Hilbert-Huang变换在谱分析中的应用

本文对Hilbert-Huang变换(Hilbert-Huang Transform)理论做了仿真研究,并通过仿真实验对非平稳信号作经验模式分解(Empirical Mode Decomposition),得到它的固有模态函数(Intrinsic Mode Function)分量;对各个分量作Hilbert变换,得到瞬时频率,并构造希尔伯特谱-时间-频率的时频分布图。通过与短时傅立叶变换(Short Time Fourier Transform)、小波变换(Wavelet Transform)的分析比较,Hilbert-Huang变换方法更能反应原始数据的固有特性,有更好的时频聚集性,更适用于对突变信号和非平稳信号的处理。     

微电网HHT谐波检测与时频分析方法

为解决微电网谐波、突变等复杂非平稳信号的精确检测问题,提出一种基于Hilbert-Huang变换（HHT）的微电网谐波检测与时频分析方法。该方法采用保形分段三次埃尔米特插值法拟合极值点曲线,对谐波信号进行经验模态分解（EMD）,得到有限个固有模态分量（IMF）并进行Hilbert变换,最终计算各个IMF分量的瞬时频率和瞬时幅值,实现微电网谐波等非平稳电能信号的时频特性精确检测。仿真结果表明,该方法能够快速、准确地获取谐波信号频率成分、幅度及电压突变时刻。相对于FFT变换及传统HHT方法具有较高的精度和时域区分特性,可满足微电网谐波微机检测的工程应用需求。     

基于EMD瞬时频率估计在电力系统中的应用

于经验模式分解（Empirical Mode Decomposition,EMD）瞬时频率估计是一种新的时频分析方法,它具有良好的时频局部化特征,适用于电力系统故障分析。它是通过EMD方法提取非平稳信号的本征模态函数（Intrinsic Mode Function,IMF）,再进行Hilbert变换即可得到各信号分量的瞬时频率,对其进行分析即可检测到信号发生故障和扰动的准确时刻。此方法从根本上摆脱了傅立叶分析的局限性,通过对中性点不接地系统中由单相接地故障激发铁磁谐振的仿真,验证了此方法的有效性。     

基于小波包分解的含噪语音时频特性分析 及端点检测

针对Hilbert—Huang变换方法在语音处理过程中存在模态混叠问题,本文提出了基于小波包分解的语音时频分析方法。首先对含噪语音进行小波包分解,对各分量分别进行经验模态分解,并运用相关系数阈值准则对固有模态函数进行筛选;然后建立语音信号的Hilbert谱和瞬时能量谱;最后将基于小波包分解的Hilbert—Huang变换瞬时能量谱方法应用于含噪语音的端点检测。实验结果表明：与传统广义维数以及谱熵算法相比,本文方法具有更好的准确性、稳定性和自适应性,能够有效描述语音信号非线性非平稳的时频特性,为语音信号的分析研究提供了一个新的思路。     

基于Hilbert2Huang Transform 的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制。针对此本文提出了基于 Hilbert - Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析。通过把心音信号分 解为内蕴模式函数,利用Hilbert 变换建立了心音信号的时间- 频率- 能量三维Hilbert 谱分布以及边界谱分布; Hilbert 谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信 号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值。     

基于经验模态分解的算法改进

经验模态分解（EMD）算法是Hilbert—Huang变换（HHT）的核心算法,它的分解效果依赖于采样频率的选择,介绍一种新的EMD的采样频率选取方法,并通过仿真信号实验表明该方法分解信号更完全,对电力系统谐波检测分析有一定的实际应用价值。     

一种新的瞬时频率估计方法及其应用

将一种新的瞬时频率估计方法一基于经验模式分解(Empirical Mode Decompositi on,简称EMD)的信号瞬时频率分析方法,应用于电力系统的信号分析中.它是通过EMD方法提取非平稳信号的本征模态函数(Intrinsic Mode Function,简称IMF),再进行Hilbert变换即可得到各信号分量的瞬时频率,对其进行分析即可检测到信号发生故障和扰动的准确时刻.此方法从根本上摆脱了傅立叶分析的局限性,通过仿真,验证了此方法的有效性.     

基于Hilbert-Huang变换的目标注视脑电模式分类研究

研究目标注视任务,即类“思维拨号”任务下的脑电信号模式自动分类技术。基于时频分析原理,对循环扫视6×6字符矩阵所得的脑电信号进行Hilbert-Huang变换,用EMD（Empirical Mode Decomposition）方法把信号分解成数个本征模态函数（Intrinsic Mode Function,IMF）;对每个IMF进行Hilbert变换,得到时频平面上的能量分布,即Hilbert谱;将各频率分量累加谱按时间变化特性作为关注与非关注某字符的特征量;最后通过K-近邻法对所视字符进行自动识别。对第3届国际脑机接口竞赛的数据进行分析测试,识别准确率达到84.21%。经Hilbert-Huang变换的时频分析方法,可以得到目标注视任务下的脑电信号有效特征,从而有助于脑机接口系统的实际应用。     

基于Hilbert-Huang变换的语音信号分离

针对短时傅里叶变换不能正确得到非平稳信号的能量频率分布问题,提出了一种基于Hilbert-Huang变换的单信道语音信号分离的算法。该算法首先对分解得到的各内蕴模式函数分量(IMF)进行Hilbert变换,得到混合信号时频面上的Hilbert谱,然后对混合信号的Hilbert谱运用独立子空间分析的方法得出代表各个独立源信号的子空间,并对其求逆变换,从而恢复出各个源信号。通过仿真实验验证了此算法的正确性和有效性,且与短时傅里叶变换时频分析法相比较,其分离性能明显得到改善,显示了Hilbert-Huang变换在处理非平稳信号的优越性。     

多分量非平稳声信号时频分析

为了准确提取信号所包含的主要频率分量,对多分量非平稳声信号进行了时频分析。利用短时傅立叶变换将多分量非平稳声信号由时域变换到时频域,根据谱图提取信号的主要频率分量。分析结果表明：多分量非平稳信号的各主要频率分量及其时频域特性参数可以准确提取。短时傅立叶变换是提取多分量非平稳声信号主要频率分量的有效方法。     

基于Hilbert-Huang Transform的心音信号谱分析

心音信号是一种典型的非平稳信号,传统信号处理方法的应用受到很大限制.针对此本文提出了基于Hilbert-Huang Transform(HHT) 的心音信号的分析方法,对冠心病患者的心音信号进行了分析.通过把心音信号分解为内蕴模式函数,利用Hilbert变换建立了心音信号的时间-频率-能量三维Hilbert谱分布以及边界谱分布;Hilbert谱及其边界谱在时域以及频域以较高的分辨率表征了心音信号的时频变化特性,揭示了冠心病患者心音信号的病理特征;为冠心病的早期无损诊断奠定了坚实基础,临床实践中有较大的指导价值.     

基于Hilbert-Huang变换的语音增强技术研究

提出了一种基于Hilbert-Huang变换的语音增强方法。首先利用经验模态分解方法（Empirical Mode Decomposition,EMD）,选择合适的固有模态函数对含噪语音进行初步降噪,然后根据信噪比分别确定过减因子进行谱减运算。实验结果表明,与传统的谱减法相比,该方法的输出信噪比提高了5 dB以上,尤其在非稳定噪声条件下,输出性能有更为明显的改善。经Hilbert-Huang变换后得到的特征量能较为有效地描述语音信号的非线性以及非平稳特性。     

HHT在复合材料Lamb波检测中的应用

Lamb波信号是典型的非平稳非线性信号,根据无损检测的需要,采用改进的Hilbert-Huang变换（HHT）方法,克服了多模式Lamb信号间的相互干扰,消除了噪声影响。以带有缺陷的复合材料层合板为实验对象,结果证明：本方法能够有效分离信号中的各个固有模态函数（IMF）分量,通过各分量瞬时幅值的峰值回归直线,可准确地对缺陷尺寸进行分析与评估。     

EEMD分解在电力系统故障信号检测中的应用

针对经验模态分解(EMD)的希尔伯特-黄变换(HHT)在电力系统故障信号检测问题,应用存在的模态混叠会导致扰动信号检测失效,为此提出一种基于聚类经验模型分解(EEMD)的故障信号检测的方法。方法通过多次对目标数据加入随机白噪声序列以保证不同区域信号映射的完整性,并且克服了传统EMD分解造成的模态混叠问题,通过EEMD方法提取信号的固有模态函数(IMF),再进行Hilbert变换,利用Hilbert谱对故障暂态和扰动时刻进行检测,通过瞬时频率实现对故障暂态和扰动时刻的准确定位。通过数字仿真分析表明,方法是准确有效的。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

Mean frequency derived via Hilbert-Huang transform with application to fatigue EMG signal analysis

The mean frequency (MNF) of surface electromyography (EMG) signal is an important index of local muscle fatigue. The purpose of this study is to improve the mean frequency (MNF) estimation. Three methods to estimate the MNF of non-stationary EMG are compared. A novel approach based on Hilbert-Huang transform (HHT), which comprises the empirical mode decomposition (EMD) and Hilbert transform, is proposed to estimate the mean frequency of non-stationary signal. The performance of this method is compared with the two existing methods, i.e. autoregressive (AR) spectrum estimation and wavelet transform method. It is observed that our method shows low variability in terms of robustness to the length of the analysis window. The time-varying characteristic of the proposed approach also enables us to accommodate other non-stationary biomedical data analysis.     

HHT和神经网络结合的血细胞识别算法

多形态血细胞信号影响细胞分类与计数。提出了一种希尔伯特黄变换（Hilbert-Huang Transform,HHT）和神经网络相结合的血细胞识别算法。利用经验模态分解（Empirical Mode Decomposition,EMD）和Hilbert变换提取血细胞信号能量特征,与时域特征一起构成特征向量;建立神经网络模型进行训练与仿真,以实现对多形态血细胞信号的识别。仿真结果表明,该算法识别准确率高,具有良好的识别效果。     

Hilbert-Huang变换在语音信号精细时频分析中的应用

语音信号是一种典型的非平稳信号,其特性及表征本质特征的参数均是随时间变化的,而时频分析是分析时变谱的有力工具,Hilbert-Huang变换是一种新型的具有自适应性的时频分析方法,对于非线性、非平稳信号有清晰的物理意义,通过HHT变换,能够得到信号的时间-频率-振幅三维分布特征。分析了HHT算法的原理,采用了合适的端点效应处理方法提高了EMD的分解精度,通过仿真实验得到了语音信号更加精细的时频结构,并与STFT、WVD及Choi-Williams分布进行了对比,显示了HHT算法的优越性。     

Hilbert-Huang变换在煤矸界面探测中的应用

为了解决煤矿综采工作面煤矸界面识别问题,将Hilbert-Huang变换应用于煤矸振动信号的特征提取。采用EMD方法可以将复杂环境下的煤矸振动加速度信号分解成固有模态分量,通过分析包含煤矸振动特征的前4个IMF分量,得到局部Hilbert边际谱和局部能量谱,进而发现当顶煤放落时,其振动信号的幅值和能量主要集中在100 Hz至600 Hz的频率范围内;而当煤矸混放时,其幅值和能量则主要集中在1 000 Hz左右,此时100 Hz至600 Hz频率范围内的幅值和能量相对有所减弱。根据上述特征定义特征函数,应用到煤矸界面识别的仿真实验中,取得了很好的识别效果。