经验模式分解(EMD)及其应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应非线性时变信号分解方法,可以把数据分解成具有物理意义的少数几个模式函数分量.本文总结归纳了一维EMD、二维EMD方面的主要工作,比较了不同方法存在的优点与不足,指出了EMD研究存在的难题和瓶颈,并给出了EMD研究与应用的发展趋势.

基于均值滤波矩阵组的二维信号快速经验模式分解方法

根据矩阵变换理论,提出了一种基于滤波矩阵组的局部均值求取方法.该方法构造了均值滤波矩阵组,只需在待处理矩阵左右各乘一个均值滤波阵,即可得到待处理阵的加权均值,简化了包络均值求解过程.在上述局部均值滤波理论的基础上,提出了二维信号的快速经验模式分解算法.实验证明,算法运算时间比传统经验模式分解方法提高了两到三个数量级.

基于经验模式分解处理局部放电数据的自适应直接阈值算法

根据局部放电信号的特征,将经验模式分解(EMD)应用于局部放电信号分析中,提出了处理局部放电数据的自适应直接阈值(ADT)算法。首先,将基于EMD的时空滤波方法应用于局部放电数据的预处理中。与传统滤波方法相比,该方法无需预定义滤波器系数,而且能够充分保留原始信号本身所固有的非平稳特征。其次,为了最大限度的抑制噪声干扰,进而提出了ADT算法。该方法不存在小波方法中的小波基选取问题,以多分辨率的EMD为基础,结合3σ准则自适应地确定分解尺度和阈值,是一种完全的数据驱动型方法,具有较好的自适应能力和综合处理性能。仿真数据和试验数据的处理结果表明了该方法的有效性。

图像处理中二维经验模式分解(EMD)算法分析与改进

在二维EMD的应用处于初步阶段的基础上,根据二维经验模式分解(EMD)方法在图像处理中的应用,对二维EMD算法及其改进进行了分析和探讨。

基于有效数据的经验模态分解快速算法研究

在介绍了经验模态分解(简称EMD)方法的理论和算法基础上,为了提高EMD算法的速度,提出了基于有效数据的EMD快速算法,即通过EMD分解中止的计算区域限定于有效数据段来实现算法的提速。通过对非线性信号的实验研究表明,基于有效数据的EMD快速算法不但能显著提高算法的速度,而且还可以提高算法的精度。该研究成果能广泛地用于信号时频分析领域。

基于经验模式分解的心电特征提取算法

本研究应用基于经验模式分解的心电特征提取方法,利用第一本征模函数(intrinsic mode function,IMF)分量对QRS波进行定位,并通过减少分解层数、筛选次数、处理区域等策略实现了快速算法。利用MIT-BIT心律失常数据库的数据进行算法测试,取得较高的检测率,检测速度也有明显提高。实验结果表明,经验模式分解算法在QRS波定位中具有相当的优越性,临床应用中取得了良好的检测效果。

二维经验模式分解算法的改进研究

提出了一种改进的二维经验模式分解算法。经验模式分解的核心是固有模式函数,可以应用在非线性系统分析中。应用数学形态学算法来寻找极值,并且采用Delaunay三角插值算法对极值点进行拟合,得到上下包络面,计算出上下包络面的平均值,进而计算出一系列固有模式函数和残差分量。实验结果表明,这2种方法的结合使用极大地降低了算法的时间复杂度,提高了运算效率。

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。

基于二维经验模式分解的图像水印嵌入算法

提出一种基于二维经验模式分解(BEMD)的图像水印嵌入算法,完成水印的嵌入和提取。对水印进行置乱并对原图像进行分块处理,再对置乱后的水印和分块后的原图像分别做BEMD分解,获得其相应若干固有模态函数(IMF),将水印的IMF分别嵌入分块后的原图像中,完成水印的嵌入。实验证明,该方法较以往的方法在水印的嵌入量上有了提高且鲁棒性较好,同时具有不可见性和较高的安全性。

基于噪声辅助快速多维经验模式分解的运动想象脑电信号分类方法

脑机接口是一项新兴的技术,它可以处理分析采集到的运动想象脑电信号,从而实现对外部辅助设备的控制。针对目前运动想象脑电信号处理方法计算效率低、分类准确率不高等问题,提出了一种新的基于噪声辅助快速多维经验模式分解(NA-FMEMD)的运动想象脑电信号分类方法。该方法首先利用NA-FMEMD得到全部的多维本征模式函数和趋势项;接着,根据平均频率选取特定的信号层,构建出新的多维信号;然后,通过共空间模式提取出脑电信号的特征向量;最后,将特征向量输入支持向量机分类器中进行分类。分别采用仿真数据和BCI Competition IV数据进行测试,并与基于噪声辅助多维经验模式分解(NA-MEMD)的方法进行比较,验证了所提方法的有效性和优势。

经验模式分解改进算法的比较

文章针对经验模式分解中的关键问题,运用3种不同的方法进行改良分析,比较其优劣。证实改进算法在特定的方面有其优越性。

经验模式分解(EMD)在形变数据分析中的应用

台站形变仪器观测到的地震动信号(下称形变数据)一般情况下是一条各种因素影响下的非线性非平稳的复杂曲线。选取海拉尔台形变数据,通过经验分析识别出有分析价值的形变数据,运用MATLAB对其进行经验模式分解(EMD),EMD分解得到的各分量从高频逐一向低频呈现,依次进行平稳化处理后,成功分解出不同频率的固有模态函数(IMF),与残余函数R,每一个IMF分量都代表形变数据的固有特征,残余函数R代表形变数据的趋势项,形变数据得以被重构提取,通过提取特定分量,更加直观、高效提取形变数据中所需信息,提高形变数据分析效率。

基于经验模式分解的滤波去噪法及其在GPS多路径效应中的应用

经验模式分解(Empirical Mode Decomposition,EMD)是一种新的信号处理技术,它是基于数据本身的,且能在空间域中将信号进行分解,从而可以区分噪声和有用信号。根据EMD分解白噪声而得到的本征模式函数(IMF)分量的能量密度与其平均周期的乘积为一常量这一特性,建立一种新的基于EMD滤波去噪方法,并将该方法应用于GPS多路径效应的研究中。通过对模拟数据与GPS实测数据的处理分析,得出以下主要结论:①EMD滤波去噪法与小波方法都能最大限度地削弱测量的随机误差,但EMD滤波去噪法比小波方法更直接,且不受测不准原理及小波函数选择的影响;②相比小波方法,EMD能够更有效地剔除瞬时强噪声,从而能够提取更精确的多路径效应重复性误差改正模型。

基于经验模式分解的聚类树方法及其在同调机组分群中的应用

提出了一种基于经验模式分解(empirical mode decomposition,EMD)的聚类树分群方法。在系统聚类分析的基础上,提出了基于权重距离的综合聚类指标,以各机功角轨迹之间距离最小为准则,实现了多机系统同调机组的合理分群。为解决电力系统受扰后动态行为非平稳、非线性的问题,文中采用EMD方法对原始数据进行预处理。EPRI-36节点系统计算结果表明,在不太严重的扰动下和允许的误差范围内,各种扰动下均可得到基本一致的聚类分群结果,从而佐证了该方法的有效性。

基于限邻域经验模式分解的多波段图像融合

根据不同波段图像信息互补性,提出基于限邻域经验模式分解(NLEMD)的多波段图像融合新算法.将待融合图像进行NLEMD分解,利用其自适应特性及高频细节信息的强获取能力,对不同图像的内蕴模式函数分量和剩余量中的像素按照局部最优原则进行选取,将融合后的内蕴模式函数分量和剩余量反向重构获取融合图像.实验证明该算法具有更强的细节获取能力,融合效果优于传统的基于小波分解的融合算法.

基于总体经验模式分解的地震信号随机噪声消除

地震资料去噪是地震数据处理非常重要的步骤,现代地震勘探对地震资料信噪比的要求越来越高.总体经验模式分解(ensemble empirical mode decomposition,简写为EEMD)是一种新的时域信号处理方法 ,它是对经验模式分解(empirical mode decomposition,简写为EMD)的一种改进.EEMD将目标信号经验地分解为几个被称为本征模态函数(intrinsic mode function,简写为IMF)的子信号,它是一个自适应的带通滤波器组.本文介绍了EMD和EEMD分解的基本原理,提出了一种基于EEMD分解的地震信号随机噪声消除的方法 .本文利用含噪信号EEMD分解后其有效信号和随机噪声在IMF中差异分布的特点,给出一种地震信号随机噪声消除的新方法 .

基于经验模式分解的汉字字体识别方法

提出了一种基于经验模式分解(empiricalmodedecomposition,简称EMD)的汉字字体识别方法.通过对大量汉字字体的研究比较,选取了能反映汉字字体基本特征的8种基本笔画.以这8种汉字笔画为模板,在汉字文档图像块中随机地抽取笔画信息,形成笔画特征序列.通过对笔画特征序列作EMD分解,提取每个笔画特征序列的高频能量,并结合汉字文档图像块的平均灰度,形成字体识别的一个9维特征.

基于集合经验模式分解和遗传-高斯过程回归的短期风速概率预测

短期风速概率预测对实现大规模风电并网具有重要意义。当前风速预测方法大多为点预测,无法描述风能的随机性。提出了一种基于集合经验模式分解(EEMD)和遗传-高斯过程回归(GAGPR)的组合概率预测方法,首先对筛选和归一化后的风速时间序列进行集合经验模式分解,然后对各分量分别建立高斯过程回归模型,并引入遗传算法代替共轭梯度法,改进协方差函数的超参数寻优过程。最后叠加子序列预测结果得到风速概率预测结果,并与分位点回归法进行比较。仿真结果表明,该方法能够有效提高概率预测准确度,并为类似工程提供借鉴。

强噪声背景下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法。该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解。在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率。

独立分量分析方法在经验模式分解中的应用

若信号间的能量和频率比例过大,经验模式分解不能分解出正确的单一模式分量。针对这种状况提出一种经验模式分解与独立分量相结合的信号分析方法。该方法能分离出IMF分量的固有特性,消除EMD分解过后各IMF之间信息混淆问题,恢复各个单分量所丢失的信息特性,改善了经验模式分解能力不足所带来局限性,保障经验模式分解的有效性。通过仿真信号和实际工程信号研究,验证了该方法的可行性。表明该方法对信号分解和故障诊断具有很好的前景。