基于EMD改进算法的欠定混合盲分离

为改善拟合效果,针对经验模态分解(empirical mode decomposition,EMD)算法存在的端点效应,提出一种改进的EMD算法——端点极值延拓方法.利用改进的EMD算法对观测信号进行分解,将分解分量连同之前的观测信号构成新的观测信号,从而将欠定情况转化为超定情况,最后利用独立成分分析(independent component analysis,ICA)算法得到源信号的估计.通过仿真实验对比,证明了本文算法的有效性.     

希尔伯特-黄变换端点效应的自适应端点相位正弦延拓方法

针对希尔伯特-黄变换（Hilbert Huang Transform,HHT）的端点效应问题,提出一种自适应端点相位正弦延拓经验模态分解（Empirical Mode Decomposition,EMD）方法.该方法根据端点附近数据变化趋势,通过在信号两端自适应加上相位、幅值和频率适当的正弦延拓函数,使得原端点的包络线顺着端点附近波形延展,以改进EMD分解精度.为满足EMD内禀模态分量（Intrinsic Mode Function,IMF）与原信号的相关性精度和EMD较低迭代次数的要求,引入能表征EMD性能的目标函数.该函数可通过迭代次数、IMF个数和有效IMF的相关系数大小等来衡量.由于该方法的边界延拓参数是根据延拓周期比例系数、延拓信号长度系数和采样频率自动确定的,故其分解过程完全是一个自适应过程,不需要人为设置,具有较好的实用性.仿真和液压系统实例分析表明,该方法不仅能较好地解决HHT的端点效应,而且相对现有的延拓方法而言,筛选次数更少,能显著提高信号EMD分解精度,且减小Hilbert谱的端点效应,更加精确地提取了液压系统齿轮泵振动信号的故障特征,取得了较好的应用效果.     

基于最大相关波形延拓改进的EEMD方法

针对经验模态分解(empirical mode decomposition,EMD)中出现的端点效应和模态混叠现象问题,提出了利用最大相关波形延拓改进聚合经验模态分解(ensemble empirical mode decomposition,EEMD)方法.利用最大相关波形法对原始信号的两端进行延拓,实现延拓数据在原信号边界处的平滑过渡,减小端点处包络线的拟合误差.针对EEMD中参数无法自动获取的问题,采用自适应EEMD对新信号进行分解,提高信号的分解精度.通过仿真分析和转子不平衡故障诊断实例研究表明,改进的EEMD方法不仅能够明显减少虚假模态分量、有效抑制模态混叠现象,而且较好地改善了端点效应引起的分解失真问题.同时与基于极值点对称延拓改进方法及基于镜像延拓改进方法相比,所提方法具有较高的分解精度.     

经验模态分解及其雷达信号处理

 为了准确估计信号的瞬时频率,可用经验模态分解（EMD）将信号分解成有限个窄带信号。该方法因具有很强的自适应性及处理非平稳信号的能力而引起广泛关注,已在众多工程领域得到应用。但EMD是基于经验的方法,数值仿真和试验研究仍是分析EMD算法的主要方法。本文总结了EMD算法存在的问题,并指出深入挖掘支持该方法的理论基础是消除制约EMD算法进一步发展和应用推广的关键。针对所存在的问题,从改进筛分停止准则、抑制端点效应、改进包络生成方法和解决模态混叠问题等诸方面阐述了改进EMD算法的研究进展。综述了EMD在雷达信号处理领域的应用。最后分析指出了进一步研究EMD的几个主要方向。     

镜像延拓EMD方法的改进及其应用

希尔伯特黄(Hilbert-Huang)变换是一种自调节信号分解方法,通常该方法包括两部分:经验模式分解(Empirical Mode Decomposition,EMD)和希尔伯特变换。由于希尔伯特黄变换理论并不成熟,尤其是该方法存在的“端点效应”问题,使其在某些场合应用误差较大。为了解决端点效应问题,本文首先从阐述了Hilbert-Huang变换的基本理论、算法、存在的问题及常见的解决方法入手,针对镜像闭合延拓EMD处理端点效应问题时的不足,提出了一种新的镜像延拓EMD方法。最后利用仿真信号验证了该方法的有效性,取得了较好的结果。     

希尔伯特-黄变换方法边界问题的处理

在研究基于经验模态分解（EMD）算法的基础上,本文提出了一种处理EMD边界问题的新方法——拟正弦边界延拓法,并通过仿真试验,与采用特征波法的分解结果进行比较。对比表明,拟正弦边界延拓法能有效地抑制EMD分解出的固有模态函数两个端点处的摆动,从而提高时频分辨率,应用拟正弦边界延拓法处理EMD的端点效应具有一定的优越性,值得推广应用。     

一种基于改进EMD的风机振动信号异常检测方法

针对基于Empirical Mode Decomposition(EMD)的风机振动信号异常检测中噪声污染、CSI拟合包络线导致的过冲问题,端点效应引发的端点飞翼现象三点问题,提出了一种改进的EMD算法.该算法首先引进小波方法对原始数据进行降噪处理,再用边界特征尺度匹配方法对原始信号两端进行端点延拓处理,降低端点效应,同时结合3次Hermite插值拟合法的良好柔性来拟合包络线,以获得均值曲线.实验表明,利用该改进的EMD方法得到矿井风机振动边际谱,能清晰地得出风机振动信号特性,消除了过冲的影响,对端点效应也有了明显改善,提高了风机异常检测的准确率.     

EMD端点效应处理方法的研究

经验模态分解(EMD)过程中存在着端点效应问题,使得EMD分解结果产生严重的失真现象,从而导致处理数据发生畸变.提出了将极值点对称延拓和在信号序列上加窗函数相结合的方法,带入到EMD分解过程中,以抑制信号被分解时在端点附近所产生的上下包络线的发散现象.结果表明,该方法较好地解决了信号失真问题.     

基于改进EMD方法的轨道不平顺时频分析

经验模态分解法(EMD)的端点效应是影响该方法精度的难点问题,结合端点效应的产生原理和现有研究成果,采用镜像闭合延拓法和灰色神经网络预测法相结合的方法对信号两端的包络进行延拓;通过对仿真信号和实际信号的分析表明,该方法可以有效抑制EMD方法的端点效应.利用改进的EMD方法对提速干线铁路和客运专线铁路实测轨道不平顺信号进行研究,结果表明:京广提速干线铁路样本段轨道不平顺存在着不同程度的短波和中长波不平顺,而武广高速铁路样本段轨道不平顺主要分布于中长波区段.改进EMD方法为保障铁路安全运营提供了一种新的途径.     

一种改善EMD端点效应的可行方法

EMD方法自1998年推出以来已经成功地应用在许多非线性研究领域,但是,在应用EMD方法时有一个非常棘手的问题即端点效应问题。本文基于不必破坏信号本身端部特征的原则,提出了一种对信号端点极值进行合理预测的方法,在信号的端点分别添加两个极值点进行极值延拓。通过仿真实验分析,此方法对于处理较短数据序列,能够有效地抑制端点效应。     

经验模态分解的理论研究及应用

 经验模态分解(EMD)算法是一种崭新的能够自适应地处理非平稳信号的时频分析方法。在介绍EMD 算法概念的基础上,总结了EMD 算法理论方面的研究进展,比较了不同改进算法的优劣。介绍了EMD 算法在工程中的应用,指出了EMD 算法的研究趋势。     

基于二次EEMD的转子故障信号时频分析方法研究

HHT时频分析被广泛应用于机械故障诊断中,但其模态混叠成为应用时的瓶颈。针对此问题提出了利用二次集合经验模态分解分解(ensemble empirical mode decomposition,EEMD)来消除模态混叠的时频分析方法。该方法首先用EEMD将原信号分解成若干个本征模函数(intrinsic mode function,IMF),然后选取相关系数较大的分量重构原信号,再利用EEMD对其进行二次处理,便可获得去除模态混叠的时频分布。通过对仿真与实验转子信号分析,该方法可以有效抑制经验模式分解(empirical mode decomposition,EMD)的模态混叠现象,相比一次EEMD,二次EEMD去除模态混叠更明显,能有效应用于旋转机械故障诊断中。     

基于混合阈值的清除重复间隔阈值经验模态分解去噪方法

经验模态分解(Empirical mode decomposition,EMD)被认为是一种有潜力的非线性非静态信号去噪方法。传统的经验模态分解阈值去噪在零点附近存在不连续性的缺点,Kopsinis提出了EMD-IIT和EMD-CIIT方法,但这两种方法对阈值过于敏感,即区间极值轻微的偏差就有可能导致去掉整个区间曲线,因此本文提出一种混合阈值算法,结合了EMD-DT和EMD-IT各自的优势。仿真结果表明此去噪算法具有较好的效果。     

基于谱减法和经验模式分解的语音增强

本文提出了一种基于谱减法和经验模式分解的语音增强算法。在低信噪比的情况下用谱减法可以去除语音信号中的大部分背景噪声,再对已处理过的信号进行经验模式分解,对前几个IMF进行阈值处理可以进一步增强语音。实验表明:本算法去噪效果优于传统方法。     

基于MEMD的运动想象脑电信号的特征提取与分析

对于传统特征提取算法对运动想象脑电信号识别能力不足的问题,采用多元经验模式分解(multivariate empirical mode decomposition,MEMD)的方法用于分析运动想象的脑电信号.目前此方法主要应用在股票收益与宏观经济关系分析上,MEMD将标准经验模式拓展到多通道信号处理,适合于分析多元时间序列,并能够同时处理多通道的多尺度分解,进而在不同尺度下对多元时间序列的时间频率特性进行比较.通过Emotiv传感器对自定义的左右运动想象任务采集数据,采用MEMD提取相关脑电特征的边际谱,使用支持向量机对相关特征量进行分类.实验表明,此方法增强了定位脑电信号的频率信息的准确性,能够有效地提高对脑电信号的识别能力.     

基于小波分析和EMD的手写阿拉伯数字字符特征表示

经验模态分解(EMD)能有效地对信号结构做出精确的分辨, 利用这一特点本文提出了一种基于小波变换和EMD的票据手写体数字特征抽取方法。 通过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, 进而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分析。 实验表明,与经典的字符特征提取算法相比,本文方法具有更好的聚类效果,提高了分类器的分类设计能力。     

基于HHT方法的洪家渡水电站年平均流量多尺度演变分析

应用基于经验模态分解(EMD)的Hilbert-Huang变换(HHT)方法对洪家渡水电站1951~2005年的天然年平均流量系列进行了分析研究,并对未来洪家渡水电站年平均流量变化进行了预测.结果表明:洪家渡站年平均流量存在准3 a、准9a、准11a及准30a的波动周期;各时间尺度振荡的方差贡献以3a和9a的为最大;未来5年,洪家渡水电站年平均流量减少的趋势将逐渐扭转,年平均流量将逐年增加.