消除EMD端点效应的PSO-SVM方法研究

经验模态分解(empirical mode decomposition, 简称EMD)的端点效应使得EMD分解结果产生严重失真, 为了减小分解过程中产生的端点效应, 将支持向量机(SVM)这一智能算法引入EMD, 提出采用SVM模型解决分解中产生的端点效应问题. 通过支持向量机对其原始数据两端进行延拓, 以获得一个或者多个极大值和极小值. 为了使端点处的延拓变得更加合理, 引入粒子群(PSO)智能算法对支持向量机算法参数进行优化, 使其两个端点处的数据延拓得更加准确, 从而使得三次样条曲线在端点处不会发生大的摆动, 实现EMD分解的固有模态函数(IMF)更加准确可靠. 通过对仿真信号的研究表明, 基于PSO-SVM 方法的延拓方法能够很好地抑制了分解的端点效应.     

基于极值波延拓的端点效应处理方法

为解决总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)的端点效应问题,提出了一种基于极值波延拓的端点效应处理方法。该方法从波形匹配延拓的模板子波和寻优起始点着手,以最靠近端点处的极值波为模板子波,以与端点处极值点同型的极值点为匹配起始点,使寻优的目的性更强,过程更加优化。同时,提出了一种客观有效的端点效应评价方法--区域等分的端点效应评价指标,避开了数据长度的干扰,突出了端点效应的影响。通过对仿真和实测信号的应用分析,并与采用镜像对称延拓方法比较,证明了极值波延拓法对抑制端点效应的有效性。     

Walsh码软扩频信号降噪算法

针对低信噪比(signal-to-noise ratio, SNR)条件下, Walsh码软扩频信号盲解扩以及多址信号盲分离难以实现的问题,提出一种Walsh码软扩频信号降噪算法。首先,采用经验模态分解(empirical mode decomposition, EMD)算法将Walsh码软扩频信号分解为有限个本征模态函数(intrinsic mode function, IMF),分界点位置可通过Walsh码软扩频信号和噪声的IMF自相关函数收敛速度的差异进行判断。然后,采用小波软阈值滤波算法处理分界点之前的IMF。最后,利用处理后的低阶IMF和分界点后的IMF重构Walsh码软扩频信号,减少由于降噪造成的信号损失。仿真结果表明,在一定低SNR范围内,降噪算法以较低误码率(bit error rate, BER)实现解调,信号损失较少。     

导引头的EMD-KF组合滤波方法

在拦截大机动来袭目标时,拦截弹视线角速度呈无规律的非线性变化,导引头对自身测量信息滤波存在一定困难。针对这一背景本文提出一种基于经验模态分解(empirical mode decomposition, EMD)和卡尔曼滤波(Kalman filtering, KF)相结合的导引头滤波降噪方法,发挥经验模态分解处理非平稳信号的自适应特性,并通过卡尔曼估计削弱经验模态分解方法中“边界效应”的影响。仿真表明,该方法对于具有强非线性特性的视线角速度信号有较好的自适应滤波效果。     

基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)能量占比的海面漂浮小目标特征检测方法.首先,采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function,IMF)分量,实现对接收回波的频率从...     

基于EMD提取专家语言评价信息的群决策方法

针对传统语言群决策方法在集成专家评价信息时所遇到的专家权重求取主观性大、方法无标准的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)提取专家语言评价信息的群决策方法,利用EMD方法适于分解非线性、非平稳信号数列的特点,分解各专家对待决策事物做出的综合语言评价值,得到各专家所做评价值的客观趋势成分和主观随机成分,以客观趋势成分的均值,作为待决策事物的专家综合评价结果用于优选过程.相比于传统群决策理论中专家信息的集成方式,其由于不用求取专家权重而直接进行评价信息提取,因此能更大限度地排除人为主观因素的影响,使最终决策结果更加符合对客观事物的评价规律.     

基于趋势估计的微多普勒分离与特征提取算法

微动目标特征提取与辨识一直是弹道目标识别的研究热点与难点。针对复杂运动目标微多普勒(micro-Doppler, m-D)曲线交叠耦合导致的微动辨识难点, 提出一种基于曲线趋势估计的分离算法。该算法首先通过骨架提取获得稳定精细的二值化曲线数据, 再基于曲线光滑性和插值法对曲线趋势进行精确估计并分离, 最后利用变分模态分解(variational mode decomposition, VMD)及经验模态分解(empirical mode decomposition, EMD)算法分解每条m-D曲线并计算相应的微动特性。仿真实验表明, 所提算法能够在信噪比大于-15 dB条件下稳定分离m-D曲线, 进而提取目标的微动特性。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于平均包络线匹配算法的EMD端点效应分析及在股价趋势分解中的应用

经验模式分解(EMD)能够有效获得非平稳非线性信号的时频特征,但传统的EMD分解算法存在严重的端点效应. 在深入研究和分析EMD算法的基础上,提出了一种基于波形匹配的端点效应处理方案,通过计算波形匹配度, 在平均包络线内部寻找与其端部变化趋势最为接近的子波,并用这段子波代替平均包络线的边缘部分, 使处理后的平均包络线极大地接近真实包络线,并把这种端点效应处理方案的EMD分解算法应用到实际的股票市场价格趋势分解中.实验结果表明,与经典的EMD边界延拓算法相比,本文提出的算法能更有效地抑制EMD分解时的边界效应, 分解得到的固有模式函数更能体现模拟信号真实的频率、幅值信息.应用实验表明:与现有方法相比,该方法更能提高预测精度.     

峰度检验加窗的EMD脉冲星信号消噪方法

针对经验模态分解(empirical mode decomposition, EMD)过程中本征模态函数(intrinsic mode function, IMF)上存在脉冲星信号与噪声混叠的问题,提出了一种基于局部峰度检验加窗的EMD消噪方法。首先,利用自相关和互相关来判断IMF的重构起点;其次,通过局部峰度检验方法来获取重构起点前两层IMF中信号脉冲部分的左、右端点,选用Turkey Hanning窗滤掉脉冲外噪声;最后,利用自适应阈值方法进一步除噪,改善信号质量。实验结果表明,与其他5种方法相比,所提消噪方法可以有效抑制噪声,保留脉冲星信号细节信息,具有更高的消噪性能。     

Empirical mode decomposition using variable filtering with time scale calibrating

A novel and efficient method for decomposing a signal into a set of intrinsic mode functions （IMFs） and a trend is proposed. Unlike the original empirical mode decomposition （EMD）, which uses spline fits to extract variations from the signal by separating the local mean from the fluctuations in the decomposing process, this new method being proposed takes advantage of the theory of variable finite impulse response （FIR） filtering where filter coefficients and breakpoint frequencies can be adjusted to track any peak-to-peak time scale changes. The IMFs are results of a multiple variable frequency response FIR filtering when signals pass through the filters. Numerical examples validate that in contrast with the original EMD, the proposed method can fine-tune the frequency resolution and suppress the aliasing effectively.     

一种基于EMD和ANC技术的自适应降噪方法

为了提高分析信号的信噪比,基于经验模态分解和自适应噪声抵消技术,提出了一种新的信号去噪方法。该方法首先对信号进行自适应噪声抵消,然后进行经验模态分解,得到不同尺度上的固有模态函数,再对不同尺度上的固有模态函数进行噪声属性判定,如果不是噪声则选用不同的滤波参数,进行自适应噪声抵消,最后对各尺度上噪声抵消后的信号进行重构,得到去噪后的信号。结果表明,该方法比基于最小均方误差准则的自适应噪声抵消方法更能有效地消除信号中的噪声。     

Multi-component LFM signal detection and parameter estimation based on Radon-HHT

A new method is proposed to analyze multi-component linear frequency modulated （LFM） signals, which eliminates cross terms in conventional Wigner-Ville distribution （WVD）. The approach is based on Radon transform and Hilbert-Huang transform （HHT）, which is a recently developed method adaptive to non-linear and non-stationary signals. The complicated signal is decomposed into several intrinsic mode functions （IMF） by the empirical mode decomposition （EMD）, which makes the consequent instantaneous frequency meaningful. After the instantaneous frequency and Hilbert spectrum are computed, multi-component LFM signals detection and parameter estimation are obtained using Radon transform on the Hilbert spectrum plane. The simulation results show its feasibility and effectiveness.