改善经验模态分解端点问题的方法

由于采集到的地震资料包含各种各样的噪声,导致地震资料信噪比较低,给之后的解释工作带来较大困难。为了更准确地了解地下地质信息,需要提高地震资料的信噪比。针对地震资料中的随机噪声,采用镜像对称延拓法、边界局部特征尺度延拓法以及多项式拟合法3种方法,在60 Hz的正弦信号与白噪声的合成信号中找到极值点,再计算均值,得到本征模态函数后并重构地震信号,有效压制了地震噪声。研究结果表明,使用镜像对称延拓法、边界局部特征尺度延拓法以及多项式拟合法均可以消除地震信号的端点效应并有效压制混叠现象,使用多项式拟合法分解得到的相似系数最大,而边界局部特征尺度延拓法得到的相似系数最小,平均相对误差最小;边界局部特征尺度延拓法运算速度最快,多项式拟合法则耗时较长。镜像对称延拓法和边界局部特征尺度延拓法,不仅有效地抑制了传统经验模态分解中存在的端点效应,而且增加了经验模态分解得到的本征模态函数的正交性,提高了经验模态分解精度。

基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。

基于SVR的经验模态分解端点延拓改进方法

针对经验模态分解过程中产生的端点效应问题,提出了将镜像延拓和支持向量回归机相结合的端点延拓改进方法。利用支持向量回归机对原始信号的极值点数据序列两端进行预测,用镜像延拓法确定所预测极值点的位置。该改进方法解决了支持向量回归机对长数据序列预测不准确,以及镜像延拓法对端点不是极值点的短数据序列处理效果不佳等问题。引入六个评价标准,对端点延拓方法的效果进行了分析。结果表明,该改进方法能有效地抑制经验模态分解产生的端点效应。

经验模态分解端点波形延拓改进方法研究

为提高经验模态分解(EMD)的分解精度,针对分解过程中存在的端点效应问题,在对已有波形匹配延拓方法改进的基础上,提出了一种改进后的基于端点波形匹配的经验模态分解方法。通过对齿轮裂纹故障模拟试验结果分析表明,当齿轮转速为600r/min时,5 120个实验数据分解时间约为1.2 s,所得第6个IMF分量的幅值谱峰值频率为10 Hz,对应着系统的回转频率。第2个IMF分量的峰值频率为550 Hz,对应着系统的啮合频率。所提出的方法能够分解出齿轮系统的特征分量,具有较高的分解精度和计算效率。

基于延拓技术的经验模态分解改进算法

为了消除经验模态分解算法中的端点效应问题,给出了利用数据序列延拓技术抑制端点效应的方法。在分析基于镜像延拓法的算法实现以及存在的不足的基础上,提出了端点极值包络延拓方法。通过理论分析和仿真实验验证了该方法在提高经验模态分解算法分解精度、改善时频分析性能方面的有效性,在空间方面,包络极值延拓算法比镜像延拓节省了约50%的空间。

基于神经网络集成的B样条经验模态分解端点效应抑制方法

经验模态分解对非线性、非平稳信号进行平稳化处理时表现出特有的分析能力,能够有效获得非平稳信号的时频特征,但是其利用样条曲线构造信号上下包络线的过程中存在严重的端点效应。在分析端点效应产生机理的基础上,提出基于神经网络集成的B样条经验模态分解(B-spline empirical mode decomposition,BS-EMD)端点效应抑制方法,研究神经网络集成延拓的原理,利用神经网络集成对数据进行左延拓和右延拓,利用B样条插值函数对延拓后的数据进行插值计算,得到信号的均值曲线,进行经验模式分解,得到本征模函数。仿真和试验结果表明,该方法能有效抑制BS-EMD的端点效应。

一种基于改进经验模态分解的癫痫脑电识别新方法

在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要。针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法。首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;最后,采用支持向量机进行信号的分类识别。算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号。实验研究表明:该方法对总测试脑电信号的识别率达到94%。其中,正常脑电信号和癫痫脑电信号的独立识别率均为94%,比传统EMD算法处理后的脑电识别率提高了5%,可见该方法可以有效地预测癫痫脑电。

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。

经验模态分解中包络线算法

经验模态分解(EMD)是一种先进的信号处理方法,对非线性、非平稳信号具有独特的分析能力。它的包络线算法存在着过冲/欠冲和端点问题,影响信号分解质量。分析了过冲/欠冲和端点问题产生的原因,提出了采用保形分段3次插值方法作为EMD分解过程中的包络算法,解决了拟合包络线的过冲/欠冲问题;采用端点处包络线位置预测,对端点处的包络线位置加以约束,与极值点对称延拓的方法结合使用,充分利用信号本身信息,一定程度上抑制了端点问题。最后,用一个仿真实验验证了该方法的有效性。

经验模态分解(EMD)中边界处理的新方法

在深入研究和分析希尔伯特-黄变换(HHT)方法的基础上,对信号提出了半周期半对称延拓算法,并以此来处理经验模态分解中存在的边界误差问题.通过信号模拟试验,并与EMD方法的结果作比较,检验了该方法的有效性和精度.

HHT经验模式分解的周期延拓方法

针对经验模式分解的端点效应,运用插值理论,给出了端点邻域处三次样条插值引起的截断误差表达式,分析了产生端点效应的原因,提出采用对称(镜像)和反对称两种信号周期延拓的方法。为保证周期延拓的平滑性,对于端点为极值点或零点的不同情况,提出了分别采用对称(镜像)和反对称周期延拓的方法。通过对截断误差的分析,以及对典型模拟信号和语音实验数据的计算,证明了周期延拓方法的有效性可行性,方法可以大大地提高经验模式分解的准确性和可靠性。

基于改进经验模态分解的三维重建

针对传统经验模态分解(Empirical mode decomposition,EMD)在边缘易出现分解错误的问题,本文提出一种改进的经验模态分解方法.分别对条纹进行镜像延拓和Gerchberg外插迭代来实现边沿的拓展,有效抑制条纹边沿引起的模态分解错误,提高分解准确度.将改进的EMD分解方式应用于变形结构光条纹图的分析,能有效消除条纹中的背景分布,得到更好的三维面形重建效果.

基于波形平均的经验模态分解端点效应抑制方法

经验模态分解(EMD)作为一种非常灵活的自适应时频分析方法,已广泛用于旋转机械故障诊断中的振动信号分析。但是,经验模态分解存在两个问题:端点效应以及模态混叠。针对EMD中存在的端点效应问题,在积分延拓局部均值分解(IELMD)的基础上,提出了一种利用波形平均来改进IELMD的方法。该方法利用一组相似波形来代替最佳匹配波形与特征波形相匹配,通过对相似波形左边或右边波形取平均得到延拓波形,将其附加在原始信号左端或右端。仿真和应用结果表明,与IELMD方法相比,该方法能够更有效地抑制经验模态分解端点效应。

改进的经验模态分解方法及在储层预测中的应用

希尔伯特黄变换(Hilbert-Huang transform,HHT)比常规的时频分析方法有着更好的时频分辨率和时频聚焦性,在处理实际地震信号这类非线性非平稳信号时,有更好的优势。但是HHT方法由于自身算法存在的不足,导致采用希尔伯特黄变换分析后的结果会出现模态混叠、端点效应和曲线拟合等问题。为了使HHT方法更准确地分析和预测地震储层信息,将HHT中的经验模态分解方法(Empirical Mode Decomposition,EMD)进行改进,提出了基于B样条插值和镜像对称延拓的完备总体经验模态分解方法(Complete Ensemble Empirical Mode Decomposition,CEEMD)。将改进后的方法运用于实际资料处理并进行储层预测,预测结果与实际井数据结果吻合,说明该方法较常规HHT方法更为准确地反映含油气储层特征。

一种自适应波形匹配的EMD端点延拓算法

为了解决EMD分解微多普勒雷达信号的端点效应问题,提出了一种自适应波形匹配的EMD端点延拓算法。将信号划分为含一对极大极小值的多个子波,并对其进行相同点数的等间隔采样,通过设计匹配系数,选取与端点子波匹配度最高的子波作为延拓子波。匹配系数由匹配子波与端点子波采样点的幅度匹配度与频率匹配度加权求和而成,具有幅度和频率自适应性;将延拓后的信号做EMD分解,提取信号中的微多普勒频率;采用文中算法对微多普勒仿真信号与手势微多普勒雷达信号进行处理,实验结果表明,文中算法可以将上述信号分解为不同的频率分量,并且效果优于不延拓、镜像延拓以及极值平均延拓,验证了文中算法的有效性。

基于镜像延拓和窗函数的端点效应抑制方法

经验模态分解被广泛用于复杂的非线性及非平稳信号处理,但其分解过程中存在端点效应问题,并且端点效应会随着筛选的进行而更加明显,从而导致数据处理发生畸变。镜像延拓法和窗函数法均是抑制端点效应的有效方法,但也各自存在不足。为此,提出将镜像延拓和余弦窗函数结合的改进方法,以弥补镜像延拓法中原始信号端点不是极值点和窗函数法中需要改变原信号的不足,实现对端点效应抑制方法的改进。仿真实验结果表明,与传统方法相比,改进方法能更好地抑制端点效应的发生。

采用镜像延拓和RBF神经网络处理EMD中端点效应

在分析经验模态分解端点效应出现原因的基础上,采用镜像延拓法和径向基函数神经网络预测法对端点效应进行了研究,并对一组数值仿真信号和12层钢筋混凝土框架模型振动台试验实测得到的加速度信号进行了边界处理和经验模态分解。算例结果表明,这两种方法基于边界两端预测数据,都可以有效抑制端点效应对分析信号的影响,提高经验模态分解的效果。另外,对于复杂信号仅采用径向基函数神经网络延拓原始信号,对抑制端点效应的效果不很明显,而对复杂信号经滤波后先利用径向基函数神经网络预测、再利用镜像延拓进行处理,则可以明显抑制端点效应的影响。

用于损伤状态识别的极值延拓EMD和LS-SVM算法

针对机电系统损伤状态识别问题,提出一种基于极值延拓经验模态分解(EMD)和最小二乘支持向量机(LS-SVM)算法。首先,分析EMD算法的基本原理,针对端点效应利用多项式拟合极值延拓的算法改进设计方案,并利用标准化处理的特征向量设计程式;其次,考虑到机电系统损伤状态数据归属小样本特征,利用LS-SVM算法给出了状态识别的设计程式;最后,开展仿真验证实验。实验结果表明,采用所提算法的损伤状态识别方案,可以确保损伤状态识别的正确率超过96%,满足机电系统工程应用要求。

经验模式分解端点效应抑制方法的研究

针对经验模式分解法(Empirical Mode Decomposition,EMD)中的端点效应严重影响算法精度的情况,为了减小端点效应,文中提出一种新的先匹配后镜像延拓方法。该方法借鉴镜像对称延拓与波形特征匹配延拓,将信号先进行波形特征匹配延拓再进行镜像对称延拓。利用仿真数据对先匹配后镜像延拓的方法进行了验证,并与原有几种延拓方法在不同评价指标下进行了对比。结果表明,先匹配再镜像延拓后,信号的包络线发生畸变最小,同时新方法分解得到的IMF精度较高,正交性好。先匹配后镜像延拓方法提高了经验模式分解的精度,能更有效地抑制经验模式分解法中的端点效应。

基于模板匹配和镜像延拓的两阶段经验模态分解算法

针对传统经验模态分解算法存在的端点效应问题,提出了一种适用于脉搏信号分析的基于模板匹配和镜像延拓的两阶段经验模态分解算法。依据脉搏信号的类周期特征,首先识别其特征信息,分离出单一心动周期内的脉搏信号;然后使用信号相干平均技术获取脉搏信号模板,依据模板将首尾端点处的脉搏信号扩展至整个心动周期;最后采用镜像延拓方法对扩展后的脉搏信号进行经验模态分解。实验结果表明,扩展后的脉搏信号能够较好地模拟原信号首尾端点处的变化趋势,因此新算法能够有效抑制传统经验模态方法存在的端点效应问题,适用于诸如脉搏信号等具有类周期特征的生理信号分析。