基于EEMD和特征降维的非侵入式负荷分解方法研究

针对现有非侵入式居民用电负荷监测缺乏对独立负荷完整、全面的分解方法,导致用电信息的完整性得不到保证的不足,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和Pearson-PCA改进的盲源分离算法。利用EEMD对总功率信号分解,以消除经验模态在分解过程中易出现模态混叠的现象,并得到一系列固有模式函数(intrinsic mode functions,IMF)。结合Pearson相关系数和主成分分析法(principal component analysis,PCA),提出Pearson-PCA改进算法对IMF进行降维,剔除相关性较弱的IMF分量,以及估计源信号数目。运用快速独立分量分析(fast independent component analysis,FastICA)对降维后的IMF进行分解,计算得出源功率信号。将提出的改进算法应用于非侵入式居民用电负荷分解问题,采用能量分解数据集(reference energy disaggregation data,REDD)进行实验仿真。实验结果表明:在不同用电场景下,提出的改进算法均具有较好的分解效果。

抑制边缘效应的自适应单通道盲源分离

单入多出的盲源分离SIMO_BSS是一种特殊的欠定盲源分离。针对单信道问题,通常采用总体经验模态分解和独立成分分析联合使用EEMD_ICA算法。然而,以EEMD为基础的盲源分离算法,会产生边缘效应降低信号分离准确率。因此,提出了一种在端点处增加预测极值点的方法来抑制边缘效应,在时间、空间复杂度上要明显优于基于周期延拓源信号的方法,而且适用于长序列信号的分离。在不同的信噪比SNR下,通过心电ECG混合信号仿真,该方法比EEMD_ICA方法,以及EEMD_PCA_ICA方法分离出的信号相似度高。最后将该算法实际应用到周期压电信号中,结果表明该方法具有明显的去噪分离效果。

基于EEMD-FastICA的单通道超声回波信号去噪研究

针对单通道超声检测回波信号易受到噪声信号的影响导致缺陷诊断精度低的问题,提出基于集合经验模态分解(EEMD)和快速独立成分分析(Fast ICA)的单通道超声回波信号盲源分离方法(EEMD-Fast ICA)。首先应用EEMD算法对回波信号进行自适应分解,得到多个不同尺度的固有模态函数(IMF)分量,利用主成分分析(PCA)预估源信号的数目,通过相关系数法筛选出相应的IMF分量进行重构,并将重构信号与原始采集信号组合构成新的多维观测信号,解决了原始采集信号盲源分离中存在的欠定问题,然后进行快速独立成分分析(Fast ICA)运算,实现了单通道超声检测信号的噪声分离。实验结果表明:EEMD-Fast ICA方法能对采集超声回波信号进行有效的降噪处理,并且能保护真实信号的频域特征信息。

一种自适应单入多出盲源分离方法

单入多出盲源分离SIMO_BSS(Single input multiple out blind source separation)是一种特殊的欠定盲源分离情况。目前算法过程中过多地需要根据个人经验判断,自适应差。针对此问题提出通过经验模态分解EEMD(Ensemble empirical mode decomposition)将由多路信号混合成的单路信号分解为多路本征模态函数IMFs(Intrinsic mode functions),采用主成分分析PCA(Principle com-ponent analysis)对多路本征模态函数自适应降维,并利用独立成分分析ICA(Independent component analysis)恢复出相互独立的多路源信号。最后,分别对周期混合信号、生物混合信号进行仿真,仿真结果表明在不同NSR条件下,与EEMD_ICA算法相比,速度快且分离效果较好。

基于快速EEMD单通道混合信号分离算法的研究

单通道盲源分离是一种特殊的欠定盲源分离情况,常规的盲源分离算法不再适用。本文针对此问题提出通过快速经验模态分解(EEMD)将由多路信号混合成的单通道信号分解为多路本征模态函数,采用主成分分析估计源信号的个数,利用快速独立成分分析恢复出相互独立的多路源信号。并对单通道语音混合信号进行了仿真,与经验模态分解和小波变换算法进行了比较,速度快且分离效果较好,仿真结果验证了算法的有效性。