多分量到单分量可用EMD分解的条件及判据

基于数据时域局部特征的EMD分解算法可把复杂的数据分解成有限、少量几个内蕴模式函数分量，是一种数据驱动的自适应时频分析方法. 文中将Huang的EMD分解定性为从多分量信号到单分量信号的分解算法，并给出了多分量到单分量可用EMD分解的条件，而且通过建立二级极值点结构，给出了从多分量到单分量用EMD分解的极值点判断准则. 通过大量实验，验证了可分解条件及判据的合理性.     

基于经验模式分解的音频带宽扩展算法

音频带宽扩展是现代音频编解码器的重要组成模块,它可以大幅降低编码码率。现有方法大多将低频复制到高频,然后利用少量高频参数进行调整得到重建的高频信号。这种复制方法假设高低频信号间具有相关性;但是,当这种相关性变弱时,编码质量急剧下降。为解决该问题,提出一种经验模式分解的方法重建高频信号。首先对高频和低频激励信号进行经验模式分解,然后选择与高频模式分量相关度较大的低频模式分量作为高频重建中的源信号。在得到高频重建的源信号后,再利用模式分量能量进行调整;最后通过源滤波器模型合成高频信号。实验结果表明,该方法与3GPP WB+和AVS P10编码标准中的带宽扩展算法相比,编码质量得到了明显提升;与最新的3GPP EVS中的时域带宽扩展算法相比,主观音质相当,码率下降33.3%。     

多分量调幅-调频信号的瞬时频率直接计算与畸变消除方法

针对局部均值分解(LMD)在多分量调幅-调频(AM-FM)信号解调过程中的瞬时频率求解问题,提出了一种瞬时频率快速直接计算与畸变消除方法。首先通过LMD将多分量AM-FM信号分解为一系列单分量AM-FM信号,使用未展开瞬时相位的差分绝对值替代相位展开,有效提高了瞬时频率的计算效率;然后针对直接计算法求得的瞬时频率在极值点附近存在畸变的问题,根据畸变位置分布规律定位畸变位置并剔除畸变点,使用插值法补全被剔除数据,最终得到可用的瞬时频率。将提出的方法成功应用于转子碰磨故障诊断和语音信号基音频率识别,试验结果表明:与传统的基于相位展开的直接计算法相比,提出的快速直接计算法的运行效率更高;同时,求得的瞬时频率中的畸变能够被完整的定位和消除,最终得到正确可用的信号瞬时频率。     

基于变分模态分解的相关能量熵自适应阈值去噪

为有效抑制噪声对地震数据的影响,根据地震信号的时频特性,提出了基于变分模态分解的相关能量熵阈值去噪方法。采用变分模态分解算法将地震信号分解为频率由高频到低频且具有一定带宽的模态分量,计算各模态分量与地震信号的规范化相关系数,实现对各模态分量中的有效信息和噪声的定位。将去除有效信息的各模态分量分成若干子区间,分别计算各子区间的噪声能量熵,选取能量熵最大区间的模态分量系数作为该分量的噪声方差获得该分量的阈值,再将经阈值处理后的各模态分量重构得到去噪信号。通过对合成地震模型和实际地震信号进行去噪处理,并与直接去除高频分量的变分模态分解去噪方法进行了对比,结果表明,该方法能在强噪声环境下更有效地提取地震信号中的有效成分,提高信噪比。     

基于Hilbert-Huang变换的电力系统故障检测

电力系统发生故障时,其暂态信号多为非线性非平稳信号。希尔伯特-黄变换可从此类信号出发,自适应分解为有限个本征模式函数之和,通过选取IMF并对其进行Hilbert变换,提取出IMF分量的瞬时频率和瞬时幅度。利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析。仿真结果表明,希尔伯特-黄变换在电力系统故障检测中非常有效。     

基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法。首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障。分析结果表明该方法能够有效诊断滚动轴承故障。     

利用ICA的局域波分解及其在机械故障诊断中应用

局域波分解算法的自身局限使得分解分量之间的正交性不能得到保证,分解分量存在信息冗余,从而影响了分解质量.针对这个问题,将独立分量分析(ICA)引入局域波分解过程中,以消除分解分量的信息冗余,使得局域波分解得到的基本模式分量之间相互正交独立,改善局域波分解算法的局限性,准确地进行局域波分解.应用该方法对转子早期碰摩振动信号进行了分析,并对分解得到的高频基本模式分量进行Hilbert包络解调分析,准确提取了转子碰摩故障特征.试验数据的分析结果证明了方法的准确性和有效性.     

基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力，提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量，然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解，最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明，该方法能够对电力能耗数据进行合理预测，预测精度较高。     

经验模态分解中的频域分辨率及其改进方法

经验模态分解(EMD)的主要目的是提供满足Hilbert变换要求的单组分或窄带信号.针对EMD中由于模式混淆以及信号间相互作用带来的单个本征模态函数带宽过大的不足,对单次EMD分解结果本征模态函数的带宽进行了研究,计算了其瞬时频率分辨率,以此为依据提出了经验模态分解中限制当前信号带宽的改进屏蔽信号方法.此方法完全解决了模式混淆的问题,尽可能地减少了经验模态分解中信号相互作用的不利影响,有效地提高了本征模态函数经H ilbert变换后其瞬时频率表达的频域分辨率.     

一种低信噪比条件下的瞬时频率估计算法

为了在低信噪比条件下更有效地提取信号的瞬时频率,提出了一种改进魏格纳-维勒分布的瞬时频率估计算法来降低瞬时频率的估计误差.首先,采用基于切比雪夫多项式的核函数代替魏格纳-维勒分布的核函数,根据信号计算最优核函数.然后用该最优核函数计算信号的时频分布,以减小信号交叉项的影响.最后,采用维特比算法从时频分布中估计信号的瞬时频率.仿真结果表明,信噪比为-15～-5 dB条件下,改进魏格纳-维勒分布算法瞬时频率估计值的均方误差相比于魏格纳-维勒分布算法和平滑伪魏格纳-维勒分布算法减小超过53%,有效降低了瞬时频率估计误差.在单分量信号和多分量信号情况下,改进魏格纳-维勒分布算法能得到性能更优的瞬时频率估计值.