基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.     

一种抑制EEMD端点效应的改进SVR方法

针对总体平均经验模式分解(EEMD)中存在的端点效应问题,考虑到极值延拓只利用端点附近的值、基于数据点的支持向量回归机(SVR)延拓耗时长的缺点,将极值延拓和SVR数据预测延拓结合起来,提出了一种基于极值点的SVR延拓新方法。该方法通过找出信号中的所有极值点,先将端点附近的极值点作为SVR训练样本对信号极值点幅值进行延拓,并利用原信号所有相邻极值点时间尺度之差的平均值来控制延拓极值点的形状,再利用埃尔米特插值将延拓的极值点插值成所需要的数据点完成对信号的延拓。方法既参照了信号两端的变化趋势,又综合考虑了整个数据序列内部极值点的信息。通过仿真信号和对端点效应影响严重的实测液压故障信号分析表明,基于极值点的SVR延拓方法不仅提高了EEMD分解的精度和可靠性,有效地抑制了端点效应现象,解决了端点效应引起的分解失真问题,而且大幅减少了SVR延拓需要延拓的数据点,明显缩短SVR延拓的时间,提高了方法的实用性。     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

支持向量回归法在抽油机系统效率信号经验模式分解中的应用

应用经验模式分解(EMD)方法分析抽油机系统效率变化的趋势项。讨论了EMD方法的端点效应。为了解决EMD的端点效应,首先应用支持向量回归(SVR)方法对抽油机系统效率测试数据进行回归和预测,与实测数据对比表明SVR回归和预测具有较高精度;然后应用SVR方法对系统效率测试原始数据进行双边延拓,对延拓后的数据信号进行经验模式分解。延拓前后分解所得的效率变化趋势对比表明,SVR方法可以有效地解决EMD的端点效应,提高抽油机系统效率变化趋势的预测精度。     

EMD端点效应抑制方法

针对经验模态分解(empirical mode decomposition,简称EMD)中的端点效应问题,在研究总结了现有端点效应抑制方法的基础上,提出一种新的方法——基于支持向量机(support vector machine,简称SVM)延拓和窗函数相结合的方法,弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点。首先,采用SVM对原始信号两端分别进行延拓,将延拓后的数据进行加窗处理(中间加矩形窗,延拓数据加海明窗);然后,利用EMD方法对加窗后的信号进行分解,得到若干个内禀模态函数(intrinsic mode function,简称IMF);最后,将IMF分量的两端延拓部分去掉,以此来达到抑制端点效应的目的。以正交性为量化评价指标,对比分析了不同方法的性能,通过仿真和实验结果表明,该方法可以更好地抑制端点效应的发生。     

Volterra模型预测在EMD端点延拓中的应用

经验模态分解(empirical mode decomposition,简称EMD)的端点效应使得EMD分解结果产生严重失真,为了减小端点效应在分解过程中产生的影响,将混沌序列模型引入EMD,提出采用Volterra模型解决分解中产生的端点效应问题。论述了基于Volterra模型的数据延拓技术原理,即先对原始数据进行Volterra建模,然后利用该模型对数据进行延拓。该方法使端点处的延拓更加合理,从而使得三次样条曲线在端点处不会发生大的摆动,实现了准确的EMD分解。通过对仿真信号的研究表明,延拓抑制了分解的端点效应。把该技术应用于转子横向裂纹振动信号的EMD分解中,取得了良好效果。     

新型经验模式分解端点效应消除方法

对经验模式分解(Empirical mode decomposition, EMD)的端点效应进行深入分析,指出现有延拓方法的不足,对基于正弦函数延拓的方法进行改进,分析不同的延拓周期、延拓信号长度及信号端点值对EMD分解的影响,并与镜像延拓EMD分解方法进行了分析比较。在此基础上,提出一种基于指数正弦型延拓方法的EMD分解,它从原理上减小了延拓信号端点包络线的发散程度,从而提高了EMD分解精度和速度,并对其进行了仿真分析。研究结果表明,新的延拓方法优于传统的延拓方法,能较好地抑制EMD端点效应。     

基于多项式拟合的EMD端点效应处理方法研究

EMD经验模态分解方法在非平稳信号的分析和处理中起着重要的作用,但是在利用样条插值获得上下包络过程中存在着棘手的端点问题.多项式拟合极值延拓是一种抑制端点效应的方法,但是在应用过程中也有其不足的地方,针对其不足之处进行了深入研究,并提出了一种新的解决方法.将其应用于烟机的信号分析中,结果证明该方法能有效抑制EMD方法的端点效应,可以得到较好的结果.     

改进的经验模式分解在机械故障诊断中的应用

针对经验模式分解(empirical mode decomposition,简称EMD)在工程应用中存在的端点效应和模式混叠问题,提出了一种改进的EMD方法。首先,利用遗传支持向量回归对短信号进行延拓;然后,采用改进的包络拟合方法并结合总体经验模式分解(ensemble empirical mode decomposition,简称EEMD)处理信号,数值仿真结果验证了该方法能够有效抑制端点效应和模式混叠;最后,利用该方法并结合包络解调对滚动轴承内圈故障信号进行实验与分析。结果表明,与EMD相比,该方法可以更有效地提取故障特征,满足机械设备故障诊断工程实际需求。     

EMD端点效应抑制方法仿真比较与实例分析研究

基于经验模态分解的希尔伯特-黄变换分解会产生端点效应,现已提出了诸多的端点效应抑制方法。首先引入了端点效应问题,介绍了镜像延拓法、平行延拓法、极值延拓法、多项式拟合延拓法原理;提出延拓方法评价指标,采用仿真信号对四种抑制方法进行了对比分析,得出镜像延拓法是相对最优的处理方法;采用基于4种端点延拓方法改进的经验模态分解方法对凯斯西楚大学轴承故障数据依次进行处理;最终通过仿真分析与实例故障诊断均验证了镜像延拓法在解决端点效应问题方面的相对最优性。     

Application of support vector regression machines to the processing of end effects of Hilbert–Huang transform

The end effects of Hilbert–Huang transform are represented in two aspects. On the one hand, the end effects occur when the signal is decomposed by empirical mode decomposition (EMD) method. On the other hand, the end effects occur again while the Hilbert transforms are applied to the intrinsic mode functions (IMFs). To restrain the end effects of Hilbert–Huang transform, the support vector regression machines are used to predict the signals before the signal is decomposed by EMD method, thus the end effects could be restrained effectively and the IMFs with certain physical sense could be obtained. For the same purpose, the support vector regression machines are used again to predict the IMFs before the Hilbert transform of the IMFs, thus the accurate instantaneous frequencies and amplitudes could be obtained and the corresponding Hilbert spectrum with physical sense could be acquired. The analysis results from the simulation and experimental signals demonstrate that the end effects of Hilbert–Huang transform could be resolved effectively by the time series forecasting method based on support vector regression machines which is superior to that based on neural networks.     

基于经验模分解和最小二乘支持矢量机的装载机载质量动态测量混合建模方法

针对同时实现装载机载质量动态测量的高精度和快速性这一复杂问题,在基于动力学分析所给出的测量方法的基础上,给出一种实现高精度快速性装载机载质量动态测量的混合建模方法,该方法采用经验模分解(Empirical mode decomposition,EMD)作为实测信号的前端处理应用,用于从动态暂态测量信号中提取有效信号;采用最小二乘支持矢量机(Least squaresupport vector machines,LS-SVM)对动态和不确定性因素进行自学习,实现载质量动态测量的速度补偿;同时为使最小二乘支持矢量机发挥最优性能,采用贝叶斯证据框架对其参数进行推断优化:最后,通过比例线性计算方法获知待测载质量值.仿真分析和试验结果表明,按照所建立的混合建模方法进行载质量动态测量其测量精度可稳定在l%以内,验证了该方法的有效性.     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于小波熵的低误报率人体热释电红外信号识别

提出一种基于双密度双树复小波变换小波熵特征的热释电红外(PIR)信号人体识别方法.首先对人体和狗的PIR探测器输出信号进行去噪预处理,然后提取信号的双密度双树复小波变换的小波熵作为特征,最后采用最小二乘支持向量机对特征进行分类.实验结果表明:所提取的特征及分类方法对人体与狗的热释电红外信号的识别率可达93.6%.因此该识别方法能大大降低PIR探测器的误报率,并可进一步提升PIR探测器在安防和智能家居系统中应用.     

基于EMD和SVM的刀具故障诊断方法

为了解决刀具在切削过程中出现的故障,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法.该方法首先将经过标准化的声发射信号进行经验模态分解,将其分解为有限个固有模态函数(IMF)和残余量之和,然后对每个IMF分量通过一定的削减算法增强故障类型特征,计算每个IMF和残余项的能量以及整个信号的削减比作...     

NEW DESIGN METHOD FOR HYPOID GEARS

0 INTRODUCTIONThe application of CNC cutting machines and modern gen-erative CNC-controlled gear inspection machines in the processesof manufacturing and measuring, the tooth surface model repre-sented by the non-uniform rational B-spline surface (NURBS) …     

基于支持向量机和小波分解的气体识别研究

提出将支持向量机应用到气体种类识别的研究中，并建立小波分解提取特征量和支持向量机识别气体种类的气体定性分析模型。通过小波分解提取半导体气体传感器在温度调制下的动态响应特性的特征量，分别使用不同核函数和不同结构的支持向量机建立判断特征量与气体种类的模型。实验结果说明使用支持向量机进行气体成分定性识别的效果优于同结构的神经网络，且对支持向量机自身结构的选择不敏感，适合于对多组分气体定性分析研究。建立的模型在分辨力为13ppm（对CO）和15ppm（对Hz）的条件下，对单一氢气、一氧化碳及其混合气体的识别率可达98％，适合于工程应用。