VMD与Cohen核结合的时频分布交叉项抑制方法

在非平稳信号时频分析中,使用Cohen核所得时频分布的交叉项抑制与时、频分辨率难以兼顾。针对此,提出一种将变分模态分解（VMD）与Cohen核相结合的时频分析方法。首先对信号进行VMD分解,得到一组具有不同频率成分,相互独立的固有模态函数（IMF）分量,然后对每个IMF分量进行Cohen核时-频变换,再线性叠加重构出原始信号的时频分布。通过仿真分析,结果表明：该方法可以在保持时频分布中较高时、频分辨率的基础上,有效消除交叉项的干扰。     

EEMD和Cohen类联合抑制交叉项的时频特征提取方法

Wigner-Ville分布是一种双线性时频分布,对多分量信号分析存在交叉项干扰.本文提出了一种基于EEMD和Cohen类时频融合算法,该算法采用EEMD算法将信号从频域上分离为若干个固有模态函数之和,再对伪分量之外的各分量进行Cohen类时频变换并叠加,得到信号的时频分布,消除了信号内部各模态函数之间时频分布的交叉项.通过对EEMD和Cohen类时频融合算法进行仿真,与小波分解和Cohen类联合时频算法、EMD和Cohen类联合时频算法的仿真进行比较,结果表明,该算法抑制交叉项效果最好,重构误差最小,同时抑制了噪声对时频特征的干扰.     

基于变分模态分解的弹性参数核密度估计方法

概率密度建模是地震随机模拟中至关重要的环节,而弹性参数高频成分的概率密度估计决定了高分辨率地震随机模拟结果的精度。针对常规方法中弹性参数高频成分提取精度不足、概率密度建模先验条件过度约束以及弹性参数的概率密度建模分层设计等问题,提出了一种基于变分模态分解（variational mode decomposition, VMD）的弹性参数核密度估计方法。该方法首先采用VMD对测井弹性参数数据进行模态分解,筛选出本征模态函数（intrinsic mode function, IMF）中的高频项叠加得到测井弹性参数的高频成分;然后使用核密度估计分层计算得到高频成分的概率密度模型,并通过该模型进行随机抽样生成随机高频成分叠加至井旁地震数据上以达到丰富地震弹性参数数据高频内容的目的。珠江口盆地34号井区的实验结果显示,VMD有效分离出了中心频率在70 Hz以上的测井弹性参数高频成分,分层设计的核密度估计方法凸显了高频成分的统计规律,叠加随机高频成分后地震弹性参数70 Hz以上的高频成分得到了明显补充。该方法为地震高分辨率随机模拟提供了新的思路。     

抑制Wigner-Ville分布交叉项方法的比较

由于Wigner-Ville分布对于多分量信号存在交叉项的干扰,影响了特征提取的准确性。利用Choi-Williams分布,可以有效地抑制上述存在的交叉项问题,但其时频聚集性有所下降。因此,提出了基于EMD的Wigner-Ville分布进行特征提取,并在数字仿真振动信号上加以验证。分析结果表明,该方法解决了交叉项和时频聚集性下降问题。     

基于变分模态分解的故障弱信息提取方法

针对从非线性非平稳动态信号中提取故障敏感特征困难的问题,提出一种变分模态分解(VMD)与小波分析方法相结合的振动信号预处理方法.首先对信号进行VMD,然后采用改进小波方法处理各分量,最后对处理后的各分量进行重构.利用VMD-改进小波信号处理模型对第三级行星轮磨损振动信号处理分析,结果表明:VMD-改进小波方法能有效降低噪声干扰,凸显各特征频率.将提出的方法、VMD,EEMD,EMD分别与改进阈值小波、模平方阈值小波、硬阈值小波及软阈值小波的方法相结合,计算其峭度、信噪比和均方根误差,结果表明本方法的准确性更高.     

基于二维变分模态分解的矿井图像增强方法

针对煤矿主皮带图像的低光照、多尘雾、噪声大等问题,提出一种基于加权引导滤波的二维变分模态算法对主皮带图像进行增强。该算法对预处理的图像进行二维自适应非递归变分分解,对分解后的低频子模态进行加权引导滤波,增强图像的边缘细节以提高图像清晰度;并采用去噪能力强维纳斯滤波器。通过与自适应双边滤波和加权引导滤波技术仿真对比,该方法在图像边缘细节、滤除噪声等方面视觉效果不错,同时客观的峰值信噪比参数较高,均方差参数较低。     

一种新的减少交叉项的时频分布分析

针对时频分布中的交叉项问题,引入了重排理论,结合魏格纳——霍夫变换,提出了一种新的减少交叉项的方法——重排魏格纳-霍夫变换,实验验证该方法在抑制交叉项和提高时频分布检测性能方面的有效性。     

基于变分模态分解的冻结步态识别方法

针对传统帕金森患者冻结步态识别方法自适应性不佳的问题,提出一种基于变分模态分解的冻结步态识别方法.首先采用变分模态分解代替传统时频分析方法对冻结步态信号进行充分的自适应分解.其次为提高算法识别精度和识别速度,选用CART模型作为集成分类器的基分类器并进行特征降维处理.最后针对不平衡数据集和单分类器性能有限的问题,进行了数据采样-集成分类器的设计并通过贝叶斯优化对识别算法进行超参数寻优.实验结果表明,相对于AdaBoost、Tomeklinks-AdaBoost和ROS-AdaBoost集成算法,RUSBoost集成算法可以更高效地完成冻结步态识别任务.     

云相似度测量的变分模态分解去噪方法

为区分VMD( Variational Mode Decomposition) 分解后高低频段模态分量,提高VMD 算法的去噪效果, 提出一种基于云相似度测量的VMD 去噪方法。首先,对信号进行VMD 分解,通过计算各个模态分量与信号之 间的云相似度值,区分有效分量与噪声分量,然后对噪声分量进行小波滤波,最后将滤波后的分量与有效分量 进行重构。通过仿真和实际实验,将提出的去噪法与基于相关系数的VMD 去噪法和基于互信息的VMD 去噪 法对噪声信号进行处理,该方法去噪后所得信号信噪比相对较高,为28． 214 1 dB,均方误差相对较低,为 6． 12 × 104 ,验证了该方法去噪效果的优越性和对油气管道泄漏信号去噪的可行性。     

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。     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

一种基于变分模态分解参数优化的轴承故障诊断方法

为解决变分模态分解方法在提取齿轮箱滚动轴承的故障特征频率时受模态个数和惩罚项系数影响的问题,提出了一种基于人工鱼群算法优化变分模态分解的轴承故障诊断方法.首先,利用人工鱼群算法优化变分模态分解方法的模态个数和惩罚项系数;其次,故障振动信号经优化的变分模态分解方法分解,获得若干模态分量;最后,筛选包络熵值最小的分量进行包络分析,提取故障特征频率.实验结果表明:在优化参数过程中,寻优收敛时间缩短46％,并最终有效提取轴承故障特征频率.研究结果可解决变分模态分解方法受参数影响的问题,实现轴承故障诊断,具有实际意义.     

基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

基于频率诱导变分模态分解的齿轮箱故障诊断

针对风电传动系统齿轮箱的故障诊断问题，在脉冲激励响应的基础上提出了一种频率诱导变分模态分解(FIVMD)方法，并将其应用于齿轮箱故障特征提取.首先，根据振动信号傅里叶谱的极大值分布估计齿轮箱系统的自振频率；然后，将固有频率的估计值作为各模态分量中心频率的初始化位置，并通过交替乘子法将原始信号自适应分解为本征模态函数；其次，通过希尔伯特变换对各本征模态函数求包络谱，并计算其故障特征频率比；最后，挑选出故障特征频率比最大的模态分量，并根据其包络谱特征实现齿轮箱故障的有效识别.以维斯塔斯某3 MW风电机组圆柱齿轮断齿故障为例，验证了FIVMD在工程应用中的有效性和优越性.     

利用改进变分模态分解突变能量的直流配电网保护方法

为了有效识别环状直流配电网中的故障，提高直流配电网保护的可靠性、选择性、速动性和灵敏性，保证系统的稳定运行，提出一种利用改进变分模态分解(VMD)突变能量的线路纵联保护方法。因为VMD算法需要先设置模态数，且模态数与分解效果息息相关，所以首先利用麻雀搜索算法(SSA)找到VMD算法合适的模态数，使得在此参数下的分解效果最优。然后根据线路首末两端突变能量的差异，构造保护方案。将故障时采集的电压、电流故障分量进行SSA-VMD分解，得到若干模态分量并计算其突变能量。根据区内、区外的突变能量大小差异构造区内、外故障判据，由故障时正负极的突变能量比值差异构造故障极判据。在PSCAD/EMTDC中搭建环状直流配电网模型，利用MATLAB进行保护方法验证，结果表明：在不同故障类型下，所提方法均可在3 ms内快速可靠动作；可以识别区内外故障并实现故障选极，保护线路全长；可耐受过渡电阻20Ω,耐受过渡电阻能力强；在40 dB噪声情况下，依旧可以识别故障，有一定的抗干扰能力。     

经验模态分解的时频分析方法及其应用

研究了经验模态分解与希尔伯特变换相结合提取信号特征参数的方法,并对其性能进行了分析。给出了经验模态分解时频特性分析方法及步骤,并用该方法对瞬态信号特征提取及信号趋势提取进行了研究,仿真实验验证了该方法的可行性和有效性。将经验模态分解时频分析方法应用于信号的趋势提取领域,验证了此时频分析方法的有效性以及反映信号局部时频特征的独特优点。     

基于二维变分模态分解与自适应分数阶积分的图像去噪方法

针对噪声对图像分辨率的影响,提出了一种基于二维变分模态分解(two-dimensional variational modal decomposition, 2D-VMD)与分数阶积分的去噪算法。首先通过2D-VMD将图像信号分解为若干个不同中心频率的本征模态分量(intrinsic modal components, IMF),筛选有效的低频IMF分量,根据图像信息差异设定阈值,进行分数阶积分自适应选取,对每个有效的分量图进行卷积运算,根据积分阶次用方向掩模去噪算子滤除噪声,最终完成图像去噪。实验结果表明,客观评价参数值均得到提高,该方法在滤除噪声的同时也能够较好地保持图像的轮廓或纹理等细节特征。     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响，表现出强烈的非线性、非平稳性与随机性等特性，使得预测准确性受到极大考验.为提高风速预测准确性，创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先，利用变分模态分解将风速序列分解为一系列调幅调频信号，以降低数据复杂度，有效提取特征并提高噪声鲁棒性，减少风速自身对预测准确性的影响.其次，对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后，用实测数据验证所提方法的有效性.与其他典型风速预测模型相比，所提方法可有效提高风速预测准确性.     

参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征提取困难的问题,提出一种基于参数优化变分模态分解的轴承早期故障诊断方法。首先利用粒子群优化算法对变分模态分解算法的最佳影响参数组合进行搜索,搜索结束后根据所得结果设定变分模态分解算法的惩罚参数和分量个数,并利用参数优化变分模态分解算法对故障信号进行处理。原故障信号经过处理后被分解为若干本征模态函数分量,由此筛选出最佳信号分量并进行包络解调运算,最终通过分析信号的包络谱可判断轴承的故障类型。利用参数优化变分模态分解方法对轴承故障仿真和实测信号进行分析,均成功提取出微弱特征频率信息,表明参数优化变分模态分解方法可实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

小波变换用于Wigner-Ville分布交叉项的抑制

基于 Wingner- Ville分布良好的时频性质 ,针对它的交叉项的高频振荡特性 ,利用二维张量积小波对信号的 Wigner- Ville分布进行分解 ,用低频系数重构时频图 ,使交叉项干扰受到抑制 ,并就以 4个高斯包络正弦信号和 Wigner- Ville分布为例 ,用双正交小波作分解和重构说明了交叉项抑制的方法和过程 .数值计算表明 ,该方法对交叉项的抑制优于伪 Wigner- Ville分布