基于辅助信号经验模式分解的海上视频图像去雾技术

海面及天空区域的视频图像局部或全局极值点匮乏,传统的二维经验模式分解(BEMD)失效。本文分析了BEMD的频率特性,给出了高频辅助信号的构造方法,将高频辅助信号加入原视频图像信号,分解得到的内蕴模式分量(IMC)减去IMC的辅助信号,得到原信号的最接近辅助信号的频率分量。以此类推,分解可得到原信号的不同频率分量。这种基于辅助信号的经验模式分解(ASBEMD),解决了局部或全局极值点匮乏的海上视频图像的分解问题,并应用于海上降质图像的增强处理,取得了与目前公认去雾效果较好的HE算法一致的结果。

联合经验模式分解和混沌理论的稳态视觉诱发电位脑电识别

针对多目标稳态视觉诱发电位(SSVEP)信号识别准确率低、线性识别方法抑制噪声的同时也会抑制信号本身特征等问题,基于经验模式分解对信号的降噪特性、达芬混沌系统对微弱周期信号的敏感性及噪声的免疫特性,提出了一种非线性多目标SSVEP信号识别算法。首先,采用共平均参考算法将多通道SSVEP信号融合成单通道信号,通过傅里叶变换求得SSVEP信号的相位谱,为达芬混沌系统周期策动力添加相位;接着,采用经验模式分解降噪,将获得的第一个本征模函数输入到达芬混沌系统中,利用基于频谱差异的混沌系统状态判别方法,求解各目标的刺激频率幅值;最后,根据最大刺激频率幅值确定刺激目标,实现了对多目标SSVEP信号的识别。研究结果表明:相较于典型相关分析法,所提非线性信号处理方法的平均识别准确率提高了7.3%,平均信息传输速率提高了3.84bit/min。该研究为探究非线性SSVEP信号解码算法提供了新方向。

基于经验模式分解的通信信号异常漂移检测

由于混合数字通信信号包含多个信道,且每个信道的特征不同,数据量相对较大,受到多种干扰的影响,信噪比较低,导致其异常漂移检测精度低。为此,提出多信道混合数字通信信号异常漂移检测方法。采用多线性主成分分析方法对通信信号展开降维处理;利用经验模式分解方法对降维后的通信信号分解,通过IMF能量确定异常漂移分量所处位置,实现通信信号异常漂移检测;建立RBF神经网络非线性滤波器,将信号漂移分量输入滤波器中,完成多信道混合数字通信信号的漂移校正。仿真结果表明,所提方法的信号降维效果好,信号异常漂移检测平均绝对误差较低,数字通信信号异常漂移校正质量高。

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。

基于经验模式分解的单通道机械信号盲分离

盲源分离是机械设备复合故障诊断的一种有效方法,经验模式分解是非平稳信号分析的有力工具,它将非线性、非平稳信号分解成为一系列线性、平稳的本征模函数信号。在机械故障信号盲分离中,单通道机械信号盲分离是一个病态问题。针对单通道机械信号盲分离的困境,综合盲源分离和经验模式分解各自的优点,提出基于经验模式分解的单通道机械信号源数估计和盲源分离方法。针对单通道机械观测信号进行经验模式分解,并将单通道信号和其本征模函数组成多维信号,利用奇异值分解估计机械源数目,根据源信号数目重组多通道机械混合信号,并利用FastICA算法实现机械信号的盲分离。将该方法应用于轴承和齿轮的仿真研究,正确分离出轴承和齿轮源信号,仿真研究表明,它能很好地解决单通道机械信号的源数估计和盲源分离难题。

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 .

激光雷达信号的可变间隔阈值经验模式分解去噪法

针对采用经验模式分解直接阈值(EMD-DT)和经验模式分解间隔阈值(EMD-IT)在激光雷达回波信号的去噪应用中会产生的模态混叠现象,采用一种可变间隔阈值的经验模式分解(EMD-SIT)的去噪方法。首先,对信号进行经验模式分解。然后,采用过零率方法将分解出的含有噪声的固有模态函数分离。最后,应用过零点阈值,设立一个新的可变阈值,将EMD-IT和EMD-DT有效融合对信号进行去噪。通过与多种阈值的仿真对比以及激光雷达的回波信号去噪实验,结果表明该方法可以有效地去除噪声,抑制模态混叠,较EMD-IT和EMD-DT更具有优越性,因此有着很好的应用前景。

摩擦振动信号的经验模式分解和多重分形研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的定量表征,在摩擦磨损试验机上进行了船用柴油机缸套—活塞环摩擦副摩擦磨损模拟试验,应用经验模式分解(Empirical Mode Decomposition,EMD)对非线性、非平稳的摩擦振动信号进行分解,获得若干个本征模式分量(Intrinsic Mode Function,IMF)。根据振幅范围和互相关系数,从EMD的所有IMF中选择反映摩擦振动特征的IMF分量重新合成摩擦振动特征信号,利用改进的多重分形算法对摩擦振动特征信号进行多重分形分析,得到摩擦振动信号的多重分形谱,进一步求取摩擦振动信号多重分形谱的宽度、极大值、维差以及非对称指数。研究结果表明,经验模式分解能够实现微弱摩擦振动特征信号的提取,多重分形谱参数可以作为摩擦振动信号的特征值。

应用经验模式分解法处理超声无损检测信号

超声无损检测一直是无损检测领域研究的热点,由于材料内部组织结构的复杂性,超声回波信号中往往存在着大量的噪声干扰。引入一种新的处理非线性、非平稳信号的经验模式分解法(EMD)来处理超声检测信号。该方法把检测信号分解若干个内在模式分量(IMF),突出了信号的局部特征。结果表明,EMD方法能有效抑制干扰,对于360mm深的缺陷试样,缺陷定位精度达1mm。

基于经验模式分解的旋转机械振动信号降噪处理

分析了经验模式分解的滤波性能;针对旋转机械振动信号信噪比低及非平稳特性,应用经验模式分解对振动信号进行降噪处理,突出了有用振动信号,为旋转机械在线监测和故障诊断提供了有效的依据;仿真实验及真实数据分析表明,经验模式分解在振动信号降噪处理中是有效的,为振动信号分析提供了新的方法。

基于经验模式分解和最小二乘支持向量机的胎儿心电信号提取

针对心电信号的非平稳特性,将非平稳信号处理方法与非线性估计方法相结合,提出一种从母体腹壁混合信号中提取胎儿心电信号的新方法。采用经验模式分解(EMD)方法将非平稳的母体心电信号分解为有限个本征模函数(IMF)和一个残差信号;母体腹壁混合信号中的母体心电成分为母体心电信号的非线性变换,采用最小二乘支持向量机(LSSVM)拟合这一非线性变换;将EMD分解所得的本征模函数和残差信号经由所拟合的非线性变换得到母体腹壁混合信号中母体心电成分的最优估计,从母体腹壁混合信号中减去该最优估计得到胎儿心电信号。引入基于特征值分析和基于互相关系数计算信噪比的方法,评估胎儿心电信号提取方法的性能。实验结果表明,在胎儿心电信号和母体心电信号QRS波分离或者重叠的情况下,通过提出的方法均可得到清晰的胎儿心电信号,且信噪比相对于传统方法有明显提高。实验结果验证了该方法的有效性。

经验模式分解与小波变换在模拟信号中的对比分析

经验模式分解和小波分解是当前有效处理非平稳信号的两种时频分析方法,它们各具优缺点,适用于不同的领域。模拟信号突变性检测、趋势检测和频率检测的对比实验表明:在突变检测方面,小波分解优于经验模式分解;但经验模式分解在低频信号检测及趋势检测方面优于小波分解。

时序多相关-经验模式分解方法及其对车辆振动信号的分析

振动信号的特征提取由于受强背景噪声的干扰往往具有很大的困难。在作者提出的时序多相关-经验模式分解方法的基础上,提出了一种相应的改进方法,将其扩展到一般振动信号的特征提取。先对采集到的时间序列作多相关处理,在时序多相关处理时,为了达到克服噪声干扰的目的,取一段采样序列,对其作周期延拓,使得在多相关处理后,噪声仅仅体现在多相关序列的常数项里面。再对得到的多相关数据作经验模式分解,选择满足要求的本征模式函数并作边际谱分析,以达到提取强噪声背景下的特征信号的目的。仿真分析表明了该方法的有效性。最后将它应用到实际某特种车辆振动信号的特征提取中,得到了满意的结果。

经验模式分解在循环平稳故障信号分析中的应用

对循环二阶统计量进行了分析,研究了交叉项产生的原因;结合旋转机械故障信号的循环平稳特性,将经验模式分解方法应用于旋转机械振动信号分析中,解决了应用循环平稳方法进行信号分析中出现的交叉项干扰问题.通过理论推导、仿真实验、真实数据验证,以及和原有方法进行比较,表明经验模式分解联合循环平稳分析方法能够有效地识别故障特征,并避免干扰项.极大地推进了循环平稳方法在旋转机械故障诊断中的应用.

基于经验模式分解的电晕放电辐射信号阈值降噪处理方法

随着输电电压等级的提高,电晕放电已成为影响高压、特高压输电线路安全稳定运行的重要因素。鉴于此,提出了基于经验模式分解(empirical mode decomposition,EMD)的电晕放电辐射信号阈值降噪处理方法,首先利用EMD算法对采集到的电晕放电辐射信号做分解处理,得到不同的基本模态分量,然后利用阈值函数和给定阈值对各分量做降噪处理,并对处理后的分量重构,得到降噪后的信号。研究结果表明:与小波降噪和EMD时空降噪相比,基于EMD的阈值降噪方法不存在基函数选取和分解层数选取等问题,其降噪过程是完全由信号特征决定的自适应降噪,同时该方法保留了小波降噪中对各分量进行阈值处理来降噪的优点,并且在对信号的降噪过程中去除了可能存在于信号中的趋势项干扰,因而该方法更有利于对电晕放电辐射信号的降噪处理。

经验模式分解及关联维数在心音信号分类识别中的应用

针对心音信号非线性、非平稳的特性，提出一种基于经验模式分解（EMD）和关联维数的心音特征提取方法。首先通过EMD方法将心音信号分解成若干个固有模态函数（IMF），并利用互相关系数准则对IMF进行筛选，结合G-P算法对主IMF（IMFIIMF4）分量分别求其关联维数，以此作为神经网络的输入向量，实现了对正常心音信号和病理心音信号的分类识别．对于重构相空间中的两个重要参数时间延迟谛关联维数m，分别采用互信息函数法和用Cao算法确定．对临床采集的心音数据按该方法进行测试，结果表明，该方法能有效地识别心音．

基于小波变换和经验模式分解的心音信号研究

针对经验模式分解(EMD)中的端点效应问题,本研究提出先用小波去除噪声干扰,再用EMD方法提取心音信号的特征。对于EMD的端点延拓,采用一种新的自适应波形匹配端点延拓方法。通过小波去噪,克服了直接运用EMD分解时无用频率分量带来的干扰,有效地减少EMD的分解层数,自适应波形匹配延拓方法充分考虑了心音信号的内在规律与端点处的变化趋势,较之传统的延拓方法更加合理。用所提出的方法对心音信号进行EMD分解,并用双阈值法对分解后的信号进行第一心音(S1)第二心音(S2)的定位分析,通过对40例心音信号定位分析,S1和S2的检出率分别达到97.05%和97.12%。表明该分析方法能够有效地抑制端点效应,提高EMD分解的准确性和时效性,为后续心音的分析提供准确的参考信息。

经验模式分解与代价敏感支持向量机在癫痫脑电信号分类中的应用

提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此脑电信号的提取是个难题。为此本研究提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优。在对癫痫患者脑电信号研究的实验中,分类准确率均达到90%以上,验证了本方法的可行性。

基于经验模式分解和独立分量分析的单导少次EP信号提取

EP信号的单导少次提取一直是生物医学信号处理领域倍受关注的问题。本研究利用经验模式分解(EMD),把单导脑电信号(EP+EEG)分解成多个基本模式分量(IMF)之和,进而选取合适的基本模式分量或者它们的组合,构成1导或多导参考信号,再利用独立分量分析(ICA)成功提取出了期望的EP信号,从而克服了ICA需要多导观测信号的要求。仿真实验证明了本方法的有效性。

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.