CEEMD结合改进小波阈值的激光雷达信号去噪算法

激光雷达远距离回波信号受噪声影响, 严重失真。为了有效去除信号的噪声, 提高回波信号信噪比, 提出一种互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)结合改进小波阈值的去噪算法。CEEMD可以自适应地分解非线性和非平稳信号, 改进小波阈值函数具有高阶可导特性, 能够克服硬阈值、软阈值函数各自存在的问题。两种方法结合, 可以更有效地去除噪声。首先, 对回波信号进行CEEMD分解, 得到若干固有模态函数(intrinsic mode function, IMF)。其次, 通过相关系数法计算IMF分量与信号的相关系数, 确定相关分量和不相关分量。最后, 对不相关分量使用小波改进阈值法进行去噪, 对相关分量使用粗糙惩罚法进行平滑, 再重构信号。基于实测数据的实验结果表明, 所提算法比CEEMD去噪法和CEEMD结合原改进阈值去噪法, 信噪比分别提升了2.65 dB和0.58 dB。     

一种新的瞬时谱分析技术在致密砂岩气检测中的应用

瞬时谱分析技术在地震资料处理和解释中扮演着重要的角色,该方法的优劣取决于时频分析的好坏。常规的线性时频分析方法均是基于傅里叶方法发展起来的,因此受测不准原理限制,使之不能同时具有较高的时间和频率分辨率,且针对非线性非平稳信号的处理效果较差。将基于改进的CEEMD算法的HHT方法应用于致密砂岩气地震资料的瞬时谱分析中,分别从一维地震道,二维地震剖面以及三维地震数据体三个方面进行了实际地震资料含气性检测试验。结果表明该方法在一维地震道时频谱上能够区分含气区;在二维地震剖面的瞬时谱剖面上能发现明显的低频阴影现象;在三维瞬时谱数据体切片中能大致划分含气区域的范围。含气检测结果与测井综合解释结果相吻合,因此方法可以在致密砂岩气地震资料的解释性处理中进行推广。     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.     

GNSS浮标海潮高滤波光滑算法

全球导航卫星系统(global navigation statellite system, GNSS)浮标观测获取的实时海面高程数据中包含了潮汐、波浪和白噪声,其周期相差较大,可以通过滤波提取潮位信息。海面高作为一种非平稳和非线性的时间序列,常用的门限滤波、低通滤波、小波滤波等并不适用,经验模态分析法(empirical mode decomposition, EMD)适用于海面高分析,但容易存在模态混叠和分量冗余现象。基于改进的多指标多尺度排列熵算法(multi-scale permutation entropy, MMPE),分别与变分模态分解(variational model decomposition, VMD)和完全集合经验模态分解(complete ensemble empirical modal decomposition, CEEMD)结合,提出VMD+MMPE和CEEMD+MMPE两种降噪光滑模型。通过分析GNSS浮标数据的潮汐序列结果,并与小波分析重构潮位变化结果对比,其标准差分别为1.67 cm和1.39 cm,相关系数达到0.999 6与0.999 8,其中MMPE值分别为0.898 8和0.973 7。同时,通过三维频谱图的时频分析下,实验结果表明基于CEEMD+MMPE的算法具有更好的时频聚集性,在GNSS验潮数据处理方面具有较高的可行性和有效性。     

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。     

基于CEEMD的爆破振动信号自适应去噪

针对爆破振动信号短时、突变的特点,提出了基于CEEMD的爆破振动信号自适应降噪方法。为解决信噪分量分界点的判定问题,该方法提出依据CEEMD分解得到的噪声分量和有用信号分量自相关函数的波峰宽度特性自适应地判定信噪分量的分界点的方法。对IMF分量消噪阈值函数进行了改进,新阈值函数具有连续和高阶可导性。实验分析表明:采用新阈值函数的CEEMD自适应去噪方法能够有效地去除实测爆破振动信号中夹杂的噪声,并且很好地保留了爆破振动信号的突变细节,去噪效果良好。     

使用AVL数据的公交到站时间CEEMD-LSTM预测模型

准确的公交到站时间预测具有重要意义，但现实公交运行受突发路况影响，运行速度具有非平稳性，本文结合时序特征处理技术和深度学习，建立一种使用AVL数据预测公交到站时间的互补集合经验模态分解-长短期记忆神经网络模型。模型收集公交自动车辆定位数据，经预处理后引入互补集合经验模态分解平稳化公交运行速度，再借助Adam参数寻优后的长短期记忆神经网络对福州市303路公交某日早高峰公交到站时间进行预测。结果表明：优化的公交到站时间预测模型平均绝对误差比单一模型低了1.69min，预测精度高于长短期记忆神经网络模型和经验模态分解的到站时间预测模型，可有效地为安装车载自动车辆定位系统的公交线路预测公交到站时间提供参考。