基于变分模态分解的探地雷达信号分析方法

将变分模态分解方法引入探地雷达信号处理中,针对探地雷达信号非平稳特征,利用变分模态分解原理建立探地雷达信号去噪方法。方法基于变分模态分解将雷达波信号分解为特征模态函数,再由样本熵决定高阶模态是否保留,实现白噪声去除。通过探地雷达Ricker子波和正演模型试验,检验该方法的正确性和有效性。与传统的小波变换、集成经验模态分解方法进行对比,研究探地雷达信号去噪效果,并将该方法用于分析实际工程探地雷达信号。研究表明,该方法能有效去除探地雷达信号中的噪声,在强干扰背景下,能获得高于20 d B的信噪比。     

基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

机械故障诊断中经验模态分解的模态混淆问题

经验模态分解广泛应用于机械故障诊断,但其模态混淆问题影响了方法的有效性。从机械故障诊断的角度提出了EMD模态混淆的基本概念,根据表现形式将模态混淆定义为"向下"、"交叉"和"向上"3种基本类型,通过深入研究经验模态分解的模态混淆问题,发现产生模态混淆的原因主要有2类:一类是由方法基本原理所导致,有模态向下混淆和模态交叉混淆2种表现形式,称为Ⅰ类模态混淆问题;一类是由筛分算法缺陷所导致,有模态向上混淆1种表现形式,称为Ⅱ类模态混淆问题。根据模态混淆产生的机理,提出了针对性的解决方案:对于Ⅰ类模态混淆问题需要引进辅助手段加以解决,例如异常排除法、信号滤波法和辅助信号加入法;对于Ⅱ类模态混淆问题,完善了本征模态函数的定义,改进了筛分算法最后进行了仿真,结果表明所提解决方案有效。     

基于经验模态分解的生命信号提取算法

穿墙生命探测雷达系统中,传统的基于快速傅里叶变换(FFT)的生命信号提取算法不能有效处理非平稳信号,且易受呼吸谐波干扰.为此,文中提出了一种从时域上提取生命信号的新方法.首先应用经验模态分解(EMD)将雷达接收信号分解成有限个固有模态函数(IMF),再用反映生命信号结构特征的IMF分量从时域上分别重构呼吸与心跳信号.仿真结果表明,所提出的新方法能避免呼吸信号谐波对心跳信号的干扰,因而能更加精确地提取心跳信号.     

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition ,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition ,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。     

基于经验模态分解的粒子图像测速流场重构研究

为了消除PIV流场数据中的错误数据并降低误差,利用经验模态分解将PIV流场数据分解为多个本征模态分量,对波形异常的本征模态分量进行滤波处理,并将处理后的本征模态分量与其他波形平滑正常的本征模态分量进行反向叠加,有效实现了流场数据的重构和错误数据的消除。当分解得到的本征模态分量较多且错误数据集中在某一个本征模态分量时,可以通过求解各个本征模态分量与原始流场数据的相关系数,将与原始流场数据相关的本征模态分量进行反向叠加重构并摒弃与原始流场数据不相关的本征模态分量,实现错误数据的直接消除。利用本方法分别对2个人为添加误差为1.7%和3.3%的标准模拟流场进行了处理,处理后的流场数据误差分别为0.002%和0.18%。采用该方法对某实验的原始流场数据进行处理,结果表明错误数据得到了有效消除,流场特性更加清晰准确。本研究可为减小变化缓和的流场数据的误差提供一定的指导。     

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。     

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。     

基于经验模态分解和核主成分分析的SAR图像相干斑抑制

结合经验模态分解(EMD)与核主成分分析(KPCA)方法,针对SAR图像提出一种改进的相干斑抑制算法。首先将SAR图像进行对数变换和均值调整后进行经验模态分解;然后利用KPCA进一步去除各层本征模态函数(IMF)中的噪声,具体方法是根据斑点噪声的统计特性和零均值高斯白噪声IMF的能量分布模型,近似计算各层IMF中噪声能量所占比例,据此选择合适数量的主成分重构IMF;最后对经过KPCA处理的IMF进行累加重构得到去噪SAR图像。实验结果表明,与另外两种EMD图像去噪算法相比,本文提出的方法在相干斑抑制效果和图像细节信息保持能力两方面都有较好的提高。     

动态称量经验模态分解数据处理方法

为消除动态称量信号中的各种噪声,研究动态称量经验模态分解数据处理方法.针对经验模态分解筛分过程中数据序列的两端常处于非极值状态,而导致边缘效应,以及现有抑制边缘效应方法效率低、对数据量要求大的不足,提出一种新的数据延拓方法次端点镜像延拓法来抑制边缘效应.通过对定量加料动态称量经验模态分解试验,结果表明新的抑制边缘效应方法可以获得较高的称量精度和效率,对称量信号分解的最大误差在±0.8%以内.     

信号经验模式分解与间断频率

基于环境激励条件下结构的模态参数识别问题需要处理采集的数据信号来得到所需的参数信息.经验模式分解(EMD)通过筛分过程将原始信号分解成若干个基本模式分量(IMF),可看作无需预设带宽的自适应高通滤波方法.通过设置间断频率可以避免模态混叠,使每一个基本模式分量表示结构的某一阶固有模态.采用信号实例说明该方法的主要计算过程,分解结果表明该方法能有效对信号进行分解,方便模态参数识别.     

一种改进的经验模态分解消噪阈值函数

在已有的经验模态分解（empirical modede composition,EMD）阈值消噪的基础上,提出了一种新的EMD域可导阈值函数。新阈值函数简单且便于计算,具有连续性和高阶可导性,可有效克服硬阈值EMI）消噪时和消噪后EMD系数不连续的缺点;也可有效克服软阈值EMD消噪时和消噪后EMD系数与原始EMD系数之间存在着恒定偏差的缺点。实验结果表明,经可导阈值的EMD方法消噪后,可有效减弱含噪信号突变点处的Gibbs现象,消噪后信号具有更好的视觉效果。与经典的硬闽值和软阈值EMD消噪方法相比,所提出的方法在信噪比和均方误差两方面都有较好的提高。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

经验模态分解和小波分解滤波特性的比较研究

 为了更好地了解小波分解(WD)和经验模态分解(EMD)2种方法对非平稳信号滤波特性的差异,以及2种方法的实际应用效果和各自的优缺点,提出了运用对高斯白噪声信号分解分量平均功率谱特性的分析来对比2种方法滤波特性差异的研究方法,并运用多项对比实验对所提研究方法的有效性进行验证.实验结果表明,所提研究方法能够有效地解释2种分解各自的滤波特性.对于EMD分解,各分量平均功率谱表现为带宽逐渐减小,中心频率逐渐降低的一组有序排列的带通滤波器.整个分解过程不需人为干预可自动完成,但存在边缘效应问题,如不加以处理可能会严重影响分解质量;对于小波分解,选择不同小波基,有的表现出与EMD分解类似的多尺度滤波特性,有的则不尽相同,甚至是完全不同.所以小波基的选择和分解层数的设置不同,可能会导致分解结果出现较大差异,因此存在对小波基优化选择问题.此外,小波分解过程速度较快,平均用时仅为EMD的1/25.     

重力信号的小波变换与经验模态分解级联滤波方法

针对动基座重力测量,提出了处理重力信号的小波变换与经验模态分解级联方法.该方法采用DB4小波函数的强制阈值小波变换作为前端滤波器,将原始信号分解为12层,提取第7层作为中间结果,运用经验模态分解方法用作第二级滤波器,将输入分解为8个模态,提取残余分量和最大尺度的逼近模态作为级联滤波结果.对静态重力数据进行概率密度分析,给出了重力的统计特性以及测量结果的可信度.级联滤波结果与某航空重力系统处理结果对比表明:级联滤波方法能够在强噪声中提取出微弱的重力信号,并且由于引入前端滤波器减少了级联滤波器整体计算量,提高了重力测量的空间分辨率.     

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)。     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

基于IMF奇异值分解和SVM的虹膜识别方法

提出了基于固有模态函数奇异值分解和支持向量机的虹膜识别方法．用一维经验模式分解对按行展开的虹膜数据进行分解,将得到的若于个IMF形成初始矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为虹膜特征向量输入支持向量机进行分类识别．与传统的Gabor小波特征提取方法比较,本文方法解决了滤波器参数繁杂同题且在编码长度和时间方面有明显的改进．试验结果表明,本文方法能有效地应用于身份鉴别系统中．     

基于经验模态分解的大地电磁资料人文噪声处理

将经验模态分解(Empiricalmodedecomposition,EMD)方法应用到大地电磁资料的人文噪声处理中,根据人文噪声的不同来源和特征,提出基于EMD的时空滤波器或硬(软)阈值对噪声进行抑制的方法。给出经验模态分解去噪方法的原理和步骤,并对实测大地电磁信号中常见的脉冲干扰、矩形干扰和周期正弦噪声等人文干扰进行消噪处理。研究结果表明：本文提出的噪声改正方法是有效的,突出了有用信号的信息,改善了受干扰大地电磁数据的质量。