基于ＥＥＭＤ域统计模型的话音激活检测算法

提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsicmode function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的VAD算法,特别在噪声强度大时体现出明显的优势。     

基于总体平均经验模态分解的语音增强算法研究

总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition)虽然能够在一定程度上抑制模态混淆,但添加的白噪声不能被完全中和,对所有本征模态函数IMF(Intrinsic Mode Function)分量进行集成平均等增加了计算工作量。基于EEMD和结合小波阈值去噪思想,提出改进的EEMD方法。首先对原始信号进行EEMD分解,得到一系列IMF分量;其次对筛选后的每个IMF计算噪声强度;然后采用小波启发式阈值估计噪声并计算阈值;最后以软阈值的方式滤除每个IMF中噪声并重构信号还原出增强的语音。通过分析仿真信号和实测信号,结果表明:该算法对带噪语音有很好的滤波效果,与其他同类算法相比提高信噪比2~4 d B。     

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。     

基于ICA算法的集合经验模态分解去噪方法

针对非线性非平稳信号的去噪问题,提出了一种基于独立分量分析(Decomposition Components Analysis,简称ICA)算法的集合经验模态分解去噪方法。首先利用白噪声辅助数据分析方法——集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)有效的抑制了经验模态分解(Empirical Mode Decomposition,简称EMD)中存在的端点效应和模态混叠现象,然后利用ICA算法对含噪信号经过EEMD分解后的有限个固有模态函数(Intrinsic Mode Function,简称IMF)进行去噪处理,有效的分离出若干个有效的语音信号分量,并对其进行语音重构,最后与小波阈值去噪方法进行比较,通过仿真可以看出,该方法对于信号去噪较为理想。     

矿用带式输送机驱动滚筒轴承振动信号降噪方法

针对现有振动信号降噪方法中经验模态分解存在模态混叠、独立分量分析要求采集的振动信号数不少于源信号数等问题,提出了一种基于集合经验模态分解(EEMD)和快速独立分量分析(FastICA)的矿用带式输送机驱动滚筒轴承振动信号降噪方法。首先,通过EEMD算法对采集的振动信号进行分解,得到若干不同尺度的包含故障特征频率的本征模态函数(IMF)分量;然后,基于相关系数对IMF分量进行重构,得到特征信号和虚拟噪声信号,将重构的特征信号和虚拟噪声信号组成输入矩阵,并作为FastICA算法的输入;最后,利用FastICA算法实现信号与噪声分离,达到信号降噪的目的。实验结果验证了该方法的可行性和有效性。     

EEMD的非平稳信号降噪及其故障诊断应用

针对往复机械振动信号的瞬时非线性、非平稳特性,提出一种基于总体平均经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）与过零率分析相结合的自适应降噪方法,并与能量矩、支持向量机（Support Vector Machine,SVM）结合应用于故障诊断。利用EEMD对非平稳振动信号进行自适应的分解,有效抑制经典经验模式分解的可能出现的模式混叠现象,再以所得的各固有模式分量（Intrinsic Mode Function,IMF）的过零率作为噪声评判准则,重构过零率阈值范围内的非噪声分量以实现信号降噪。另外,计算非噪声分量的能量矩作为故障特征提输入二叉树支持向量机实现的柴油机故障诊断验证了该方法有效性。     

LNG船电力系统故障检测的仿真研究

研究电力推进LNG船电力系统故障有效识别的问题.LNG船电力系统中含有大功率推进电机,其随机变化易造成电力系统故障,产生的故障暂态信号蕴含大量噪声,具有随机、非平稳的特点.传统方法不能有效提取这类故障信号特征,故障检测准确度低.为解决上述问题,提出了一种基于聚类经验模型分解(Ensemble Empirical Mode Decomposition,EEMD)的希尔伯特-黄变换(Hilbert-Huang Transform,HHT)故障检测方法.首先,将故障时刻的电网电压信号进行EEMD分解,得到固有模态函数分量;然后,将上述分量的希尔伯特边际谱进行时频分析,提取较为准确的故障特征信息.仿真结果表明,HHT方法能弥补传统信号分析方法的不足,最大限度的抑制噪声和保留故障信号特征,提高故障检测准确率.     

EEMD与EFICA在单通道复合故障诊断中的应用

针对转子不对中和滚动轴承微弱损伤的复合故障诊断问题,提出了一种基于平均经验算法(Ensemble Empirical Mode Decomposition,EEMD)和高效快速独立分量分析(Efficient Variant of FastICA,EFICA)的盲源分离故障诊断方法。利用EEMD算法将单通路复合故障信号分解成多个不同信号特征的本征模函数(Intrinsic Mode Function,IMF),解决了盲源分离中的欠定问题。在此基础上利用EFICA算法对各个不同信号特征的IMF进行故障特征分离。通过仿真实验和转子实验台的实验结果,表明该算法可以有效分离出各个不同的故障特征。     

基于自适应噪声闭值的EMD域多尺度边缘提取

为了利用经验模式分解(EMD)方法对具有不同信噪比的信号提取边缘信息,提出一种采用中位数绝对离差方法来佑计噪声阂值的EMI)域多尺度边缘提取算法。该算法首先采用EMD方法求得各尺度残余分量的抖率信号;其次采用阂值化方法去除斜率信号中的噪声,其中噪声阈值采用中位数绝对离差方法求得;最后经空间一致性检验,输出信号的边缘信息。仿真实验结果显示,基于自适应噪声阂值的EMD域多尺度边缘提取可以准确提取信号边缘信息,同时抑制噪声信号。     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

集合经验模态分解主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。     

基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解（EMD）和递归图（RP）法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数（IMF）上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。     

结合EMD和加权Mel倒谱的语音共振峰提取算法

提出了一种利用经验模态分解（Empirical Mode Decomposition,EMD）和加权Mel倒谱（Weighted Mel-Cepstrum coefficients,WMCEP）提取语音信号共振峰的算法。对语音信号进行EMD分解,找出含有共振峰的固有模态函数（Intrinsic Mode Function,IMF）,并将其重构得到一个新的重构语音信号。对重构语音信号进行加权Mel倒谱分析,获得包含频谱主要成分的加权Mel倒谱系数;利用离散余弦平滑算法,从加权Mel倒谱系数获得谱包络,并从谱包络的峰值位置获得候选共振峰;根据共振峰的连续性约束条件和频率范围,从候选共振峰筛选得到共振峰的估计值。实验结果表明,该算法比单独使用WMCEP提取的共振峰误差更小,而且在信噪比小于20 dB时仍然能够准确提取出共振峰。     

基于BEMD的Canny算子边缘检测算法

提出一种基于二维经验模态分解（BEMD）的Canny算子边缘检测算法,通过BEMD将图像分解成多层本征模函数,利用Canny算子对各分量进行边缘检测,并有选择地逐层重构出图像边缘,在灰度图像集中进行测试。实验结果表明,与传统算法相比,该算法能够获得较好的检测性能。     

基于EMD的自相似流量Hurst指数估计

针对表征自相似网络流量统计特性的赫斯特(Hurst)指数,讨论一种基于经验模式分解的Hurst指数估计算法。该算法通过对自相似网络流量数据进行自适应分解,得到一组满足指定余项误差的固有模态函数分量,由其能量对数化函数与Hurst指数之间的线性拟合,估计出Hurst指数。实验表明,该算法能对自相似网络流量的Hurst指数进行自适应估计。     

基于似然比测试的语音激活检测算法

针对低信噪比和噪声变化情况下语音激活检测算法性能下降的问题,提出一种新的参数更新和取值算法。该算法采用Laplacian-Gaussian混合模型对带噪语音频谱的概率分布进行建模,模型参数从带噪语音中估计得到,噪声功率参数通过跟踪语音的音节间隙进行平滑。实验结果表明,该算法在-5dB信噪比情况下,可以达到95％以上的检测率,具有优越的跟踪性能。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。