基于EEMD+RF算法的唐山滦河径流量预测研究

为帮助决策者做好水资源管理,减少洪涝灾害的发生,文章采用随机森林回归(RF)和集成经验模态分解(EEMD)的组合模型对唐山滦河进行逐月径流量预测。结果表明,研究时域内滦河径流量具有良好持续性,呈现波动减少趋势。基于EEMD+RF的径流量预测模型,决定系数、平均相对误差较低,显示了精确预测能力,能为水资源管理提供科学依据。

基于EEMD-BRNN组合算法唐山逐月径流量预报研究

以唐山市1961-2018年逐月地表径流量资料为基础,运用集合经验模式分解(EEMD),将其分解成8个独立模态(IMF);利用贝叶斯正则化神经网络(BRNN)算法,拟合训练期内(1961-2000年)IMF与径流量之间的规律,用以预测预见期(2001-2018年)内的月径流量变化。结果显示,经EEMD分解得到的IMF序列与径流量之间呈显著相关性;BPNN模型在适当参数下准确模拟了径流量变化特征,其验证集的NSE(Nash-Sutcliffe系数)达20.27%、RMSE(均方根误差)仅为93.23%。EEMD-BRNN组合算法通过对原径流序列进行自适应分解,进而重构非线性平稳序列,显示出在径流预报中的应用前景。

EEMD-小波在高边坡变形信息提取中的应用研究

针对高边坡变形呈现非平稳性及数据“噪声”多源的问题,提出了一种定向滤波的变形信息提取方法。首先,利用集合经验模态分解方法分解变形时序数据,结合定量分析法判别模态分量信号频段;然后,对高频模态分量中的“噪声”利用小波函数进行“靶向”消噪处理,并对趋势项进行傅里叶级数拟合;最后,重构高边坡变形分析模型,实现真实变形量的提取。结果表明,对比分析各项检验指标,通过“靶向”消噪,各高频模态分量消噪效果明显,重构后的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)-小波高边坡变形分析模型较原始形变和其他模型在精度指标方面提升显著,该方法可用于高边坡的变形预测分析和真实变形量提取。

基于EEMD-SpEn (样本熵)联合小波阈值对山西太原GNSS站点时间序列去噪分析

文章基于集合经验模态分解方法(EEMD)联合样本熵(SpEn)对山西太原GNSS站点时间序列降噪。首先,将原始站点时间序列进行EEMD分解,得到不同IMF (intrinsic mode function)分量,其次,计算每个IMF分量进行样本熵计算,根据样本熵值统计选择一个适当的去噪声阈值。最后,根据样本熵值去除小于阈值的小波系数,并重构IMF分量。得到去噪信号。计算结果显示,通过信噪比,相关系数评估去噪结果,得到结果可靠、高精度毫米级时间序列,为地震预报业务提供更好的服务。In this paper, based on ensemble empirical Mode decomposition (EEMD) combined with sample entropy (SpEn), the time series of GNSS stations in Taiyuan, Shanxi Province is denoised. First, the original station time series was decomposed by EEMD to obtain different intrinsic mode function (IMF) components. Secondly, sample entropy was calculated for each IMF component, and an appropriate noise removal threshold was selected according to the sample entropy statistics. Finally, the wavelet coefficients smaller than the threshold are removed according to the sample entropy, and the IMF component is reconstructed. The denoised signal is obtained. The calculation results show that the denoising results are evaluated by signal-to-noise ratio and correlation coefficient, and the results are reliable and high-precision millimeter time series, which provides better service for earthquake prediction.

联合加权小波和EEMD的GNSS坐标时间序列降噪分析

针对GNSS坐标时间序列中有用信号与噪声难以准确分离这一问题,本文提出加权小波Z变换(weighted wavelet Z-transform,WWZ)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)的降噪方法.通过对西北地区70个陆态网络连续站垂向坐标时间序列的降噪处理,分别采用均方根误差(root mean squared error,RMSE)、信噪比(signal to noise ratio,SNR)、闪烁噪声(flicker noise,FN)振幅及速度不确定度为评价指标,验证了本文方法的降噪效果在一定程度上优于小波降噪和EEMD降噪.结果显示:WWZ-EEMD相比小波降噪和EEMD降噪,降噪后信号序列RMSE分别降低了0.331 mm、0.757 mm,SNR分别提高了1.911 dB、3.635 dB;FN振幅及速度不确定度均有明显改善,验证了本文降噪方法的有效性.

基于双EEMD与重构的局部放电时延估计方法

对室内电气设备的局部放电检测与定位是保障设备长期稳定运行的有效手段,而时延估计精度是影响局部放电检测与定位准确度的重要因素。为解决局部放电信号在噪声及多径效应影响下的时延估计精度问题,本文提出了一种基于双集合经验模态分解(ensemble empirical mode decomposition,EEMD)与重构的局部放电信号预处理方法。模拟仿真与实验测试结果表明,本文所提出的方法与广义互相关算法相比有效提高了时延估计准确度,且稳定性与鲁棒性更好。本文所提方法有效提高了局部放电信号的信噪比(signal-to-noise ratio,SNR)以及时延估计算法的精度,可用于低SNR及多径效应明显的室内环境中局部放电信号的时延精确估计。

基于EEMD-ANN的自适应光伏日电量预测方法

随着清洁能源的持续发展,我国光伏电源装机规模不断增大。为了应对其随机性、波动性、不确定性等特点给电网安全运行带来的严峻挑战,研究中结合集合经验模态分解(EEMD)方法对原始时间序列进行处理,将其分解为有限且少量的振荡模式,形成更清晰的信号输入,再通过人工神经网络(ANN)实现历史数据的规律挖掘,构建了基于EEMD-ANN的自适应光伏日电量预测模型。以我国南方某光伏电站日电量过程为例的结果表明,该模型获得的预测结果具有较好的预测精度,是一种实用性较强的光伏电量预测方法。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

基于EEMD分解的欧洲温度序列的多尺度分析

利用EEMD方法对欧洲5个站大于150年逐日温度序列进行分解,分析了欧洲温度序列的低频变化、年循环及季节变化。结果表明:欧洲5站温度低频变化均存在明显的特征时间尺度,即年际、年代际和世纪尺度等;年循环强度在1910—1940年及1970年年末以后的两个暖期里均处于偏弱的状态,尤其是最近30年里年循环强度减弱趋势更加明显;此外,与1910—1940年相比,在20世纪70年代末以来的暖期里,夏季更长,冬季更短。

采用改进互补集总经验模态分解的电能质量扰动检测方法

针对集总经验模态分解(EEMD)方法加噪参数(噪声幅值、集总次数)需人为确定、分解残余噪声大以及计算耗时长的缺点,提出一种自适应快速互补集总经验模态分解(AFCEEMD)方法.该方法分析不同频率形式噪声对极值点分布的影响,确定加噪频率采用高频辅助分解的优势,并以极值点分布特性作为评价指标自适应选择最优加噪频率.通过对EEMD加噪准则的研究,推导出加噪幅值和分解次数采取固定值:0.01SD和2次,且以正负成对的形式加入到原始信号中.通过仿真实验和搭建的电能质量扰动平台的实测数据验证了所提方法的自适应性和计算性能,而且适用于电能质量扰动检测与分析.

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。

基于统计特征矢量符号值和聚类经验模态分解的短时电能质量扰动信号分析

研究了希尔伯特-黄变换(HHT)方法分析电能质量扰动信号的不足,提出了一种统计特征矢量符号化(SFVS)算法与聚类经验模态分解(EEMD)相结合的短时电能质量扰动信号分析方法。该方法采用循环周期比较的欧氏距离的边界检测算法来对电能质量扰动信号的突变时间进行检测,以突变时刻为边界点将原始电能质量信号进行划分,再用EEMD方法对区块划分信号进行分解,有效抑制模态混叠,以改善信号分解性能。测试结果表明,该方法能够实现突变时刻的准确检测,对电能质量扰动信号中的各种成分进行准确分析。

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。

一种集成经验模态分解的样本熵阈值微地震信号降噪方法

微地震信号的采集过程中,会不可避免地混合非平稳随机噪声,传统的线性滤波和频谱分析方法对这种混合信号的去噪效果并不理想。针对这一需求,本文提出了一种新的降噪方法。首先对含噪声的微地震信号执行集成经验模态分解(EEMD),获取一系列不同频率成分的本征模态函数(IMF);为了区分这些IMF分量中的信号和噪声,文中通过计算各个IMF分量的样本熵,根据所设置的样本熵阈值来提取符合微地震信号特征的IMF分量,并对这些IMF分量进行信号重构,由此达到抑制随机噪声的目的。将提出的方法应用于模拟数据和实测微地震数据,均表明该方法具有理想的降噪效果。

基于Storm的局部放电信号集合经验模态分解

电力设备的稳定运行关系到人们的生命和财产安全,通过安装传感器对时序波形信号进行采集,对信号进行分析处理,可以实现对电力设备的故障诊断。集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法在非线性、非平稳的信号处理领域有其独特的优势,但是由于其算法复杂度较大,作为运算密集型的算法在串行执行的情况下运算速度无法满足实际需求。因此,借助分布式计算框架Storm并行处理的特点,提出了基于Storm的EMD过程并行和信号分段并行的两种EEMD分解方式。实验表明,两种并行化方案都比传统的串行执行方式速度更快,并且基于分段并行的方式由于其更高的并行度,在长信号处理中更具优势。两种并行EEMD算法的提出为时序信号的快速处理提供了可靠的解决方案。

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法。首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类。为了提高诊断性能,本文利用集合经验模态分解方法对原始振动信号进行分解,将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF),然后利用一维卷积神经网络对IMF进行特征提取,最后采用SVM进行分类。结果表明,所提出的方法相比于现有方法收敛速度更快,诊断正确率可高达99%,突出了该方法的优越性。

基于集合经验模态分解去趋势的水分利用效率对气候变化响应的高程分异——以“21世纪海上丝绸之路”沿线省份为例

水分利用效率(WUE)是表征陆地碳-水循环耦合关系的重要指标,但其对气候变化响应的高程分异仍不清楚。通过集合经验模态分解(EEMD)去趋势和偏相关方法,以“21世纪海上丝绸之路”沿线省份为研究区,揭示WUE对气候变化的响应及其随高程的分异。研究结果表明:(1)研究区内WUE多年均值由中心向南北递减。不同植被类型的WUE多年均值由高到低依次为:常绿针叶林、混交林、常绿阔叶林、稀树灌木草地、耕地和城市建设用地。(2)51.11%的区域表现出均温与WUE的正相关;而81.46%地区表明温差的扩大会使得WUE增加;有近一半的研究区表明最高温的升高有利于提高WUE,而最低温的作用则相反;有67.99%的区域表明降水增多反而会导致WUE的减少。(3)在大多数土地覆盖类型,日温差和最低温主要与WUE呈正相关,而最高温和降水主要与WUE呈负相关。在常绿针叶林、耕地和城市建设用地,日均温与WUE呈负相关。在其他三种植被类型下则呈正相关。(4)在低海拔地区,均温与WUE呈负相关而在中高海拔地区则转变为正相关关系。而最高温则正好相反。降水与WUE的负相关关系系数随高度的增加而不断加强,而温差和最低温与WUE的正相关关系也随高度的增加而剧烈波动增强。

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。

基于集合经验模态分解的超声检测信号处理

提出基于集合经验模态分解(EEMD)的超声无损检测信号处理方法。此方法在信号重构时,采用分量信号与原始信号之间的相关系数进行特征选取,可以有效地抑制模态混叠现象。通过仿真与实测信号的验证,集合经验模态分解方法更适用于超声无损检测信号的处理。

常见不同模态信号分解方法探讨

经验模态分解(EMD)是一种自适应的信号时频分析方法,它把信号分解成一系列本征模态函数(IMF)和残差分量。集合经验模态分解方法(EEMD)是通过向原始信号中加入高斯白噪声,来抑制经验模态分解过程中存在的模态混叠现象。补充的EEMD(CEEMD)是通过向目标信号添加成对的符号相反的白噪声,来确保信号分解具有真实的物理意义。改进的集合经验模态分解(MEEMD)结合CEEMD与排列熵(PE)算法在抑制模态混叠方面取得理想的结果,并解决计算量大的问题。变分模态分解(VMD)是在EMD的基础上发展出来的一种新型信号处理方法,它进一步避免模态混叠现象并且有着更高的运算效率。讨论EMD、EEMD、CEEMD、MEEMD、VMD在信号分解处理时的效果差异。