基于EMDs阵列和BP网络的视觉运动感知过程

以Ｒｅｉｃｈａｒｄｔ的相关型初级运动检测器阵列和Ｒｕｍｅｌｈａｒｔ的误差反传学习（ｌｅａｒｎｉｎｇｂｙｂａｃｋ－ｐｒｏｐａｇａｔｉｎｇｅｒｒｏｒｓ，ＢＰ）网络相结合构成了一个视觉运动感知神经网络，探讨了视觉运动信息的感知过程。试图从计算神经科学的观点来阐明从一推运动分量的检测到二维模式运动感知的神经原理，从而回答运动矢量在脑内如何表征。计算机仿真表明，在有监督学习的条件下，网络可以学会解决局城运动检测所带来的多义性问题，给出模式的真实朝向、运动方向和运动速度。

新一代EMDS-42型电磁探伤测井仪的特征及应用实例

俄罗斯地球物理测井权威Teplukhin教授研制的EMDS-TM-42型电磁探伤测井仪在中国一些油田和其他国家的一些油田得到应用。新一代的EMDS—TM－42型电磁探伤测井仪根据用户在使用过程中提出的具体要求更加精化了解释能力，增设消除盲点横向探头，升级了数据采集分析软件、解释软件等。能够直观描述井筒状况，辨别管柱内外腐蚀（包括油管及套管）以及金属缺失等。本文以充分的理论分析及测井资料展示其优越性。

基于经验模态分解和小波包能量熵的杉木加载过程中细观损伤监测与识别

【目的】细观损伤是承载木材断裂的主要原因之一。木材的多孔层状结构使其损伤过程变得复杂,针对单一信号处理方法较难充分挖掘木材断裂声发射信号中的细观损伤信息,造成识别信息不充分、不完备的问题。本研究提出通过经验模态分解(EMD)和小波包能量熵结合的信号处理方法,通过声发射无损检测手段,识别杉木加载过程中的细观损伤类型。【方法】以杉木为研究对象,进行单轴压缩、双悬臂梁和顺纹拉伸3种单一损伤试验,并对其进行加载过程中声发射信号的采集、监测与分析。通过小波包阈值法消除损伤试验中采集的声发射信号噪声,经由EMD和相关系数计算,分离出最能体现杉木细观损伤特征的本征模态(IMF)分量,并对IMF分量进行基于傅里叶变换的峰值频率分析和小波包能量熵分析,提取杉木细观损伤的特征。【结果】(1)EMD和小波包能量熵结合的信号处理方法能够判断杉木加载过程中声发射信号对应的细观损伤类型与构成。(2)杉木不同细观损伤类型的声发射信号对应不同的小波包能量熵区间:胞壁屈曲与塌溃(0.69~0.99)、层间开裂(1.57~1.78)、纤维束断裂(1.92~2.27)。(3)宏观断口观察和电镜显微分析验证了该方法的准确性。【结论】经验模态分解–小波包能量熵法避免了声发射信号模态堆叠的影响,并解决了木材细观损伤复杂且难以识别的问题,为杉木木材断裂的早期诊断方法提供了理论支撑。

利用振动幅值进行滚动轴承外滚道故障定位

滚动轴承在机械传动中占有十分重要的地位,其运行状况直接影响着机械的运行效率。因此,对滚动轴承故障的研究具有十分重要的理论意义和现实意义。该文章在故障诊断的基础上提出一种故障定位的新方法。该方法利用三个振动传感器采集滚动轴承运行过程中的振动信号,然后利用相关分析法与EMD算法对其进行去干扰处理,提取振动信号的幅值,并计算其衰减量。利用三个传感器采集到的三处振动信号衰减量来分析计算故障的准确位置。该方法简单,提取特征值少,定位精度高。且该方法不仅能准确定位滚动轴承外滚道单点故障,而且可同时定位出多个故障点。这在以往的定位方法中是很难实现的。

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于改进经验模态分解的无人机机电系统战伤状态评估方法研究

针对无人机机电系统结构内部战伤状态评估问题,提出了基于改进经验模态分解(Empirical Mode Decomposition,EMD)的战伤状态评估参数设计方案。首先分析了无人机机电系统典型战伤模式及损伤机理,提出了基于状态参数深层分析的状态评估方案;其次考虑到EMD端点效应对机电系统战伤状态评估带来不利影响,提出了基于多项式拟合延拓的EMD改进方案,基于改进EMD综合奇异值熵理论,构建了机电系统战伤状态评估参数设计方法。最后开展了仿真数值算例研究,结果表明本文所提能够有效的无人机机电系统战伤状态评估结论。

基于数据挖掘的大学生就业指导资源挖掘方法

采用目前方法对大学生就业指导资源进行数据挖掘时,由于去噪性能差导致方法存在数据冗余、挖掘效率低和精准度较差的问题,因此提出了基于数据挖掘的大学生就业指导资源挖掘方法。利用H-BIRCH算法对就业指导数据进行聚类处理,结合EMD分解方法和小波去噪方法对不同类别的就业信息数据进行去噪,对去噪后的资源数据进行白化处理,采用图模型提取就业指导资源数据特征,完成就业指导资源挖掘。实验结果表明,该方法可以有效简化数据结构,数据冗余纠错率、数据挖掘效率和数据挖掘准确度较高。

基于模态分解与LSTM注意表征的测井曲线重构研究

测井曲线记录着地层物理性质随深度变化的幅值范围,是测井与地震资料之间的纽带,对储层岩性分析与识别和后续的油气勘探工程十分重要.然而,在实际的测井过程中仪器故障等原因会造成测井曲线缺失的问题,重新测井不仅价格昂贵而且难以实现.针对地质勘探时测井数据时常缺失的问题,本文提出了一种LSTM(Long Short-Term Memory)注意力表征的测井曲线重构方法.同时,对原始测井信号进行两种模态分解,计算分解后得到模态分量与原始信号之间的相关性,去除冗余分量,实现对缺失的测井曲线高效、高精度的人工补全.将该方法用于声波(ACoustic,AC)与密度(DENsity,DEN)曲线重构实验,并将实验结果与LSTM网络和BP(Back Propagation)神经网络预测的结果进行对比分析.结果表明,LSTM-Attention模型有着更为优异的预测效果,重构后的AC和DEN与原始曲线之间的相关性分别达到了86.8%和74.8%,高于传统LSTM和BP神经网络预测方法.在去除冗余的信号分量后,相关系数分别提高了1.4%和4.0%.同时,本文所提方法预测出的测井曲线具有最低的预测误差.因此,基于LSTM注意表征的网络结构对测井曲线重构具有较好的预测精度.

基于EMD的地震数据速度谱优化方法

地震波在地层中的传播速度可间接反映地下岩性及地质构造特征,速度的提取与分析影响地震数据处理和解释全过程。目前,速度谱分辨率低,导致拾取的速度不准确,构建的速度模型精度经常不能满足复杂地质构造的地震成像要求。为此,提出基于经验模态分解(EMD)的地震数据速度谱优化方法。该方法是一种频移处理技术,能有效提高地震数据低频端能量的信噪比。首先,基于Hilbert变换获得地震数据的瞬时振幅;其次,对瞬时振幅进行EMD;然后,筛选分解后的本征模量(IMF),选择具有有益表达速度谱信息的本征模态模量;最后,构建新的速度谱数据。经过优化后的地震数据频谱分辨率更高,有效频带向低频端移动。实验测试和实际资料处理结果表明,所提方法能有效扩大速度谱拾取的寻优区间,提高速度分析准确性,提升地震资料成像品质。该方法在成果数据处理和速度谱优化方面具有广泛的应用价值。

基于EMD分量与小波包能量熵的轧辊磨削颤振在线预测

针对轧辊磨削颤振时的时频域单一处理方法存在部分特征丢失的问题,提出了时频域相结合的方法对信号进行特征处理,并利用智能算法实现轧辊磨削颤振的在线预测。首先,利用经验模态分解(empirical mode decomposition,EMD)方法对振动传感器信号进行分解获得各固有模态函数(intrinsic mode function,IMF),剔除“虚假分量”后计算表征轧辊磨削颤振的时域特征。然后,利用小波包能量熵对声发射传感器信号求解频率段节点能量熵值,获得表征轧辊磨削颤振的频域特征。最后,将上述时频域特征降维后代入智能算法模型实现对轧辊磨削加工的在线预测。结果表明:LV-SVM模型的磨削颤振分类平均准确率达92.75%,模型平均响应时间为0.7765 s;验证了时频域特性的EMD和小波包能量熵方法的LV-SVM在线预测轧辊磨削颤振的有效性。

基于改进EMD方法与11/2谱的DEMON谱提取方法

噪声的包络调制检测(Detection of Envelope Modulation on Noise,DEMON)谱分析技术已被广泛应用于特征提取领域,但经典DEMON谱提取中高频信号频段的选取会影响DEMON谱的提取效果。针对这一问题,文中首先运用经验模态分解(Empirical Mode Decomposition,EMD)方法获得一系列固有模态函数(Intrinsic Mode Function,IMF),依据各阶模态函数与原信号的相关程度,筛选出更具代表性的几阶固有模态函数进行解调,再对解调的结果运用11/2维谱分析方法进行谱分析以抑制高斯噪声,通过这种方法获得的DEMON谱信噪比优于传统方法。实测湖试数据分析结果表明,该改进方法可以有效地进行特征提取,结果优于经典DEMON谱分析方法;该改进方法具有一定的实用性,有利于进行后续目标分类识别。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于RKF-EMD的禽类无线动态自适应称重系统

针对禽类养殖过程中人工称重费时费力、造成动物应激以及电子仪器易被破坏等问题,设计了一套适用于禽类的无线动态自适应称重系统。系统将经验模态分解和鲁棒卡尔曼滤波结合并做出适应性改进;针对秤台因粪便和饲料堆积造成的称重零点偏移问题,创新性提出了一种基于队列的自动去皮算法。通过在肉鸡养殖场实际应用和监测验证,结果表明,本文设计的适用于禽类的无线动态自适应称重系统能够快速准确地获得动物体重,且具有良好的自适应性、稳定性和鲁棒性。

基于大数据挖掘的光通信微弱信号检测研究

以高效、准确检测噪声淹没下光通信微弱信号为目的,设计基于大数据挖掘的光通信微弱信号检测方法。通过基于改进EMD与奇异值分解全面去除光通信信号中噪声分量,经灰狼算法寻优设置支持向量机参数后,由支持向量机模型构建信号分类超平面,分类检测样本中微弱信号。实验结果表明:光通信信号经所提方法去噪后,信号信噪比变小,最大值仅有0.01 dB;所提方法所检测的微弱信号波动幅值,与微弱信号实际幅值高度匹配,误差不超过1%,可100%检测出噪声淹没下光通信微弱信号的样本。

车辆自适应巡航控制的内秉模态特性

为分析车辆自适应巡航控制下的跟驰状态对驾乘舒适性的影响,基于刺激-反应类线性跟驰模型,分别模拟跟驰车在微尺度避撞工况、微尺度扰动工况和全球统一轻型车辆测试循环(world light vehicle test cycle, WLTC)工况的速度-时间图像,采用经验模态分解(empirical mode decomposition, EMD)和快速傅里叶变换(fast Fourier transform, FFT)相结合的时频分析方法提取跟驰车的内秉模态特性,分析低频下不同驾驶工况对驾乘人员舒适性的影响。结果表明:不同驾驶工况的内秉模态频率不同,频率越小,车辆的振幅越大;相较于微尺度避撞工况和扰动工况,WLTC工况的内秉模态频率带宽分布较宽,幅值较高,波动能量较大;WLTC工况下,频率小于0.10 Hz的超低频区的内秉模态幅值较高,人体恶心程度较严重,对运动病的贡献较大。

改进水循环优化BP神经网络的大坝变形预测

为提升传统基于反向传播(BP)神经网络的大坝变形预测方法的精度和噪声稳健性,提出一种改进水循环算法(IWCA)优化的BP神经网络(IWCA-BP)模型。首先利用经验模态分解(EMD)将高维复杂变形数据分解为一系列结构简单的本征模函数(IMF)和剩余项之和的形式;然后利用IWCA-BP神经网络分别对每个IMF进行建模预测,作为一种启发式优化算法,IWCA能快速准确地实现BP神经网络初值的全局寻优,提升预测性能;最后利用某混凝土大坝实际变形数据开展实验。结果表明,相较于卡尔曼滤波、支持向量机、BP神经网络和粒子群优化随机森林方法,EMD-IWCA-BP方法能获得更高的预测精度和噪声稳健性,具有更高的应用前景。

EMD算法的改进及在信号去噪中的应用

噪声的干扰在生活中无处不在,本文针对传统EMD算法在信号的非线性和非平稳特性条件下,分解而得的本征模态函数(MF)随时间尺度变化的振荡而造成的模态混叠和噪声干扰等问题进行改进。在此基础上,引入人为添加的高斯白噪声,并根据其均值为0的特点,深入探索基于改进后的EMD算法在信号降噪中的应用。仿真实验对比分析表明,改进后的EMD算法能清晰地判断有用信号和无用信号,有效降低噪声对信号的干扰。

基于改进EMD-Kurtogram法的滚动轴承早期故障诊断研究

实现滚动轴承早期故障准确诊断的关键是得到故障部位有效振动信息,但实际工程中所采集到的轴承振动信号常含有噪声、干扰成分,给有效信息的选择带来了困难。带通滤波是解决该问题的有效方法之一,但不合理的滤波器参数会降低诊断结果的准确性。为此,提出一种基于改进EMD-Kurtogram法的滚动轴承早期故障诊断方法。该方法首先对EMD方法处理后的采样信号进行重构,再根据快速谱峭度图得到带通滤波器所需要的最优参数,最后经过带通滤波及时频域分析得到故障频率。通过实验平台验证及相关算法的对比得出,所提方法得到的故障倍频信息更加充分、清晰,所含噪声干扰更少,证明了该方法的有效性和先进性。

基于EMD-PSO-HMM刀具磨损监控系统

为解决在机械加工过程中刀具的磨损及崩刃对加工质量和效率的影响,通过机器人学习技术,设计一套基于EMD-PSO-HMM刀具磨损监控系统。首先提取不同刀具磨损状态下主轴的电流信号,由于传统小波分析及傅里叶分析在信号分析过程存在一定局限性,文章采用EMD算法对加工过程中主轴电流信号进行不同尺度信号分解并提取特征参数,将提取的特征值输入HMM模型进行训练迭代。为解决HMM模型在模型训练的过程中存在局部最小值的问题,文章引入粒子群算法对HMM模型的输入参数进行全局搜索以达到最优值。基于以上形成的EMD-PSO-HMM刀具磨损监控系统在实际刀具磨损状态评估过程中具有较高的准确性。

基于EMD与DCNN混合智能煤岩识别方法研究

针对现有煤岩识别模型和方法准确率低、稳定性差、难以在工程实践中获得应用的问题,提出了基于经验模式分解(EMD)与深度卷积神经网络(DCNN)的混合智能识别方法。首先,应用EMD对采煤过程中的振动信号进行分解,得到一系列的本征模式分量(IMF)。然后利用DCNN进行IMF信息的融合,并自动提取特征信息。最后使用Softmax实现煤岩分界的智能识别。工程应用试验数据表明,该方法能够有效、准确地实现煤岩分界的识别,并具有良好的稳定性。