基于自适应EMD的光纤安防系统入侵信号识别

给出了一种基于自适应经验模态分解(AEMD)的光纤周界安防系统入侵信号识别方法。采用时域的短时能量及过门限率特征,判别截取振动信号并预处理,运用信号过门限率的统计特性和比值差异系数特性排除部分扰动信号;利用AEMD方法分解振动信号,得到若干个本征模态函数(IMF),选取与原信号相关性较高的IMF分量,计算各分量的能量熵和峭度特征;将获取的所有特征构成特征向量,采用支持向量机识别入侵信号。实验结果表明:该方法可以有效识别入侵信号的类型,提高了识别速度和识别率。

改进EMD和COV-SSI在桥梁结构模态参数识别中的运用

为了更好地实现桥梁结构信号分解和模态参数识别的一体化处理,以及桥梁结构运营状态的实时监控。首先针对经验模态分解方法(EMD)存在的不足进行完善,包括引入正交思想以提高模态的辨识精度,提出筛选有效本征模态函数的新算法(自适应经验模态分解,AEMD)。其次针对协方差的随机子空间识别(COV-SSI)算法难以适用于桥梁结构这种非线性时变结构,提出了将滑窗技术融于其中以实现对桥梁结构模态参数的跟踪识别。随后将AEMD算法和改进的协方差驱动随机子空间算法进行结合以实现桥梁结构信号分解和模态参数识别的一体化处理。最后以某大型斜拉桥为研究对象,对比分析了所得模态参数结果以验证所提算法的可行性,结果表明:在EMD算法中融入正交思想能够有效地提高模态的辨识精度,同时还能在一定程度上处理端点效应;通过夹角余弦法计算各IMF分量与原始信号之间的相似程度可以实现有效IMF分量的筛选;将滑窗技术与随机子空间算法进行结合,能实现对时变结构的模态参数识别;将滑窗技术、AEMD算法及COV-SSI算法进行融合,能够实现从信号分解到模态参数识别的一体化处理,能够完成对桥梁结构模态参数的在线监测,且所得结果具有可信性。