改进的集合经验模态分解在人体行为识别中的应用

针对在基于惯性传感器人体行为识别的研究中,集合经验模态分解(ensemble empirical mode decomposition,EEMD)无法自适应地筛选出对不同分类行为更有用的固有模态函数的问题,特别是对步行、上楼、下楼3种易混淆行为的识别,提出一种改进的自适应集合经验模态分解特征提取方法,通过对不同分类行为筛选不同固有模态函数并提取窗口均值差异等新颖特征,有望在不同的分辨率下得到更准确、更有效的原信号特征信息。为了验证该方法的有效性,实验分别用典型时域频域特征与该方法提取的特征集训练K近邻(K-nearest neighbor,KNN)与支持向量机(support vector machine,SVM)分类器,并采用留一法(leave-one-out,LOO)交叉验证算法进行测试。结果表明,当分别采用KNN和SVM进行分类时,相比于原方法,改进的方法对步行、上楼和下楼3种行为的平均识别准确率分别提高了29.22%(KNN)和15.79%(SVM),对分类的7种不同行为的总平均识别准确率分别提高了95.11%(KNN)与93.14%(SVM)。     

多个经验模态分解对振动信号作用的对比

经振动传感器采集到的信号是非线性、非稳定的,这种信号无论是在时域还是频域上都不易分析。所以通过经验模态分解将原始信号分解成为多个本质模态函数（IntrinsicMode Function,IMF）,之后对其进行特征提取等进一步处理。但是经验模态分解存在模态混叠与端点效应的问题,所以文章采用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposision,CEEMD）。CEEMD是在进行经验模态分解之前加入多组符号相反的白噪声,这不仅减少了模态混叠,分解出的IMF分量还更精进。这种互补集合经验模态分解有效地处理了所采集的非线性、非稳定性的振动信号。     

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。     

基于Wigner分布和经验模态分解的谐波分析方法

在电力系统中,谐波对电网的危害日益严重,准确地对电力系统谐波进行检测有着重要的意义。Wigner分布是采用非线性变换处理非平稳信号一种常用的时频分析方法。本文将Wigner分布与经验模态分解结合起来,将经验模态分解作为Wigner分布的一个预处理环节,将信号分解为一系列固有模态函数,分别对单个固有模态函数进行Wigner分布。该方法用于多分量谐波的信号分析,具有很好的时频聚集性,且能够很好的抑制交叉项的干扰。仿真结果表明了该方法的有效性。     

基于Wigner分布和经验模态分解的谐波分析方法

在电力系统中,谐波对电网的危害日益严重,准确地对电力系统谐波进行检测有着重要的意义。Wigner分布是采用非线性变换处理非平稳信号一种常用的时频分析方法。将Wigner分布与经验模态分解结合起来,经验模态分解作为Wigner分布的一个预处理环节,信号分解为一系列固有模态函数,分别对单个固有模态函数进行Wigner分布。该方法用于多分量谐波的信号分析,具有很好的时频聚集性,且能够很好的抑制交叉项的干扰。仿真结果表明了该方法的有效性。     

振动信号趋势项提取的几种方法及其比较

研究经验模分解方法在信号趋势项提取中的应用．提出基于EMD方法在不同频率限制要求下信号趋 势项的定义和提取方法．通过应用于数值模拟信号及实测记录验证了此定义的可靠性．     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构...     

基于改进互补集合经验模态分解的自适应 小波熵阈值地震随机噪声压制算法

针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

经验模态分解的一种改进算法

针对信号采样频率过低对经验模态分解造成的虚假模态等问题,提出了一种改进的算法,即在进行分解前,对原始信号进行重构,其实质是通过内插的方式来增加采样点数,从而达到增加采样频率的目的.对模拟信号的处理结果表明,该算法消除了分解过程中包络曲线的异常波动,从而抑制了分解结果中多余模态的出现,使得对模态的物理解释更加清晰.在机械信号处理中,应用该算法成功地提取出机械信号中具有明确物理意义的故障模态,从而增加了机械故障诊断的能力.     

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。     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.     

基于EEMD和ICA的语音去噪方法

语音去噪技术是语音识别系统走向实用化的一个关键性难题.针对语音信号为非平稳信号的特点,提出了一种基于EEMD和ICA相结合的语音去噪方法,首先利用集合经验模态分解(EEMD)算法将含噪语音信号分解为若干个独立的固有模态函数(IMF),消除了经验模态分解(EMD)算法处理语音信号时产生的模态混迭现象;然后将固有模态函数通过改进的独立分量分析(ICA)算法分离出若干个有效的语音信号分量;最后对其进行语音重构,从而达到消除噪声干扰的目的.实验结果表明,该方法在输入信噪比为-10dB的汽车噪声条件下,可以将语音信号的信噪比提高到2.741 2 dB.     

Comparative analysis of temperature and CO_2 fluxes for winter wheat in Tibetan Plain and North China Plain using the EMD method

Comparative study of spectral properties of temperature and CO2 fluxes measured by eddy covariance method at Yucheng (36°57'N, 116°36'E, 28 m a.s.l., in the North China Plain) and at Lhasa (29°41'N, 91°20'E, 3688 m a.s. 1., on the Tibetan Plateau) is described using the empirical mode decomposition (EMD) method. The main results are: (1) The intrinsic oscillation modes or intrinsic mode functions (IMFs) were extracted from data of temperature ( T) and CO2 fluxes (F) measured at Yucheng ( T1 and F1) and Lhasa ( T2 and F2) . (2) Hilbert transform was applied to these IMF components, then the Hubert-Huang spectra and the marginal spectra of these data were obtained. (3) Comparison of temperature and CO2 fluxes in North China Plain and on Tibetan Plain illustrated that the characteristic frequencies corresponding to T1, F1, T2 and F2 are 0.05 Hz, 0.03 Hz, 0.014 Hz and 0.005 Hz, respectively.     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

Comparative analysis of temperature and CO2 fluxes for winter wheat in Tibetan Plain and North China Plain using the EMD method

Comparative study of spectral properties of temperature and CO₂ fluxes measured by eddy covariance method at Yucheng (36°57′N, 116°36′E, 28 m a.s.l., in the North China Plain) and at Lhasa (29°41′N, 91°20′E, 3688 m a.s.l., on the Tibetan Plateau) is described using the empirical mode decomposition (EMD) method. The main results are: (1) The intrinsic oscillation modes or intrinsic mode functions (IMFs) were extracted from data of temperature (T) and CO₂ fluxes (F) measured at Yucheng (T₁ and F₁) and Lhasa (T₂ and F₂). (2) Hilbert transform was applied to these IMF components, then the Hilbert-Huang spectra and the marginal spectra of these data were obtained. (3) Comparison of temperature and CO₂ fluxes in North China Plain and on Tibetan Plain illustrated that the characteristic frequencies corresponding to T₁, F₁, T₂ and F₂ are 0.05 Hz, 0.03 Hz, 0.014 Hz and 0.005 Hz, respectively.     

Comparative analysis of temperature and CO2 fluxes for winter wheat in Tibetan Plain and North China Plain using the EMD method

Comparative study of spectral properties of temperature and CO₂ fluxes measured by eddy covariance method at Yucheng (36°57′N, 116°36′E, 28 m a.s.l., in the North China Plain) and at Lhasa (29°41′N, 91°20′E, 3688 m a.s.l., on the Tibetan Plateau) is described using the empirical mode decomposition (EMD) method. The main results are: (1) The intrinsic oscillation modes or intrinsic mode functions (IMFs) were extracted from data of temperature (T) and CO₂ fluxes (F) measured at Yucheng (T₁ and F₁) and Lhasa (T₂ and F₂). (2) Hilbert transform was applied to these IMF components, then the Hilbert-Huang spectra and the marginal spectra of these data were obtained. (3) Comparison of temperature and CO₂ fluxes in North China Plain and on Tibetan Plain illustrated that the characteristic frequencies corresponding to T₁, F₁, T₂ and F₂ are 0.05 Hz, 0.03 Hz, 0.014 Hz and 0.005 Hz, respectively.     

一种新的超声无损检测回波信号的识别方法

由于超声回波信号受到噪声干扰或者到达时间混叠,故超声无损检测信号很难鉴别缺陷的大小.文中提出一种新的超声回波信号到达时间的识别方法.该方法首先把原始采集的回波信号进行经验模态分解,得到若干个固有模态函数,通过确定能量临界值,选择几个固有模态函数重构信号,重构信号的峰值包络表明了各个回波信号的到达时间.由衍射时差法(TOFD)实验信号验证了该方法的可行性及准确性.实验结果表明,可以识别的最小时间间隔为0.1μs,平均误差为80 ns.     

基于HHT的线性调频信号分析与参数估计

基于Hilbert-Huang变换(HHT),提出一种有效的线性调频(LFM)信号的分析与参数估计的方法.首先对LFM信号进行HHT得到其Hilbert谱,并根据能量的准则提取其中的主成分,完成LFM信号分析.对利用能量型主成分提取法得到的LFM信号主成分进行最小二乘直线的拟合,计算直线的斜率与截距,得到LFM信号的参数的估计值.实验证明,能量型主成分提取方法,在较高的信噪比范围内具有一定的LFM信号估计效果.