一种免疫算法与SVR的Hilbert-Huang边界优化

Hilbert-Huang变换(Hilbert-Huang transform,HHT)在对信号进行经验模态分解(Empirical mode decomposition,EMD)和对各内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会出现边界问题.为了克服该问题,本文提出了基于离散均匀免疫算法(Discrete uniform immune algorithm,DUIA)和支持向量回归(Support vector regression,SVR)的HHT边界优化方法.该方法采用DUIA优化SVR的参数,并利用SVR对数据廷拓,以有效分析HHT边界问题.通过对正弦叠加信号和实际信号的仿真分析表明:所提出的算法可有效解决HHT中存在的边界问题,且其效果优于SVR的数据延拓方法.     

经验模态分解方法中端点问题的处理

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征,但是在利用样条插值获得信号上、下包络过程中存在着棘手的端点问题。有文献提出利用线性神经网络对信号进行延拓的方法,来解决经验模态分解方法中存在的端点问题。提出利用BP和RBF网络对信号进行延拓的方法解决该问题;并利用实验对三种网络的延拓效果进行比较,证明了RBF神经网络的有效性。     

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。     

基于改进EEMD方法的轴承故障诊断研究

该文针对轴承故障诊断中信号处理的端点效应问题,提出基于极值波延拓与窗函数的改进集合经验模态分解EEMD方法。首先对原始信号进行极值波延拓,其次对延拓后的信号加入组合窗体,最后对信号进行EEMD分解,通过仿真验证改进EEMD方法的有效性。同时,进一步结合Hilbert变换建立了改进EEMD-Hilbert的轴承故障诊断模型,利用轴承故障的实测信号证明了该模型在提高轴承故障诊断效率方面有一定优势。     

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HHT的心音分段和医学指标提取

提出了一种希尔伯特黄变换(HHT)与香农能量相结合的包络提取方法,使包络更加平滑,分段更加准确。针对希尔伯特包络不平滑的问题,提出一种希尔伯特黄变换(HHT)与香农能量相结合的包络提取方法,使得所得包络更加平滑;针对经验模态分解(EMD)时采用三次样条插值而造成的端点效应问题,采用镜像闭合端点延拓方法予以解决。实验表明使用提出的新方法可以得到更好的结果。最后对心音信号进行包括心率、S1/S2和D/S在内的医学指标的提取和分析,这为临床上评估心脏储备提供了便利。     

一种改进的经验模态分解方法

针对经验模态分解中存在的端点效应及模态混叠现象,提出一种新的改进方法。利用镜像延拓方法对信号两端数据进行延拓后,结合余弦窗函数以解决端点效应对分解结果的影响,再利用高频谐波法结合掩膜信号法抑制EMD分解过程中存在的模态混叠。通过实验对比验证了该方法的有效可行性。     

基于SVM的EMD端点效应抑制方法研究

针对经验模态分解在对脑电数据进行处理时存在的端点效应问题,提出了一种新的端点效应抑制方法。该方法将支持向量机和数据加窗进行结合对原始信号进行处理。该方法包括三个步骤：采用支持向量机对原始信号两端分别延拓有限个极大值和极小值;用窗函数对延拓后的数据进行加窗处理;分别对原始信号以及支持向量机延拓和加窗处理后的信号进行经验模态分解,并舍弃各阶固有模态函数中延拓的数据点。为了分析所提方法的性能,以正交性作为量化评价指标对比不同方法的性能。以人工信号和实际脑电信号为实验对象进行的模拟实验表明,相比于其他几种方法,提出的方法可有效抑制经验模态分解处理过程中端点效应问题。     

改进的LS-SVM方法在EMD端点效应问题中的应用

经验模态分解能有效处理非平稳、非线性信号,但在多次采用三次样条插值获取信号上、下包络的过程中容易产生影响分解精度的端点问题。为了抑制经验模态分解中存在的端点效应问题,提出了一种基于最小二乘支持向量机和镜像延拓的端点效应抑制方法。该方法采用最小二乘支持向量机对原始信号序列两端分别向左、右各延拓有限个数据点;用镜像延拓对延拓后的信号序列进行对称延拓处理,将其延拓成一个环形信号序列;对这一环形信号序列进行经验模态分解。通过对仿真信号以及真实脑电信号进行实验分析以及与其他延拓方法的对比,结果表明该方法能够有效抑制端点效应问题,并在抑制端点效应问题方面优于传统的支持向量机和最小二乘支持向量机。     

极限学习机延拓的BS-EMD端点效应抑制算法及应用

针对希尔伯特-黄变换过程中经验模态分解出现的端点效应问题,采用极限学习机（Extreme Learning Machine,ELM）算法对原始数据序列分别向左右两端延拓,对扩展后的数据序列用B样条插值函数求其平均曲线,在此基础上进行下一步分解,结束分解后摒弃两端延展的数据,使算法得到优化,起到了抑制端点效应的作用。通过与未经延拓,BP神经网络延拓和支持向量机延拓各项指标的对比分析表明,该算法不仅有效抑制了经验模态分解过程中的端点效应,在预测速度和分解精度上都有一定的优势。将该方法应用于电力系统的谐波分析中,仿真结果表明该方法能有效抑制EMD的端点效应,更好地分解出谐波中含有的不同频率谐波分量。     

基于EMD的非平稳信号低通滤波技术的研究

本文提出了EMD的一种新用法,该用法可以对非平稳信号进行低通滤波处理,为了论述其方法的可行性,文章首先较详细的介绍了EMD分解法,在此基础上从理论上论述了EMD的低通滤波原理,并用一组石家庄逐月降水距平数据（从1951年至2002年共52年的观测数据）对其进行了进一步的论证,得到了令人满意的结果。该滤波技术可以克服传统滤波器在处理非平稳信号时的信号畸变问题。     

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。     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率,提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解,得到有限个固有模态函数,去掉第一个固有模态函数,其他的都让其通过一个带宽为250～3500Hz的带通滤波器,消除部分噪声。对所选固有模态函数加权,再进行希尔伯特变换得到能量特征值。通过分析噪声特性,估计噪声阈值。在希尔伯特能量谱上,根据阈值搜索语音起点以及终点。仿真实验表明,在低信噪比的情况下,方法的准确率有明显的提高,并具有很强的鲁棒性。     

EMD算法中边界效应处理技术

针对经验模态分解的希尔波特-黄变换在分解过程中会产生端点效应使信号两端出现失真的问题,提出包络线性延拓法。将其与其他3种端点效应处理方法进行对比研究,利用能量、分解信号与原信号相关系数以及算法的运行时间作为端点处理方法的评价标准。仿真结果表明,该方法可以使端点效应得到有效抑制。     

改进型HHT方法在钻机电网谐波检测中的应用

传统HHT方法在分析谐波时存在模态混叠现象,不能有效得出各次谐波分量,所以本文采用基于小波分解的HHT方法来解决上述问题。该方法根据小波分解进行频带滤波,然后再利用empirical mode decomposition（EMD）分解得到准确的intrinsic mode function（IMF）,最后进行Hilbert变换得到各次谐波分量频率和瞬时幅值,解决了传统HHT方法存在的模态混叠问题。首次将改进的Hilbert-Huang Transform（HHT）方法用于石油钻机系统中,并在Matlab/Simulink平台上搭建了石油钻机电网谐波源模型,仿真谐波电流信号,并将改进型HHT方法与传统的HHT方法进行对比,比较结果验证了改进型HHT方法的先进性和有效性。     

基于HHT的人员脚步信号识别算法

针对地面环境监控中的人员脚步信号识别问题,提出一种基于希尔伯特-黄变换的识别算法。利用经验模态分解方法将探测得到的震动信号分解成若干个固有模态函数分量,找出各分量在频谱上的奇异点,通过对这些奇异点的希尔伯特谱进行判定,实现对人员脚步信号的识别。实验结果证明,该算法具有较高的正确识别率。     

基于希尔伯特-黄变换的超宽带信号检测方法

基于超宽带信号检测中希尔伯特-黄变换经验模态分解的边界问题,研究分析了基于非等间隔灰色模型预测极值点的解决方法。针对该方法在某些极值分布情况时个别极值点检测不到的问题,提出了时序残差修正的非等间隔灰色模型解决新方法。通过理论推导,证明了该新方法的有效性,在此基础上,对实际超宽带信号进行了结合新方法的希尔伯特-黄变换检测仿真。分析和仿真结果表明,改进的经验模态分解可以较为准确地重构出淹没在干扰或者噪声中的超宽带脉冲信号,明显改善了超宽带信号检测的准确度。通过与离散小波变换对比分析,体现出希尔伯特-黄变换更适合用于检测超宽带信号。     

HHT在年最大洪峰流量规律分析中的应用

Hilbert-Huang变换能够定量描述非线性、非平稳、弱相依、高度复杂时间序列的时频特性,较传统的时间序列分析方法更具优势。通过对时间序列进行EMD分解,得出其演化过程的内在模函数和趋势项,并对内在模函数做Hilbert-Huang变换,获得序列的变化周期。以汉江上游的两个代表水文站——石泉和安康水文站的年最大洪峰流量为例分析,石泉站年最大洪峰流量变化存在3.06年、7.11年和24.98年的周期,安康站年最大洪峰流量变化存在3.01年、6.07年、15.97年和29.65年的周期,且两站的年最大洪峰流量序列呈降低的趋势。     

HHT在浅层地下震动信号分析中的应用

利用希尔伯特-黄变换(HHT)中经典模态分解(EMD)法,对浅层地下爆炸场采集的震动信号进行分解,得到满足一定条件的IMF分量,再对其进行希尔伯特变换,得到能量谱图,通过对波形和能量谱图的分析,实现对浅层爆炸场信号的分析及特征提取。