储粮害虫活动声信号去噪方法研究

采用经验模态分解(EMD)、小波阈值去噪、神经网络自适应滤波方法对4种储粮害虫活动声信号进行滤波去噪,得到5组对比实验.经对比分析每种方法去噪后的效果,发现EMD方法提升的信噪比和均方根误差均比较稳定,神经网络自适应滤波方法去噪后信号有失真现象,且不稳定.结果表明:EMD方法较适用于储粮害虫活动声信号去噪,能够较好地消除含噪信号中的噪声,对其他储粮害虫的声检测同样具有应用价值.     

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.     

基于EMD的基音检测预处理技术

针对基音检测的性能严重受背景噪声影响的问题,论文基于经验模态分解(EMD)理论,研究了含噪语音信号的EMD分解特性,参照小波阈值去噪方法,提出了一种基于EMD的自适应语音去噪算法,并且针对软、硬阈值函数的不足提出了一种新的阈值函数.MATLAB仿真结果表明,该方法可以有效地去除噪声,较好地恢复语音信号,与小波阈值去噪方法相比,信噪比、均方根误差等性能指标均有明显提高.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

基于EMD的桩基缺陷信号去噪改进研究

针对桩基检测环境复杂,存在复杂噪声的问题.提出一种基于峭度准则和信号相关性分析的经验模态分解(EMD)去噪改进算法,通过峭度准则判断分量包含特征信息的多少,通过信号相关性分析判断分量是否为噪声分量,利用改进EMD时空去噪方法对信号进行第一次去噪,在此基础上,利用EMD小波阈值法对信号进行二次去噪,两次去噪构成本文完整的基于EMD的信号去噪改进算法.实验仿真显示该去噪方法对于桩基微弱信号在保留信号特征信息的前提下取得了显著的去噪效果.信号的去噪效果将直接影响到桩基缺陷信号的识别检测,具有重要的应用价值和研究意义.     

频域积累与EMD去噪结合的微动信号检测算法

 超宽带生命探测雷达具有穿透能力强、距离分辨率高、抗干扰能力强等诸多优点,在防暴、救援、反恐等领域有很高的使用价值。由于穿墙生命探测雷达回波信号具有杂波干扰严重,且生命信号与背景噪声相互交叠等特点,利用传统数字滤波方法无法有效检测人体微动信号。针对此问题,本文提出一种利用频域积累与经验模态分解（EMD）相结合的人体微动信号检测算法,利用频域积累提高回波信号的信噪比,利用EMD 方法进行进一步的去噪处理。该算法不仅具有频域积累可以有效提高信噪比的优点,而且具有EMD 方法自适应分解信号的能力。同时,它克服了在低信噪比情况下,频域积累实时性不强,以及EMD 方法不能有效去除杂波的缺点。仿真和实验证明,该算法既可以有效提高雷达回波信号的信噪比,又可以改善单纯使用频域积累实时性不强的缺点,利用该算法对雷达回波信号进行处理可以准确快速地检测出人体的呼吸频率,是一种很好的穿墙雷达微弱信号检测新方法。     

基于经验模态分解的核磁共振去噪方法研究

核磁共振（NMR）在孔隙结构评估和流体识别方面具有独特的优势，但NMR信号很容易受到噪声影响。根据NMR噪声的时域和频域特征，提出了基于一种经验模态分解（EMD）的NMR去噪方法。首先，利用EMD将信号由高频到低频分解为一系列的本征模态函数，以此分解噪声和噪声NMR信号，然后，使用曲线趋势法和改进的过零点率曲线确定信号噪声分离准则，将有用信号叠加到剩余项以获得去噪信号。通过岩芯数据和测井数据对比发现，基于EMD的去噪方法可以提高信噪比的同时保留孔隙结构信息，其去噪效果优于小波阈值和EMD小波阈值法，计算得到的孔隙度接近实际孔隙度。     

一种新型阈值的EMD去噪方法

为了更好提升经验模式分解(Empirical Mode Decomposition,EMD)对于mie散射激光雷达信号的去噪效果,本文提出了一种多层重复间隔阈值(EMD-MCIIT)的EMD去噪方法。首先,对多层固有模态函数(Intrinsic Mode Function,IMF)进行去噪,应用alter函数对信号分量进行改变。然后,应用重复间隔阈值(EMD-IIT)对信号进行滤波。通过信号仿真以及mie散射激光雷达真实回波信号的实验进行验证,与传统的EMD阈值方法进行比较,结果表明该方法可以有效地去噪,信噪比有了较大的提升,因此具有很好的应用前景。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.     

航空发动机尾气静电信号去噪方法研究

针对航空发动机尾气静电信号噪声大,信噪比低的状况,研究了静电信号去噪方法。通过对强制软阈值小波去噪、默认阈值小波去噪、自适应提升小波去噪以及经验模态分解去噪四种方法的深入研究。以及基于matlab平台对各去噪方法的实现。对比分析四种方法在航空发动机实际试车中静电信号的去噪效果。结果表明,EMD方法对于尾气静电信号有较好的去噪效果,其他三种方法也可以实现不同程度的去噪。     

改进EMD在轴承故障诊断中的应用

为解决传统镜像延拓经验模态分解(mirror Empirical Mode Decomposition,简称mirror-EMD)在对信号分解过程中易受随机噪声干扰,易产生虚假固有模态分量(Intrinsic Mode Function,简称IMF)的缺点,论文提出了一种将自适应小波阈值去噪,镜像延拓EMD分解,相关系数法剔除虚假IMF三者相结合的改进EMD方法 (简称wt-mirror-EMD).该方法首先对原始故障信号去噪,然后对去噪后信号镜像延拓EMD分解,得到若干个IMF分量,最后对各IMF分量计算相关系数,对相关系数大的主IMF作频谱分析。仿真信号和实际轴承信号分析均表明,wt-mirror-EMD,该方法相对于传统改进mirror-EMD方法,尤其是当有噪声干扰时,检测结果更加准确。     

VMD-Wavelet 联合去噪算法研究与应用

为解决天然气管道运行过程中采集到的泄漏声波信号含有大量噪声的问题, 通过研究小波、 经验模态分解、 变模态分解等常见去噪算法, 分析了泄漏声波信号的特点, 将改进小波阈值去噪和变模态分解去噪相结合, 提出了变模态分解-小波变换(VMD-Wavelet: Variable Mode Decomposition-Wavelet) 联合去噪算法。 利用该算法对典型信号进行去噪运算仿真, 结果表明, 该联合去噪算法性能优于常见算法。 最后, 将 VMD-Wavelet 联合去噪算法应用于实际采集的油气管道泄漏声波信号去噪处理, 研究发现, 该去噪算法对强背景噪声下的泄漏声波信号能取得很高的信噪比改善和很小的均方误差。     

基于小波EMD的柴油机油耗量测量信号去噪处理

提出基于小波经验模态分解的柴油机油耗量信号去噪处理算法.将柴油机油耗量测量信号进行经验模态分解(EMD)后,经阈值处理和尺度滤波,去掉主要干扰因素所对应的本征模函数(IMF)分量,然后对剩余IMF分量进行重构,得到去噪后柴油机油耗量测量信号的时间序列.测试结果表明:重构后的信号能反映柴油机油耗量信号的真实趋势,其相对误差约为0.72％.     

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。     

基于改进EMD的地震信号去噪

压制随机噪声是地震数据处理过程中的一个重要环节,目前大多数去噪技术都不同程度存在去噪效果差、易损伤有效信号等问题。利用经验模态分解可将信号自适应地分解为不同特征尺度固有模态函数的优点,及小波变换模极大值滤波方法对噪声的依赖性较小且适合于低信噪比信号去噪的优势,构造了一种经验模态分解与小波变换模极大值相结合的新的去噪算法,该算法很好地实现了地震有效信号与随机噪声的分离,有效提高了地震数据信噪比。将该算法应用于仿真实验和实际地震数据处理,结果都表明该方法明显优于常规经验模态分解去噪效果。     

基于CEEMDAN的爆破地震波信号时频分析

爆破监测信号多为含噪信号,噪声会使经验模态分解(EMD)的结果产生严重的模态混淆,使用改进算法EEMD对模态混淆有一定的抑制作用但效果并不明显。为此本研究将使用自适应补充集合经验模态分解(CEEMDAN)来处理含噪信号。比较EMD、EEMD、CEEMDAN对仿真信号的分解结果,计算EMD、EEMD、CEEMDAN得到的IMF的排列熵值,对EMD、EEMD、CEEMDAN的分解结果进行Hilbert变换,并比较三者时频谱的分辨率。最后将CEEMDAN用于水下钻孔爆破地震波时频分析中,结果表明:CEEMDAN不仅对模态混淆具有一定的抑制作用,且其分解结果经过Hilbert变换得到的时频谱在时域和频域上都具有较高的分辨率。     

VMD和小波阈值重构的电力电缆局部放电信号去噪法

矿用电力电缆的绝缘在劣化初期会产生局部放电信号,因此通过测量局放信号能够判断电缆的绝缘状态。然而由于局放信号微弱,受干扰信号影响严重,导致其提取难度大,从而降低了根据局放量判断设备绝缘劣化的准确性。提出以一种基于变分模态分解和小波阈值重构的矿用电力电缆局部放电信号去噪方法,将局放信号从干扰中提取。利用变分模态分解法首先将含噪的局放信号分为多个本征模态分量,其次采用小波阈值法对每个本征模态分量进行处理,最后将处理后的信号进行重构,得到去噪后的局放信号。对实验室6 kV电力电缆施加2.5 kV直流电压获得的局放电压信号进行去噪处理,与已有的去噪方法对比去噪效果。经对比分析,该方法的去噪效果优于现有的其他方法,尤其是对于信噪比极低的信号,采用该方法后,重构信号的信噪比、相关系数、均方根误差、噪声抑制比均得到了显著提升。     

基于小波熵的矿用齿轮箱振动信号相关去噪法

 利用真实信号小波系数相邻层间相关性强的特性,将基于小波熵的相关去噪法应用于矿用齿轮箱振动信号的处理,进行有用系数和噪声系数的划分,并对有用的小波系数进行重构,恢复原有真实信号,去噪过程中采用小波熵自适应设定阈值。为比较小波自适应相关去噪和硬阈值与传统相关性去噪的性能,分别对仿真信号和齿轮箱实测振动信号进行去噪处理,通过3种去噪方法的重构波形对比和信噪比与标准差的定量评价,以及实测信号的功率谱分析,表明小波熵相关去噪法有效提高了矿用齿轮箱振动信号的可信度。     

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。