基于FABEMD和Goldstein滤波器的SAR舰船尾迹图像增强方法

增强SAR舰船尾迹图像中模糊的开尔文尾迹并保持湍流尾迹特征对舰船及运动参数的反演具有重要作用。该文利用快速自适应2维经验模式分解方法(Fast and Adaptive Bidimensional Empirical Mode Decomposition,FABEMD)实现图像中开尔文尾迹,湍流尾迹和其他中/大尺度海洋特征的分解,提高开尔文尾迹相对其他特征的图像和频谱对比度。同时引入并改进干涉图Goldstein滤波器实现对开尔文尾迹的进一步增强,并利用不变矩对增强后的SAR舰船尾迹图像进行评价。通过原理分析、增强实验和主/客观评价,表明该方法具有显著的开尔文尾迹增强效果,并保持了湍流尾迹特征,实现效率高且适用性较强。

基于FABEMD的变化光照下人脸识别方法

在光照变化的环境下,人脸识别因受到光照强度和方向的非线性干扰而变得困难重重。在人脸局部区域,光照的变化比较缓慢,而皮肤对光照的反射率特征变化比较快,可以认为光照变化是低频信号,而人脸本质特征是高频信号。FABEMD是一种快速自适应的BEMD(Bidimensional Empirical Mode Decomposition,二维经验模式分解)方法,它能够将图像分解为不同尺度的高频图像和低频图像,高频图像代表了人脸皮肤细节纹理特征,而低频图像则代表了轮廓特征。但是并不能定量判别什么样的高频信号以及多少高频信号能够用来消除光照影响,所以提出了两种衡量高频细节信息量的方法,将这些信息量的相对值来推算融合不同尺度的高频信号权重系数。基于Yale B人脸数据库的实验数据证明了所提方法能够取得很好的识别效果。

基于CEEMDAN-FastICA的滚动轴承故障特征提取

针对轴承早期故障信号微弱、故障特征难以提取的问题,提出一种将完备集合经验模态分解(CEEMDAN)与快速独立分量分析(FastICA)相结合的故障特征提取方法。该方法首先利用CEEMDAN将轴承故障信号进行分解,得到一系列模态分量(IMF);然后依据峭度准则选取相应分量进行重构,引入虚拟噪声通道;最后利用FastICA对重构信号进行解混去噪,分离出源信号的最佳估计信号后进行包络谱分析进而提取故障特征频率。该方法通过LabVIEW软件平台进行编程实现。仿真信号和轴承故障实验信号的研究结果均表明该方法可明显降低噪声和调制成分干扰,突出故障特征频率成分。

基于FastICA与ICEEMDAN的人脸视频心率检测

现有的非接触式心率检测方法存在噪声干扰、准确率低等问题。针对这些问题,提出一种基于FastICA与改进的自适应噪声完全集合经验模态分解(ICEEMDAN)相结合的算法,采用人脸视频进行心率检测。用摄像头采集人脸视频,并从视频中提取R、G、B通道源信号,即皮肤颜色变化信号,分别求出RGB这3个颜色通道的像素平均值;然后利用FastICA对RGB这3组像素平均值进行解混,得到3组独立源信号,再用ICEEMDAN将其中一组独立源信号进行模态分解,并选取合适频段内的固有模式函数(IMF)估计心率的信号,最后用频谱分析计算得到心率。设计实验对8名人员进行了人脸视频检测,将检测结果与多参数监护仪进行对比分析。实验结果表明,该方法与多参数监护仪测量结果的平均误差与均方根误差均小于1 beat/min,因此基于FastICA与ICEEMDAN的人脸视频心率检测对人体心率检测具有良好的稳定性和准确性。

结合FABEMD和改进的显著性检测的图像融合

针对红外与可见光图像融合中存在的显著目标不突出、对比度低、存在较多的伪影问题,提出了一种结合快速自适应二维经验模态分解(fast and adaptive bidimensional empirical mode decomposition,FABMED)和改进的显著性检测的图像融合算法。首先,通过FABEMD对红外和可见光图像进行多尺度分解得到对应的基础层和细节层。然后,对最大对称环绕显著性检测做暗抑制改进,将其用于基础层的融合上;结合改进的显著性检测和引导滤波,对细节层进行融合。最后,对各融合子图进行FABEMD逆变换重构出融合图像。与其他经典的融合算法相比,仿真实验验证了本文算法的有效性。

FABEMD和改进局部能量窗口的红外中波和长波图像融合

针对探测波段为3.7~4.8μm的中波红外图像和探测波段为8~14μm长波红外图像融合过程中存在场景对比度低,显著性目标不够凸出,伪影引入严重的问题,采用快速自适应二维经验模态分解(FABEMD)对红外中波和长波图像进行多尺度分解以得到二维内蕴模函数(BIMFs)和残余分量(Residual)。对于每一层内蕴模函数选用改进的局部能量窗口融合规则,首先配置好加权算子以增加区域窗口中心像素的能量占比;选用不同的加权算子,经实验验证能有效突出红外中波和长波图像的能量特征信息;其次充分利用内蕴模函数的相位信息,当相位相反时,采用能量加权平均的方式,以解决融合系数的正负符号极性难以确定的问题;当相位相同时,判断二者的能量差距并依据差距大小选择设定的融合规则,融合规则基于红外中波和长波图像的灰度差异特性设定。对于残余分量则利用红外中波图像和改进区域能量窗口的最大对称环绕显著性权重图指导基础层系数的融合,自适应的局部环绕窗口充分利用了低频显著性信息,对无用背景的抑制效果也相当出色,能够在复杂背景图像中突出显著性对象,最终得到细节信息丰富,对比度明显的指导图像。最后通过FABEMD的逆变化重构过程得到融合图像,对4组不同背景、不同大小的红外中长波图像进行主观和客观性能评价,4组图像均来自多波段红外采集系统且都经过严格配准并和7种相关算法进行对比实验,在主观性能上显著性对象突出、清晰度度高;客观性能上在平均梯度和空间频率这两个评价指标上性能优异,验证了该算法的有效性。

基于FABEMD的纹理图像分类算法

针对二维经验模式分解算法应用于纹理图像分类中存在运算时间长、准确率低的问题,将快速自适应二维经验模式分解(fast and adaptive bidimensional empirical mode decomposition,FABEMD)方法应用到纹理图像分类中。该方法首先将纹理图像分解成3个二维固有模态函数(bidimensional intrinsic mode function,BIMF)和1个余量;其次使用灰度共生矩阵提取各BIMF的能量、熵、对比度和相关性这4个纹理特征参数,组成特征向量,最后采用最小距离分类器进行纹理图像分类。实验采用Brodatz纹理图像库,选取10幅纹理图像作为样本图像,仿真实验结果表明,与二维经验模式分解方法相比,所提的算法查准率为86.28%,同时缩短了运算时间。

基于CEEMDAN和FastICA的轴承故障诊断

针对滚动轴承早期故障特征信号微弱、难以提取的特性,引入一种基于总体经验模态分解方法(CEEMDAN)和快速独立分量分析(FastICA)相结合的滚动轴承故障特征提取方法。该方法首先通过CEEMDAN和峭度、相关系数结合,完成信号的分解与重构。然后构建噪声通道,使用快速独立成分分析进行去噪分析,获得去噪信号。最后,对分离出的最佳估计信号进行包络谱分析并得到故障特征频率。该方法有效降低了噪声干扰,能够对故障特征频率进行有效识别。

基于FA-MVEMD的Φ-OTDR系统模式识别研究

为了增强相位敏感光时域反射仪(Φ-OTDR)系统对不同扰动事件的识别能力,提出了一种基于快速自适应多元经验模态分解(FA-MVEMD)样本熵和非洲秃鹫算法优化支持向量机(AOVA-SVM)的光纤振动信号模式识别算法。光纤振动信号经FA-MVEMD分解后得到若干多元本征模态函数(IMF),通过计算与原始信号的相关系数,筛选出相关系数大于0.1的有效分量并计算其样本熵作为信号的特征,最后利用AOVA-SVM分类模型进行识别。实验结果表明,相比于其他SVM分类模型,AOVA-SVM的分类准确率更高,对6种事件的平均分类准确率达到了97.5%,实现了Φ-OTDR系统模式识别的既定目标,具有实用价值。

基于CEEMDAN-小波包自适应阈值混凝土声发射信号降噪研究

为了得到更加纯净的混凝土声发射(acoustic emission, AE)信号来更准确地监测混凝土结构破裂过程,提出了一种完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition, CEEMDAN)与小波包自适应阈值联合方法对循环荷载作用下的混凝土声发射信号进行降噪处理,运用信噪比和快速傅里叶变化(fast Fourier transform, FFT)分析来验证所用方法的可行性。实验结果表明:结合CEEMDAN-小波包自适应阈值对混凝土声发射信号进行降噪的效果较好,能有效地保留混凝土声发射信号特征信息,对混凝土声发射信号降噪提供新的思路,为后续利用声发射信号分析混凝土结构内部微裂纹扩展及演化特征奠定基础。

基于ICEEMDAN的滚动轴承声信号故障诊断方法

针对基于单通道声信号的机械故障诊断信号干扰成分大,故障特征难以提取的问题,提出了一种结合改进自适应噪声完备经验模态分解(ICEEMDAN)和快速独立分量分析(FastICA)的方法。依据峭度与信号相关性准则设定本征内模分量(IMF)选取系数,对ICEEMDAN自适应分解的IMF进行有效筛选,实现信号降噪和粗提取,并以所选IMF作为虚拟通道,应用FastICA成功实现信噪的盲源分离。通过内外圈故障轴承实验数据对算法实行对比验证,结果表明,所提算法大幅降低了噪声及干扰,有效提取了故障特征。

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。

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.

改进的BEMD在纹理图像检索中的应用

二维经验模式分解(BEMD)方法把图像分解成一组称为固有模式函数(IMF)和残差,广泛应用在纹理图像的检索中。对BEMD检索纹理图像进行改进,使用快速自适应二维经验模式分解(FABEMD)对纹理图像进行分解,创新性地利用广义伽马分布密度函数来对FABEMD分解出来的IMF系数进行建模,并利用Kullback-Leibler距离来计算两张纹理图像的相似性。实验结果表明,算法快速有效。

快速自适应经验模态分解方法的基本原理及其性能评估

经验模态分解是一种有效的信号分解方法,尤其是针对非平稳非线性信号。然而,随着研究的深入,学者们发现该方法中存在着诸多弊端。根据Bhuiyan的研究,提出了一种针对一维信号的快速自适应经验模态分解方法。通过大量的数值仿真,证明这种方法不但能克服传统方法的弊端、得到高质量的分解结果,还能大幅度地提高计算效率。

基于快速自适应的二维经验模态分解的图像去噪算法

为了能够对图像进行自适应的分解,并准确刻画分解系数的分布状态,提出了一种新的基于快速自适应二维经验模态分解的图像去噪算法。该算法首先对图像进行快速自适应二维经验模态分解,通过确定分解后以噪声主导的子带的个数,进一步利用正态逆高斯模型对以噪声主导的子带系数分布进行建模;然后使用贝叶斯最大后验概率估计理论从模型导出相应的阈值;最后采用最优线性插值阈值函数算法完成去噪。仿真结果表明,对于添加不同标准差大小高斯白噪声的测试图像,所提算法在峰值信噪比上相比sym4小波去噪、双变量阈值去噪、邻近算子的全变分算法和重叠组稀疏的全变分算法分别平均提高了4.36 dB,0.85 dB,0.78 dB和0.48 dB,结构相似性指数也有不同程度的提高,有效地保留了更多的图像细节。实验结果证明,所提算法在视觉性能和评价指标方面均优于对比算法。

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition,BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明:与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。

快速自适应二维经验模态分解在SAR目标识别中的应用研究

针对合成孔径雷达(SAR)图像目标识别问题,提出基于快速自适应二维经验模态分解(FABEMD)的方法。FABEMD可实现对SAR图像的快速分解,获得描述目标低频至高频信息的多层次固态模函数(BIMF)。基于结构相似性指标剔除多层次BIMF中的噪声成分,保留高鉴别力部分。分类阶段采用联合稀疏表示对保留的BIMF进行表征分类。基于MSTAR数据集对所提方法进行测试,结果验证了其性能优势。

含直流馈入的带并补电抗线路单相自适应重合闸适用性分析及故障识别方法

含直流馈入的交流线路发生永久性故障时,如不能准确判定故障性质,将使交流线路再一次承受短路电流冲击,危害直流系统运行安全。针对这一问题,提出了一种基于并联电抗器故障相谐波电流特性的单相自适应重合闸判据。首先,分析了现有单相自适应重合闸判据在含直流馈入的交流系统中应用的适用性,并得出换流器发生换相失败后向交流系统注入的谐波分量可能会使现有单相自适应重合闸判据失效这一结论;其次,通过快速集合经验模态分解–希尔伯特(fast ensemble empirical mode decomposition-Hilbert,FEEMD-Hilbert)谱分析从流过故障相并联电抗器电流中分解出谐波分量,依据不同故障性质下等效电流回路的不同,提出了基于谐波电流幅值比的单相自适应重合闸判据;最后,基于PSCAD/EMTDC仿真实验验证了所提方法的有效性和实用性。

基于快速EEMD的自适应滤波算法在输电线路激光测距中的应用

为提高输电线路激光测距的精度,提出一种基于快速集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)的自适应滤波算法。首先,应用EEMD对含噪的激光测距信号进行分解,得到了激光测距信号的本征模态函数(Intrinsic Mode Function,IMF)分量。同时,对EEMD进行改进,加设阈值筛选IMF分量,提高算法的运行速度。再次,采用基于最小均方算法(Least Mean Square,LMS)的自适应滤波器对分解得到的IMF分量进行去噪。然后,将所得到的IMF分量重构,得到了去噪后的激光测距信号。最后,经模拟试验,结果证明应用该方法得到信号的去噪效果好,确实能提高输电线路激光测距的精度。