Hilbert-Huang变换的鼾音信号谱分析

在分析Hilbert-Huang 变换算法的基础上,利用此变换对打鼾者的鼾音信号进行了分析。通过经验模态分解把鼾音信号分解为一系列固有模态函数,并分析了各固有模态的频率特征,对各模态的生物学意义进行了描述。对固有模态函数进行了Hilbert变换,建立了鼾音信号的Hilbert谱和边际谱。结果表明Hilbert比小波变换所建立的时频分布具有更好的时频分辨率,解决了时间分辨率和频率分辨率互相影响的问题;从实际看边际谱比傅里叶谱有更准确的物理意义。Hilbert 谱和边际谱为脉搏信号的特征提取和模式识别提供了可靠的依据。     

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　Tramform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。     

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。     

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EMD的谱峭度方法在滚动轴承故障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息。     

基于EMD的谱峭度方法在滚动轴承障检测中的应用

针对传统谱峭度方法中短时傅里叶变换不能保证对瞬态脉冲这种高度非平稳信号最优分解效果的问题,提出一种基于经验模式分解的谱峭度方法;该方法首先利用经验模式分解和Hilbert变换得到信号的时频分布,然后将信号的时频分布按照不同层数分成若干频段,通过计算各频段的峭度值得到相应的峭度图,再根据峭度最大原则选择滤波频段进行带通滤波,最后对滤波信号采用包络分析确定故障信息;实验结果表明:相比基于短时傅里叶变换的谱峭度方法,文章方法更能准确的获得轴承加速度信号的故障特征频率信息.     

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。     

基于改进HHT的脉搏信号分析方法

利用传统希尔伯特-黄变换(HHT)处理脉搏信号时,经验模态分解(EMD)分解精度低,并且存在模态混叠问题。为此,提出一种改进的HHT方法。结合时变滤波(TVF)对脉搏信号进行EMD得到一系列本征模态函数(IMF),采用相关系数法提取有效的IMF分量,并对其运用希尔伯特变换得到脉搏信号的Hilbert谱和边际谱。实验结果表明,该方法可提高分解精度,有效解决模态混叠问题,同时去除信号中的干扰成分,得到的Hilbert谱和边际谱能够准确反映脉搏信号的时频特性。     

基于EMD细化四元数谱的纹理分割

提出一种基于EMD细化四元数谱的无监督纹理分割方法。创新之处在于：首先采用二维可分离EMD分解提高各图像成分的四元数Fourier频域特征的分离度;再使用四元数Gabor滤波器组进行解析特征提取;最后利用新的模糊C均值聚类评价函数实现无监督的纹理分割。实验结果证明了该方法的有效性。     

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

GA和RBF神经网络的Hilbert.Huang变换端点问题研究

Hilbert.Huang变换(HHT)在对信号进行经验模态分解和对各内禀模态函数进行Hilbert变换时会产生端点效应,端点效应会严重影响HHT的应用质量;为克服该问题,文中采用多目标分配遗传算法(GA)解决RBF神经网络(NN)模型训练的参数选择,并利用RBF_NN对信号延拓后再进行经验模态分解;该方法可有效克服经验模态分解方法的端点效应问题,得到具有明确物理意义的内禀模态函数和Hilbert谱;通过对典型确定信号和实际信号的仿真分析表明:文中提出的算法能有效解决HHT中存在的端点效应问题,且其效果优于RBF神经网络和支持向量机(SVM)的数据序列延拓方法。     

基于经验小波变换的结构损伤特征提取

为了更好地提取结构损伤特征信息,提出了基于经验小波变换(EWT)和希尔伯特变换的振动信号分析方法。首先,用EWT对结构损伤加速度振动信号的频谱进行自适应分割,然后提取不同的调幅-调频(A M-AF)分量,最后对其进行希尔伯特变换,获取瞬时频率。仿真和工程实验结果表明:经验小波变换相对于经验模态分解(E MD)可以更好地提取信号的各个特征分量,为信号时频处理奠定基础,且分解的模态少,不存在虚假模态。同时,EWT与Hilbert的结合更进一步验证了该方法的有效性。     

经验模态分解及Hilbert谱分析在电压闪变检测中的应用

文章应用基于经验模态分解（EMD）和Hilbert谱分析的Hilbert-Huang变换,进行电压波动与闪变信号的分析与检测,并对应用中的一些问题进行了探讨;应用研究表明,对暂态闪变信号进行EMD分解,再对得到的各IMF分量求HHT谱,可以精确地检测到暂态电压波动发生的时刻和终止的时刻;采用Hilbert-Huang变换进行电压闪变调幅波信号的包络解调,可以避免电网工频高次谐波对解调的影响,从而提高闪变分析的精度;所作的一些尝试表明,应用Hilbert-Huang变换分析电压闪变信号是可行的和有效的.     

基于HHT的汽车动态称重数据分析方法

将希尔伯特-黄变换（Hilbert—huang transform，HHT）引入到汽车动态称重数据的分析中，针对动态称重信号的特点运用了极值延拓法来抑制边界效应，提出了利用经验模分解（Empirical mode decomposition，EMD）剩余分量的平均值求汽车动态称重真实轴重的方法，并将该方法与滤波法进行比较；进一步求出信号的Hilbert边际谱，将其与傅里叶幅值谱进行比较。实验结果表明Hilbert边际谱准确地反映了汽车通过称重台时振动系统的频率分布情况，汽车自振频率由此求出；当汽车通过台板的时间大于车辆振动的基频周期时，用该方法处理汽车动态称重信号能得到较理想的结果，车速≤15km／h时最大误差为5．63％。     

基于CEEMD和TEO的电力电缆故障测距方法研究

针对传统希尔伯特黄变换(HHT)中经验模态分解(EMD)在分解过程中存在模态混叠现象,将补充总体平均模态分解(CEEMD)与Teager能量算子相结合.提出一种基于CEEMD和TEO的电力电缆故障行波测距方法,通过CEEMD分解得到故障行波信号的固有模态分量(IMF),采用Teager能量算子得到瞬时能量谱,得到故障初始行波到达检测点时刻.PSCAD/EMTDC仿真结果验证了该方法的正确性,测距精度高.     

基于经验模态分解与差分包络谱的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合经验模态分解与纯调频信号差分包络谱,对齿轮故障诊断提出了一种新方法;首先,对齿轮振动信号进行经验模态分解得到多个不同分量;其次,根据峭度最大分量及其相邻分量的峭度值情况,合成有效分量;然后,运用经验调幅-调频分解得到纯调频信号;接着,将纯调频信号应用经验调幅-调频分解及傅里叶变换得到纯调频信号差分包络谱;最后,观察分析纯调频信号的差分包络谱进行故障诊断;利用该方法对断齿齿轮的振动信号进行分析,验证了方法的有效性。     

面向突发事件识别与测度的金融信号分析

通过金融市场传递的信号观察实体经济和社会秩序的安全和稳定受到了越来越多的关注。然而当前产学界的研究较多依赖于经济学理论和计量模型，获得需要的数据面临样本频次低、统计难度大的问题，其可解释性也受到了限制。为此，该文选择获得成本低、时效性强、权威可靠的金融数据，将金融时间序列视为隐藏社会和经济系统运行信息的金融信号。选择由经验模态分解（EMD）和希尔伯特谱分析（HAS）组成的希尔伯特-黄变换（HHT）方法对金融信号进行分析，通过EMD方法从金融信号中捕获对经济形成冲击的突发事件，通过HAS方法测度突发事件对于社会产生的影响程度。实验结果表明，HHT能够克服金融信号由于混叠多种效应难以挖掘具有实际意义的信息的问题，对于实际发生的突发事件能够做到快速识别和预警作用。     

基于HHT的水中爆炸冲击波信号特征分析

水中爆炸冲击波信号是一种瞬态、非平稳信信号,其信号的处理精度直接影响了冲击波测量精度和爆炸点的定位等。希尔伯特——黄变换（HHT）是一种基于瞬时频率分解的时频信号分析方法。本文介绍了一种利用HHT对水中爆炸冲击波信号的处理方法,研究结果表明,HHT方法对于处理瞬态非平稳信号是非常有效的。