损伤检测的经验模态分解法

用经验模态分解法对几种典型信号的特征进行分析.首先分解出内在模态函数分量,再对模态函数进行希尔伯特变换,得到时频图,由模态分量中突变点的位置来识别损伤发生的时间,而由时频图识别频率的变化.对一单自由度系统在刚度突变和累积疲劳引起的缓慢变化两种情况进行了分析,根据时频图中频率的变化识别出刚度发生突变的时刻及刚度变化的过程和损伤程度.结果表明经验模态分解法是进行损伤检测和时变参数识别比较理想的方法之一.     

基于经验模态分解建模法的肌肉疲劳检测

针对表面肌电信号的非平稳特性,采用自回归(auto regression,AR)模型对表面肌电信号进行分析,对短时间内的表面肌电信号的肌肉疲劳迅速做出判定。首先对表面肌电信号进行经验模态分解,得到本征模态函数和趋势项,然后对趋势项进行零化处理,再对本征模态函数分量进行重构处理,重构后的信号可视为均值为零的平稳信号,最后将去势化的信号建立自回归模型,采用基于该模型的第一个时变参数(first time-varying parameter of auto regression modle,ARC1)作为检测肌肉疲劳灵敏度的快速指标。用疲劳前后的相关特征值的灵敏度波动比(sensitivity to variability ratio,SVR)来表征肌肉疲劳的灵敏度,较平均功率频率对疲劳反应灵敏度要高。该方法通过表面肌电信号对肌肉疲劳检测时,具有时间短、灵敏度高以及将表面肌电信号细微特征信息放大、便于识别等优点。     

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。     

基于分位数回归模型和经验模态分解的全球变暖问题研究

利用分位数回归模型和经验模态分解(empirical mode decomposition, EMD)方法对气候及其变化进行分析和预测.首先,采用全球热力图对气温数据进行描述统计,并采用经验模态分解方法降噪获取趋势项来引入全球气温周期概念,探究全球气候变暖趋势;然后,基于多元线性回归模型及分位数回归模型寻找全球气温的影响因素,并对气温进行建模及预测.研究结果可为全球气候分析提供统计学支撑.     

基于改进的经验模态分解方法的热网管道泄漏检测方法

管道泄漏检测技术是保障管道安全生产的重要手段。为了延长管道使用寿命、及时发现和处理管道泄漏事故,通常采用基于声波检测的管道泄漏检测方法。对基于声波检测的热网管道泄漏检测方法进行了研究。对经验模态分解方法进行了分析,针对其存在的端点效应问题提出了一种改进的方法,经过仿真实验和性能对比,验证了方法的有效性和优越性。将这种改进的EMD算法应用在热网管道泄漏检测中,取得了较好的管道信息处理效果。     

基于ReliefF-NOSCA-AdakNN的肌肉疲劳识别技术研究

针对竞技体育训练中的肌肉疲劳监测问题,提出了一种基于ReliefF-NOSCA-AdakNN（RNA）的表面肌电信号（sEMG）特征提取和分类算法. 该算法结合了特征和类别之间的相关性分析和启发式搜索算法,对高维特征进行了有效的筛选和分类. 将RNA算法应用于经过滤波处理的肱二头肌肌电信号数据,对不同疲劳状态进行了识别和分类. 实验结果表明,提出的RNA算法在平均分类准确率和标准差方面分别达到了83.88%和0.012 7,均显著优于传统单一算法,体现了较好的分类性能.     

基于FGNN算法的sEMG肌肉疲劳分类方法

为了有防止果蝇优化算法的局部最优约束,提高肌肉疲劳分类的准确率,本研究提出了一种基于肌电信号的肌肉疲劳分类方法：果蝇-遗传优化算法,实现了肌肉疲劳的准确检测和分类。在改进的果蝇优化算法基础上把遗传算法的交叉变异和果蝇优化算法混合,并与神经网络结合对肌肉疲劳进行识别。相较于果蝇优化算法,改进后的算法有更强的跳出局部最优的能力。与神经网络结合后对于疲劳状态识别具有更好的效果。本研究提出的肌肉疲劳分类方法,可以防止运动员过度疲劳引起的肌肉损伤,实现准确的肌肉疲劳检测和分类。一共招募了10名健康的年轻参与者(6名男性和4名女性)进行疲劳测试。首先根据主观评测法对疲劳等级进行划分。然后,将采集到的肌电信号数据进行预处理、提取特征后作为神经网络,遗传算法-神经网络, 果蝇优化算法-神经网络, 果蝇-遗传算法-神经网络的输入。经比较果蝇-遗传优化算法-神经网络的准确率为94.3%,优于其他方法     

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.     

基于改进经验模态分解的三维重建

针对传统经验模态分解(Empirical mode decomposition,EMD)在边缘易出现分解错误的问题,本文提出一种改进的经验模态分解方法.分别对条纹进行镜像延拓和Gerchberg外插迭代来实现边沿的拓展,有效抑制条纹边沿引起的模态分解错误,提高分解准确度.将改进的EMD分解方式应用于变形结构光条纹图的分析,能有效消除条纹中的背景分布,得到更好的三维面形重建效果.     

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。     

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。     

基于经验模态分解的间接心电去噪

提出了一种基于心电图（ECG）动态模型和经验模式分解（EMD）的新颖心电间接去噪方法．通过设计一个心电信号模型对噪声ECG进行预滤波处理,为了保持重要的形态特征,尤其是QRS群波,从噪声ECG信号中减去这个模型,用EMD分解残存下来的信号,并且抛弃分解结果中的噪声成分达到去噪．最后,通过把模型和无噪的残余信号叠加起来获得无噪ECG波形．     

基于经验模态分解的低信噪比探地雷达数据处理

阐述经验模态分解原理及复信号分析理论,着重讨论EMD分解应满足的条件及具体分解过程.应用EMD方法对单道GPR数据及GPR正演加噪剖面分别进行分解,得到从高至低不同频率范围的本征模态函数GPR图.然后,以湖南长沙黑麋峰抽水蓄能电站进厂交通隧洞实测GPR剖面为例,首先对该剖面进行EMD分解去除部分噪声,再利用Hilbert变换求取GPR剖面复信号,并提取瞬时振幅、瞬时相位、瞬时频率3个参数,绘制出相互独立的瞬时参数剖面图.研究结果表明:EMD分解对于低信噪比GPR数据具有较强的适应性,把EMD分解应用于含噪的雷达信号,并结合GPR复信号分析技术得到的“三瞬”信息,避免了使用单一时距剖面分析所造成的解释偏差,可以较好地实现对低信噪比GPR数据的噪声去除,突出雷达剖面中异常体特征,达到提高GPR信号分析效果及解释精度的目的.     

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.     

基于改进EMD的船舶液舱液位测量方法及数据分析

分析了自由浮态下提高液位测量精度的方法,然后针对采集到的非平稳液位信号,提出了一种改进的局部经验模态分解(empirical mode decomposition,EMD)方法进行滤波处理,去除信号中各瞬时频率成分,提取信号的平均趋势,并计算液位有效高度.仿真结果表明,采用改进后的局部EMD方法能有效地提高分解精度,实验数据的分析表明提出的液位测量方法是可行的,具有工程应用价值.     

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.     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

基于变分模态分解参数优化的地震随机噪声去除方法

为解决变分模态分解在地震数据去噪中依赖人工经验,模态分解和去噪效果具有一定随机性和偶然性的问题,提出基于频域奇异值分解信噪比估计的参数优化方法。该方法在参数范围内以较高的估计信噪比为评价参数对模态分量数目与有效模态进行选取,自适应寻找去噪最有效的参数,从而避免主观选取参数的随机性,改善去噪效果。仿真模型实验表明：估计信噪比与真实信噪比的误差为正相关关系,能够有效反映地震数据中噪声程度,所估计信噪比可以作为去噪效果的评价参数。通过仿真模型和实际地震数据对方法进行验证,结果表明基于估计信噪比参数优化后的变分模态分解方法能够有效压制噪声、凸显同相轴信息。     

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。