结合的电压扰动信号分类器对电压扰动进行识别分类。通过ILMD对电压扰动信号进行3层分解,得到包含电压原始信号频率、幅值的乘积分量(Product Function,简称PF),将PF分量构建的信号能量值作为BP神经网络的输入,实现对电压扰动信号的识别分类。通过对系统中4种典型电压扰动信号进行识别试验,结果表明,基于LMD和神经网络的电压信号分类器准确度高,并具有较高的工作效率。