基于改进经验模态分解的直流串联电弧故障检测

针对直流系统中存在强噪声干扰时串联电弧故障检测准确度较低的问题，提出一种基于改进自适应噪声完备集合经验模态分解和模糊k均值聚类相结合的直流串联电弧故障检测方法；首先运用改进自适应噪声完备集合经验模态分解方法分解回路电流信号，得到多个本征模态函数；然后计算各本征模态函数的Hurst指数值以区分噪声分量和有用分量，将Hurst指数值大于0.5的有用分量进行重构；最后计算重构信号的峰峰值特征量和模糊熵特征量以构建特征向量作为模糊k均值聚类的输入，通过聚类中心的不同位置识别正常与故障状态。仿真与试验结果表明，所提出的方法区分系统正常与故障状态准确度为100%,区分系统干扰与故障状态准确度为93%,能有效识别直流串联电弧故障。     

基于小波分析和EMD的手写体数字字符特征表示

针对经验模态分解(EMD)能有效地对信号结构作出精确分辨的特点,提出了一种基于小波变换和EMD的手写体数字字符特征表示方法.首先对原始数字字符进行G小波变换极大模预处理,得到能反应字符特征信息的光滑轮廓;然后对规范轮廓曲率序列作EMD分解,以获取浓缩曲率特征的主要信息;最后对此曲率特征数据进行聚类和识别.实验结果表明,与经典的字符特征提取算法相比,文中方法具有更好的聚类效果,提高了分类器的分类设计能力.     

改进k中值聚类及其应用

文章对划分方法、层次聚类方法以及小波变换进行了介绍,并详细分析了划分方法和层次聚类方法中存在的不足,将划分方法和层次聚类方法相结合,各取所长,提出改进的中值聚类,该方法分别从相似性度量、初始聚类簇及其簇中心的获取两方面对原始的基于划分的聚类方法进行改进.通过在混合数据聚类以及图像分割中的具体应用,验证了本文算法聚类的有效性及适用性.其中,在图像分割应用中,由于数据量的大小直接与图像本身的大小相关,当处理大型图像时,考虑首先对图像进行小波变换,通过对低频信号进行层次聚类从而能够快速有效地获取初始的聚类簇及其中心.     

基于EMD和ISA方法的轨道车辆动态应变信号去工频干扰研究

针对轨道车辆动态应变信号实际通道数量小于源通道,无法直接应用独立分量分析(ICA)方法降噪的问题,提出一种基于经验模态分解(EMD)和独立子空间分析(ISA)的去除工频干扰的方法.首先对信号进行EMD分解得到本征模态(IMF),再对结果进行ICA分析,得到独立分量,然后对独立分量进行层次聚类将原信号分解到不同的子空间中,从而达到分离噪声的目的.实验结果表明该方法降噪效果优于传统滤波算法,处理后的信号损伤值高于带阻滤波值处理结果,使寿命评估结果偏向于安全,证实了将其应用于去除轨道车辆动态应变信号中工频干扰的可行性.     

WKPowerMeans多径簇识别算法

针对KPowerMeans聚类算法多径散射簇的估计过程复杂及聚类结果高度依赖随机初始簇中心的问题,提出了一种改进的多径簇识别算法——WKPowerMeans算法.首先利用小波变换的尖峰检测技术估计出多径散射簇的数目和初始簇中心的位置,然后以结合了多径功率加权的多径分量距离为准则进行多径簇聚类.仿真结果表明:与KPowerMeans算法相比,采用所提出的WKPowerMeans算法能得到更稳定、准确的聚类结果,而且具有较低的时间复杂度.     

基于改进Hilbert-Huang变换算法的电气化铁路谐波检测

通过对电力机车负载电流进行仿真建模,得到电力机车在不同工况下的电流波形;使用改进的Hilbert-Huang变换算法对电流波形进行谐波检测;采用限制带宽经验模态分解算法对原始电流波形进行分解;通过引入屏蔽信号来控制本征模态函数的带宽,以有效抑制模态混叠.结果表明,所提出的改进Hilbert-Huang变换算法能够有效检测电气化铁路负载电流中各次谐波随时间变化的特征.     

基于NSCT和KFCM聚类的图像边缘检测方法

为进一步提高现有图像边缘检测方法的性能,提出了一种基于非下采样Contourlet变换(NSCT)和核模糊c-均值(KFCM)聚类的图像边缘检测方法.首先通过NSCT将原始图像分解成低频分量和高频分量;然后对含噪声较少的低频分量提取边缘信息,并采用KFCM聚类算法进行聚类得到低频边缘图像,以提高定位精度,而对于边缘细节信息较多的高频分量各个子带,通过模极大值检测边缘以减少伪边缘,丰富图像细节;最后对低频和高频图像边缘进行融合得到完整的边缘.实验结果表明,相比于Canny方法、边缘检测算子与模糊聚类结合的方法、边缘信息与混沌粒子群优化的模糊聚类结合的方法、NSCT域模极大值方法,文中方法具有更好的边缘检测效果,边缘定位准确、完整、连续、细节丰富.     

基于EMD和SVD的虹膜特征提取及识别

为克服小波变换和Gabor滤波器提取虹膜特征时小波基函数固定和Gabor滤波器参数需优化选择的问题,提出了一种基于经验模态分解(EMD)和奇异值分解(SVD)的虹膜特征提取方法.首先,对预处理后的虹膜图像进行EMD,将获得的一系列固有模态函数和残差分量构成初始矩阵;然后,对该矩阵进行SVD,以其奇异值作为虹膜特征向量:...     

损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.     

Hilbert-Huang变换方法在电网谐波及间谐波分析中的应用

本文将Hilbert-Huang变换方法应用于对电网谐波及间谐波信号的分析中.该方法包含两部分：经验模态分解与Hilbert变换.首先,运用经验模态分析法可以提取到各次谐波分量,然后再通过Hilbert变换可以计算得到其瞬时幅值与瞬时频率.仿真结果验证了此方法对电网谐波与间谐波信号分析的有效性.