经典模态分解方法中内禀模态函数判据问题研究

针对经典模态分解方法的内禀模态函数判据问题 ,根据内禀模态函数完备且正交的特点 ,提出了在内禀模态函数“筛选”过程中采用能量差跟踪法来确定内禀模态函数分量。通过仿真和实际信号的分析 ,验证了采用这种方法确定的内禀模态函数分量满足正交性要求 ,表现了信号内含的真实物理信息 。

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。

一种消除EMD中模态混叠的经验方法

经验模态分析（EMD）方法与基于傅里叶变换的信号分解方法有着本质的不同，由于其分解基函数不是预先确定，而是在分解过程中由信号本身特性决定，因此EMD方法具有很好的自适应性。尽管有着其独特的优越性，但是EMD方法缺乏严谨的数学证明，没有明确的数学表达式，存任着如模态混叠、端点飞翼等问题。

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD(empiricalmode decomposition)和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。

采用EMD方法消除瞬态散射回波中的高斯白噪声干扰

本文分析了用经验模态分解 (EmpiricalModeDecomposition,EMD)方法处理非平稳噪声信号的基本原理 ,并利用EMD方法有效地消除了高斯白噪声对瞬态散射回波的干扰 .文中以一人工合成瞬态回波为例 。

应用自回归模型处理EMD方法中的边界问题

提出了一个“边筛分,边延拓”的边界处理方法,利用自回归(AR)模型对一个给定信号的两端进行延拓,较好地处理了经验模态分解(EMD)方法中的信号边界问题,实现了准确的EMD分解.

局部经验模态分解算法

对经验模态分解算法中的异常事件干扰机制做了深入的探讨,指出发生频率混叠现象时必须满足的两个条件。为了避免出现频率混叠现象,提出了基于动态窗口的局部分解算法。利用信号的时间特征尺度检测出信号的突变并定位局部高频分量,在分解信号的过程中,局部分解算法并不对信号的整个时间区域进行分解,而是以定位好的局部高频分量位置为窗口,进行局部的经验模态分解,分离出高频分量。通过这种局部分解,就可以有效地消除模态间的频率混叠,得到的固有模态函数更可靠地反映了真实物理过程。和现有异常事件处理方法相比,局部经验模态分解算法在理论上和经验模态分解算法更为统一,方法更为简便。通过实例表明了局部经验模态分解算法的有效性。

异常事件对EMD方法的影响及其解决方法研究

作者指出异常事件在数据中形成局部的高频信号 ,运用经验模态分解 (EMD)方法分析这种存在异常事件干扰的数据 ,就会产生本征模函数 (IMF)的频率混叠现象 ,而造成物理过程的重叠 ,使得难以用时间过程曲线表现特定的物理过程。这一问题是 EMD方法中尚未妥善解决的问题。为解决这一问题 ,作者利用干扰信号极值及其两边的极大与极小值位置与原始数据有明显对应关系的特征 ,将相关 IMF中的异常信息直接滤除 ,再用 Spline插值方法弥补滤除时段的数据 ,得到重新拟合的该 IMF数据。采用这种方法可以提取出异常信号 ,提取的精度与异常信号的时段长度有关。而且 ,拟合结果消除了异常干扰 ,可以将该 IMF与其余 IMF一起叠加成没有异常干扰的数据。将滤除了异常干扰的数据再次进行 EMD分解 ,可以得到新的 IMF系列 ,而它与不加校正的分解结果有相当大的差别 ,可靠地反映了真实物理过程。结果表明 ,只有在有效滤除异常干扰的情况下才能获得可靠的 IMF系列 ,并准确地描述各种尺度的现象 ;消除了异常干扰的 IMF可以任意单独或组合使用 ,表现各种时间尺度的变化与过程 ;所讨论的方法只适合异常时段较小的情形。

基于EMD方法的观测数据信息提取与预测研究

用统计方法作月、季尺度的短期气候乃至年际尺度的长期气候预测是当前气候预测业务的主要依据,在短时间内这种情况仍然不可能彻底改变。虽然数值预报模式的预测能力达到了7 d的时效,不过要积分到月、季尺度并实现短期气候预测还面临着重重困难。其根本原因是气候系统的混沌分量和非线性/非平稳性等因素在起作用。而现有气候预测的统计方法(主要包括经验统计、数理统计和物理统计等方法)的数学基础却忽略了这些特点,这是因为以现有的科学水平人们不得不假设时间序列是线性和平稳的。实际气候观测序列普遍具有层次性、非线性和非平稳性,这给建立预测方法带来了极大困难。文中构建了一个新的预测模型,即首先利用经验模态分解(em-pirical mode decomposition,EMD)方法将气候序列作平稳化处理,得到一系列平稳分量-本征模函数(intrinsic modefunction,IMF);其次,利用均生函数(mean generate function,MGF)模型获得各分量的初次预测值;最后,在最优子集回归(optimal subset regression,OSR)模型的基础上,通过直接或逐步拟合一部分预测值,构建两种预测方案达到提高预测能力的目的。典型气候序列的预测试验结果表明,具有平稳化的IMF分量,尤其是特征IMF分量有较高的可预测性,它对原序列趋势的预测有重要指示意义。大力开展气候系统机理和气候层次的研究,并建立相应的气候模式是未来发展趋势。该文是这方面的一个初步尝试,相信该模型能为气候预测(评估)开辟一条新的有效途径。

基于CEEMD的地震数据小波阈值去噪方法研究

考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对互补集合经验模态分解(CEEMD)舍弃高频分量的去噪方法和小波阈值去噪方法存在的不足,提出了基于CEEMD的地震数据小波阈值去噪方法。CEEMD是EMD(经验模态分解)的改进型算法,它既保留了EMD处理非平稳信号的优势,又能有效地克服EMD的模态混叠问题;但是,单纯的CEEMD分解去噪会在去除高频噪声的同时压制高频的有效信息。将CEEMD分解与小波阈值去噪相结合,对CEEMD去噪要舍弃的含噪声较多的高频固有模态函数(IMF)分量进行小波阈值去噪,以保留这些分量中的有效信息。模型数据和实际地震资料的测试结果表明,无论对于低噪声还是强噪声地震数据,基于CEEMD的小波阈值去噪方法的去噪效果都优于单纯的CEEMD去噪方法和小波阈值去噪方法。

基于FBG和EMD的悬挂式永磁磁浮轨道厢梁应力检测技术研究

提出一种基于经验模态分解方法(EMD)的悬挂式永磁磁浮轨道厢梁光纤布拉格光栅(FBG)应力检测技术,用于检测过车时轨道厢梁应力,检测应力是否在安全范围内,保证行车安全性和平稳性。考虑到强磁场以及电磁干扰影响,采用轨上无电的FBG光栅传感应力检测方案,在上/下导向轮行径位置处分别布置一个测试点。FBG测试点受低频挠曲应力和高频导向轮应力双重作用,采用EMD方法分离两种应力,实验结果表明过车应力测试结果符合预期,可以有效确保轨道厢梁健康以及车辆的行驶安全。

EMD及其在生物医学信号处理中的应用研究

介绍了一种适用于生物医学信号处理与分析的方法——经验模态分解(EMD),结合Hilbert变换对心电(ECG)信号及心跳间期(RRI)信号进行了分析,并重点与小波变换方法进行了比较。

EMD和AR模型在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征 ,提出了一种基于经验模态分解 (EmpiricalModeDecom position ,简称EMD)和自回归 (AutoRegressing ,简称AR)模型的滚动轴承故障诊断方法。实验结果表明 ,此方法可以准确、有效地识别变速器轴承的工作状态和故障类别。

基于EMD和IDAR的灌区年降水量预测研究

针对降水量这样一种非线性、非平稳序列,研究经验模态分解方法(EMD)和信息扩散近似推理方法(IDAR)在年降水量预测中的组合应用,解决资料序列不充分情况下的区域降水量预测问题。首先,通过EMD方法对具有典型非线性与非平稳特征的年降水量时间序列进行处理,分解出包含原信号不同特征尺度的分量数据系列;然后应用信息扩散近似推理技术对各降水量分量间的复杂非线性关系进行描述,建立当前趋势以及相邻年份之间的预测规则,并进行预测。以文献案例灌区长系列降水资料为样本进行实例计算,并与其它预测方法进行了对比。结果表明:基于EMD和信息扩散近似推理的预测方法效果较好,误差绝对值和为1.30,优于人工神经网络、线性自回归方法以及单纯信息扩散近似推理的统计结果。同时,为了验证该方法的适用性,将该方法应用于文峪河灌区的降雨量预测,取得了满意的效果。研究中发现:信息扩散近似推理可将样本点转换成模糊集,部分弥补了由于数据的不完备性所造成的信息空白,并可将矛盾模式转换成兼容模式。而EMD方法可有效分解具有非线性、非平稳特征的降水序列,保留其原序列在空间(或时间)各种尺度上的分布规律。两者结合对解决样本不完备的非平稳序列的预测问题是非常有价值的。通过与其它预测方法比较,发现该模型能够很好地光滑样本数据以及能够较好地发掘知识,有较高的预测精度和推广应用价值。

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统—基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号,然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。

水轮机调节系统参数辨识中试验数据的预处理方法

水轮机调节系统参数辨识现场试验的原始数据往往包含各种干扰信号。为提高辨识的准确性,在应用辨识算法前,需进行数据预处理。为此,探讨对辨识试验数据的预处理的方法,包括信号重采样、去除稳态值、去除趋势和噪声滤波等,并着重分析和给出了采用经验模态分解方法(EMD)对信号进行滤波和去噪的原理和效果。

基于EMD的语音功率谱分析

提出了一种基于EMD的功率谱分析法,即先用经验模态分解方法(EMD)将语音信号分解成若干个固有模态函数IMF分量,而后对包含主要信息的IMF分量利用现代参数模型法估计出它们各自的功率谱。文中对不同情感状态下语音数据的分析结果表明,EMD方法能有效地应用于非平稳语音信号的功率谱分析中,可更细致的体现语音信号内在特征。

基于自忆性原理和EMD的中国清洁能源需求组合预测

以中国历年能源消费量为基础,分别建立灰色自忆性预测模型和数据机理自忆性预测模型;利用经验模态分解方法分析中国能源消费增长率在经济、人口、城市化下的变化情况,并建立基于经验模态分解的BP神经网络预测模型;通过遗传算法构建能源需求总量组合预测模型,求得中国清洁能源需求总量.研究结果表明:组合预测能够充分利用多个模型的丰富信息,提高预测的准确性;2020年中国清洁能源需求量将达到5.02×108～8.26×108 tce,应优先开发清洁能源.

EMD方法及Hilbert变换中边界问题的处理

利用神经网络分析方法对一个给定信号的两端进行延拓, 在数据的两端各得到两个附加的极大值点和两个附加的极小值点. 由此利用三次样条函数得到原始信号的上下包络线和平均包络线, 实现了准确的EMD分解. 同样利用神经网络分析方法将每一个IMF分量的两端进行延拓, 有效地抑制了端点效应, 得到了Hilbert谱.