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。

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。

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。

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。

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。

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。

基于ST的EMD算法在FPGA上的设计与实现

经验模态分解算法(EMD)作为希尔伯特-黄变换的重要组成部分,其在大部分工程领域都起着重要的作用,但算法本身所需的大量的计算量使得其在软件上实现高速计算是比较困难的,并且传统的EMD算法中的三次样条插值(CSI)对硬件环境的实现并不友好。为此,提出用锯齿变换(ST)代替CSI在基于Artix-7 FPGA上进行设计与实现,并在仿真平台上进行测试。最后的结果表明,提出的设计可以有效地处理高频信号,并相对于传统的EMD算法,实现采样率从161 kHz提升到了25 MHz,计算1 000个样本的速度从0.001 5 s提升到了0.000 9 s。

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。

基于CEEMDAN算法的光伏功率信号光滑降噪

为解决光伏高输出功率低频分解及光滑降噪问题,通过引入曲线降噪权重因子,改进传统经验模态分解方法,提出一种光滑度与相似度更好的光伏输出功率自适应完备集合经验模态分解算法。为验证CEEMDAN算法的降噪优异特性,对典型光伏输出功率信号开展了模态分解仿真研究,仿真结果表明,相对于与传统EEMD算法,采用CEEMDAN算法时,当IMF为3、目标函数为最小时,相似度提升了3.26%,光滑度提升了85.6%,各项指标数据更加完备,降噪效果更好。

基于改进Hilbert-Huang变换算法的电气化铁路谐波检测

通过对电力机车负载电流进行仿真建模,得到电力机车在不同工况下的电流波形;使用改进的Hilbert-Huang变换算法对电流波形进行谐波检测;采用限制带宽经验模态分解算法对原始电流波形进行分解;通过引入屏蔽信号来控制本征模态函数的带宽,以有效抑制模态混叠.结果表明,所提出的改进Hilbert-Huang变换算法能够有效检测电气化铁路负载电流中各次谐波随时间变化的特征.

基于EMD的锅炉燃烧系统自适应动态 模型优化研究

锅炉燃烧系统的建模是实现锅炉节能减排的基础,为实现燃煤锅炉节能减排,针对现有建模方法多步预测精度不足问题,采用经验模态分解算法把复杂的输出信号转化为多个具有周期性规律或趋势相对平稳的模态信号,降低数据复杂度,基于K近邻联合互信息法得出迟延时间,提出基于动态时间规整距离进行在线更新的最小二乘支持向量机算法,并进行锅炉燃烧系统的建模,基于锅炉实际运行数据的仿真结果表明,该方法可以有效提高模型的自适应能力和多步预测精度,为后续实现闭环燃烧优化控制打下了良好基础。

基于EMD算法的光栅莫尔条纹信号去噪方法研究

针对计量光栅莫尔条纹信号的质量问题，提出了基于经验模态分解（EMD）算法对非平稳光栅莫尔条纹信号模型的去噪方法。建立非平稳的光栅时变信号模型，利用EMD算法不需要定义滤波器参数的自适应性优点，对添加不同噪声的多组光栅信号模型进行了滤波分析的仿真实验，其信噪比和均方根误差两项指标优于均值滤波、小波阈值去噪方法。对两路正余弦理想信号添加高次谐波分量，通过对比EMD算法抑制高次谐波前后的李萨如图形，验证了该方法在去噪过程中对光栅莫尔条纹信号正弦性误差补偿的良好效果。