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。

经验模态分解方法及其实现

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征。提出了经验模态分解方法中“筛”过程存在的端点问题、循环终止条件等重要问题的解决方案;并以经验模态分解方法为核心实现了非线性非稳定信号处理系统,在给出该系统如何处理外来信号流程图的同时,对系统界面的功能、生成方法和运算模块的功能、结构进行了详细地阐述。

经验模态分解方法中端点问题的处理

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征,但是在利用样条插值获得信号上、下包络过程中存在着棘手的端点问题。有文献提出利用线性神经网络对信号进行延拓的方法,来解决经验模态分解方法中存在的端点问题。提出利用BP和RBF网络对信号进行延拓的方法解决该问题;并利用实验对三种网络的延拓效果进行比较,证明了RBF神经网络的有效性。

基于经验模态分解方法和信息熵的水沙关系研究

为研究黄河中游水沙关系及其细部演化特征,利用黄河中游控制性水文站——潼关水文站1919—2015年实测径流量和输沙量资料作为研究数据,采用经验模态分解方法分析径流和泥沙随机变化的复杂性,并运用信息熵理论计算不同时间尺度上径流和泥沙分解序列及原始序列的熵值、径流与泥沙各分量与其原始序列之间的互信息、径流与泥沙之间的互信息。结果表明:潼关水文站径流量与输沙量变化具有显著下降的趋势;径流量和输沙量在一定程度上表现为某种同步变化关系;径流量与输沙量的长周期分量及趋势项互信息较大,因此水沙关系宜采用长周期研究,趋势项分量数据信息阐述原始序列数据信息比较可靠。

经验模态分解方法(EMD)在数据挖掘中的应用

股市数据无时无刻不在变化,然而带有明显的时序性。从直观上说,数据值的变化直接受到时间参数的影响,因此直接利用原始数据不仅简单明了,而且容易发现数据瞬时变化的特性。本文阐述了经验模态分解(EMD)方法的原理和思想,利用经验模态分解方法在提取数据时存在的优势,解决了在股票预测时由于数据量大不利于判断股票走势的问题。我们把经验模态方法和多层反馈神经网络FP算法相结合对现实中的股票数据进行相似模式匹配,简化股票趋势预测的复杂性,为股市的预测提供了一种简单有效的方法。

基于经验模态分解方法的高频薄壁铝焊管涡流探伤初探

通过分析对比几种常见的无损检测技术,提出用涡流探伤检测高频薄壁铝焊管焊缝质量的新方法,并针对输出的检测信号非线性、非平稳的特点,探讨了几种现代信号分析方法,并分析了它们的优缺点和经验模态分解(EMD)方法在检测涡流探伤信号上的应用优势,指出经验模态分解方法的应用前景。

基于经验模态分解方法的北京市东城区社区卫生服务机构门诊次均费用变化趋势研究

目的研究经验模态分解方法 (EMD)在社区卫生服务机构门诊次均费用变化趋势中的适用性,为分析门诊次均费用的增长规律及预测提供一定基础。方法选取2012—2016年《东城区社区卫生统计资料汇编》中的门诊收入及诊疗人次数,计算得出门诊次均费用的增长率,运用EMD对该时间序列,进行分解。结果通过EMD成功分解门诊次均费用增长率的时间序列得到4个本征模态函数(IMF)和1个残余函数(趋势项RES),且各个分量均不存在明显模态混叠和端点效应。结论 EMD适用于社区卫生服务机构门诊次均费用序列,分解结果有效,可为次均费用预测和增长规律研究提供理论基础,并达到控制其增长的最终目的。

基于折线包络的经验模态分解方法

1998年，Huang提出了处理非平稳信号的HHT方法（Hilbert-Huang Transform，简称HHT）。该方法包括两个步骤：①任意信号首先经过经验模态分解方法（Empirical Mode Decomposition,简称EMD）被分解为一系列固有模态函数（Intrinsic Mode Function，简称IMF）；②对每个IMF进行Hilbea谱分析（Hilbert Spectral Analysis，简称HSA），得到相应的Hilbert谱，最后将所有IMF的Hilbert谱相加得到原始信号的Hilbert谱。

利用经验模态分解的近地面植被指数时序数据重构研究

NDVI遥感产品可以较好地反映植被的生长情况,已被广泛应用于植被物候的遥感分析。本文利用PhenoCam物候相机观测网络林地站点的近地面多光谱数码相机照片,通过近红外和红光波段组合提取近似NDVI的时序数据,并在景观尺度上采用经验模态分解方法(EMD,Empirical Mode Decomposition)实现一定容差范围内NDVI时序数据的重构。结果表明:EMD方法能够有效地减少NDVI时序数据噪声干扰,经验证,趋势项残差的趋势较为明确。实验基于重构结果进行植被物候分析,得到的物候分布特征与植被实际生长反映的变化特征基本一致。

经验模态分解在数据流概要生成中的应用

由于流数据无限增长的特点,系统无法在内存中保存所有扫描过的流数据,因此数据流处理的关键是建立流数据的概要结构,以便随时能根据该结构提供数据流的近似处理结果,将重点讨论数据流的概要生成技术。先利用经验模态分解方法提取流数据的趋势,滤除数据中的噪声,再利用精确抽样方法实现概要的生成。利用提出的概要生成方法,内存中只需保存滑动窗口中多个段的概要信息。由于该方法中概要是基于趋势序列生成的,趋势序列较原序列平滑,序列中具有相同数值的元素增加,可以进一步节省存储空间。

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。

基于宽频带电流传感器的开关柜局部放电检测方法研究

开关柜局部放电信号的采集会受到噪声信号的影响,导致开关柜局部放电检测准确性较差,为此提出基于宽频带电流传感器的开关柜局部放电检测方法。该方法将宽频带电流传感器放置在开关柜的零序电流互感器处,采集宽频带电流,结合独立分量分析方法和经验模态分解方法,消除噪声信号对局部放电检测产生的影响,提取去噪后宽频带电流的集中度特征,将其输入更新后的高斯混合模型中,实现开关柜局部放电检测。实验结果表明:所提方法的电流检测误差在0.1 mA以内,错分率小于0.25%,放点检测耗时为23.5 s。证明了所提方法对开关柜局部放电检测的准确性及效率均较好,能够有效保障开关柜运行的安全稳定性。

基于整体经验模态分解的金融高频数据波动率估计研究

针对金融高频数据波动率的估计问题,借鉴小波变换思想,首次利用整体经验模态分解方法实现了高频数据波动率估计.首先,通过模拟数据验证了方法的可行性和有效性;其次,以日内高频数据为研究对象,并将分别利用经验模态分解和整体经验模态分解方法计算所得的波动率与已实现波动率进行了对比.结果表明,自适应分解方法可有效实现高频数据波动率估计,但整体经验模态分解要优于经验模态分解方法.该方法为高频数据波动率的非参数估计提供了新的解决途径,具有重要的推广与应用价值.

移动办公数据多层混沌序列加密方法仿真

为了提高移动办公数据的安全性,降低办公数据在传输和存储过程中被修改和窃取的风险,提出基于混沌序列的移动办公数据多层加密方法。结合独立分量分析方法和经验模态分解方法,对移动办公数据预处理,消除移动办公数据中存在的噪声;通过建立混沌序列并引入主成分分析方法,对混沌序列降维处理,在三维Arnold变换的基础上对移动办公数据展开置乱变化,完成移动办公数据的第一层加密。根据生成混沌Frank序列,对移动办公数据展开第二层加密处理,完成移动办公数据的多层加密。实验结果表明,所提方法的密文置乱性高,且生成密文所需时间低于130ms,加密效率高,提高了数据的安全性。

一种CEEMDAN的坐标时间序列降噪方法

针对全球卫星导航系统(GNSS)站坐标时间序列信号成分复杂、噪声难以分离的问题,提出一种基于自适应噪声完备经验模态分解方法(CEEMDAN)的降噪方法:通过CEEMDAN分解将信号分解为多个不同频率的信号;再以相关系数作为评判标准进行噪声与信号的分离。实验结果表明:与经典经验模态分解方法(EMD)降噪方法相比,CEEMDAN的降噪方法能够获得更精确的坐标时间序列,且不受噪声大小的影响,稳定性更高。

基于数据分解及因果推理的设备可靠性预测模型

为解决设备的可靠性数据受多种因素影响而同时具有线性特征和非线性特征的问题,提出1种集合经验模态分解法辅助的设备可靠性预测组合模型,该模型结合差分整合移动平均自回归模型和因果推理模型。首先,对原始数据采用集合经验模态分解法,得到固有模态函数分量和余项;其次,将模态函数分量输入差分整合移动平均自回归模型得到线性分量,进而将线性分量和原始数据作差,得到非线性分量;最后,基于该非线性分量,提出因果分析模型,实现对设备可靠性的有效预测。研究结果表明:与流行的可靠性预测模型相比,组合模型分别在平均绝对误差和均方根误差指标上降低0.015 9和0.026 5,进一步证明本文所提方法的正确性和有效性。研究结果可为工业生产中提升设备可靠性预测提供新思路。

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。

EEMD方法在转子碰摩故障诊断中的研究

转子系统发生局部碰摩故障时,故障特征呈现出复杂的高倍频或分数倍频成分。为了实现多频率碰摩故障特征的有效提取,将集合经验模态分解方法(ensemble empirical mode decomposition,EEMD)应用到转子局部碰摩故障诊断中。首先利用仿真碰摩信号,验证了EEMD时频分析方法在碰摩故障诊断的有效性,其次通过对转子系统水平方向碰摩、竖直方向碰摩、水平-竖直同时碰摩和正常4种不同振动状态的EEMD分解,计算基本模态分量(IMF)的振动强度,得出不同状态的振动强度趋势分布图。实验结果表明,EEMD方法能够从强噪声背景信号中提取出微弱碰摩特征,实现转子系统的碰摩故障诊断。

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 。

EMD方法基于AR模型预测的数据延拓与应用

把基于时间序列AR模型预测的数据延拓技术引入经验模态分解(EMD)时频分析领域,论述了基于AR模型的数据延拓技术原理,即先对原始数据进行AR建模,然后利用模型对该数据进行延拓。通过对非线性仿真信号基于AR模型的延拓研究表明,该延拓技术是有效的。把该延拓技术应用于转子横向裂纹的时频分析,能把横向裂纹转子的扭振所形成的相位调制现象检测出来,获得了良好的效果。