基于极值域均值模式分解的语音增强方法

增强低信噪比(signal to noise ratio, SNR)下的语音质量是语音识别需要解决的问题。在众多增强方法中,经验模态分解(empirical mode decomposition, EMD)是目前应用最为广泛的一种方法。针对EMD在对语音进行增强时存在端点效应的问题,研究了极值域均值模式分解(extremum field mean mode decomposition, EMMD)方法。该方法改变了EMD只利用信号的极值点信息的单一做法,充分考虑输入信号所有信息,计算信号极值点间所有数据的均值,可以有效解决EMD中的端点效应问题。因此,提出了基于EMMD的语音增强方法,实验结果表明EMMD方法的引入,消除局部数据中隐含的支流分量,避免了EMD方法的端点效应问题,明显提高了带噪语音的SNR,改善了语音的质量。     

Satellite fault diagnosis method based on predictive filter and empirical mode decomposition

A novel satellite fault diagnosis scheme is presented based on the predictive filter and empirical mode composition(EMD).First,the predictive filter is utilized to obtain the fault estimation,which is corrupted by noise.Then the EMD method is introduced to decompose the fault estimation into a finite number of intrinsic mode functions and extract the trend of faults for fault diagnosis.The proposed scheme has the ability of diagnosing both abrupt and incipient faults of the actuator in a satellite attitude control subsystem.A mathematical simulation is given to illustrate the effectiveness of the proposed scheme.     

事件影响下的时间序列多尺度集成预测

针对时间序列的非线性、非平稳和多尺度特征,考虑到事件对序列结构产生的影响,提出事件影响下的时间序列多尺度集成预测策略。首先,基于经验模态分解将原始序列分解成若干分量,从多个尺度展现序列的基本构成;随后,基于迭代累积平方和实现分量序列的变点检验,从多个尺度判别和获取事件对序列产生的结构性影响;然后,基于干预分析构建事件对不同分量序列的影响模型,据此剔除事件影响,获取净化序列;最后,运用基于粒子群优化的支持向量回归,建立单一尺度的序列预测模型,进而实现事件影响下的时间序列多尺度集成预测。实证分析表明:该策略能够精细辨识事件对序列的多尺度影响,有效建立序列总体及分量的预测模型,与传统方法相比,具有更强的事件辨识能力、自适应建模能力和更高的预测精度。     

基于EMD-WA模型的BDI指数波动周期特征研究

运用结合EMD分解和小波分析构建的EMD-WA模型,分析了国际干散货市场BDI指数的波动周期特征.通过EMD方法对BDI指数序列进行分解,针对分解出的本征模函数的均值、方差比和周期三个方面的特点,将不同频率的IMF进行分类重构,最后通过小波分析方法得到重构序列的主周期情况,并对结果做进一步分析.研究结果表明:一是BDI序列可以分解为随机波动项、周期波动项和趋势项三部分:二是季节性波动周期长度约为1年(0.88年),短周期长度约为4年(3.70年),中周期长度约为10年(9.96年);三是BDI序列周期特别是短周期呈明显4年到2年的缩短趋势;四是突出分析了重大事件与中、长周期紧密联系.     

单输入网络化控制系统的时延补偿滑模控制

针对网络化控制系统中存在的网络诱导时延问题,提出了一种离散滑模控制方法。基于一类线性时不变被控对象的单输入网络化控制系统离散模型,构造了具有时延补偿的滑模面。通过系统状态预估及对状态运动的分析,设计了可以完全消除系统抖振的滑模控制器。李亚普诺夫方法证明了该控制器能使系统状态在不产生抖振的前提下收敛于滑模面,并保证系统的渐近稳定,同时不要求网络诱导时延小于一个采样周期。以位置伺服系统为对象的仿真实例验证了该设计方法的有效性。     

非匹配不确定时滞系统的自校正滑模控制

针对一类不匹配、不确定并具有状态时滞的多输入多输出线性系统,基于线性矩阵不等式理论提出一种新的自校正滑模控制方法。该方法利用线性矩阵不等式给出滑动模态存在的充分条件,使系统在滑动模态运动下对于存在的不匹配不确定性扰动以及状态时滞具有完全不变性。引入双极性Sigmoid函数代替符号函数并根据Lyapunov稳定性理论设计了具有自适应能力的滑模控制器,在自适应律的作用下Sigmoid函数的边界层厚度以及切换增益可根据系统状态进行自适应调节,从而改善了滑模控制器输出量过大以及抖振等现象。基于Lyapunov理论证明了该方法的稳定性,最后通过仿真实验进一步验证了该方法的可行性及有效性。     

基于非线性修正策略的空气质量预警系统研究

建立科学、有效的空气质量预警系统,对于保护人们的身体健康和促进社会和谐稳定具有重要的科学价值和实际意义.为此,本文首先利用孤立森林(isolationforest,iForest)算法进行空气质量指数(air quality index,AQI)离群点分析,然后建立了一种空气质量预警系统,该系统由数据预处理模块、优化模块、预测模块和修正模块构成,融合了时变滤波经验模态分解(time varying filtering based empirical mode decomposition,TVF-EMD)、改进的蝴蝶优化算法(modified butterfly optimization algorithm,MBOA)、离群鲁棒极限学习机(outlier robust extreme learning machine,ORELM)和非线性修正策略,该预警系统成功地实现了空气质量的有效预警.同时,以污染程度不同的5个城市作为实验地点对预警效果进行检验,结果表明:1)与经验模态分解(empirical mode decomposition,EMD)相比,TVF-EMD可以更为有效地降低原始数据的非线性和非平稳性特征;2)基于MBOA的误差非线性修正策略比其他误差修正策略更胜一筹,可以显著提高预警系统的性能;3)建立的预警系统的性能要优于其他对比模型,可以对污染程度不同的城市进行有效预警.