利用Hilbert-Huang变换提取地震信号瞬时参数

 通过Hilbert变换求取的信号瞬时参数并非对任何信号都有物理意义，此法通常要求被分析信号是窄带或平稳的，而且对噪声很敏感。而实际地震信号既非平稳又含有噪声，若在实际应用中不加考虑地对地震信号进行Hilbert变换以求取瞬时参数，这种情况下求取的瞬时参数将缺乏物理意义甚至失真。Hilbert-Huang变换是一种新的分析非平稳非线性信号的方法，它先将信号进行经验模态分解（EMD），形成有限个固有模态函数（IMF）之和，再对固有模态函数作Hilbert变换求取时频谱，求取的时频谱在时域和频域都具有较高的分辨率。本文将Hilbert-Huang变换应用于地震瞬时参数的提取，实例表明，对地震剖面做EMD可以得到不同时间尺度上的特征，Hilbert谱比传统的时频谱在时间和频率域上的分辨率都要高，强反射层在第1阶IMF瞬时频率剖面上比原瞬时频率剖面上表现得更为明显。     

基于断电后残余电压的感应电机定子故障诊断

为了提高感应电机定子绕组故障诊断的准确性,提出了一种基于Hilbert-Huang变换(HHT)的故障诊断新方法.选取断电后零序电压的基波分量作为定子故障特征,可有效避免电源不平衡和负荷波动的影响,直接反映电机定子的不对称度.利用Hilbert-Huang变换中经验模态分解(EMD)方法对断电后的零序电压进行了分解,提取出基波分量,通过计算其均方根值可以诊断出电机定子绕组故障.在一台4 kW的感应电机上进行的实验证明了该方法的可行性和有效性.     

考虑特征瞬变的导线微风振动在线监测及预警技术

针对现有导线振动监测以秒平均振幅和秒平均频率衡量导线微风振动程度带来的误差,提出了一种考虑振动特征瞬变的导线微风振动在线监测及预警技术。根据压电材料的正压电效应设计一种振动监测传感器,测量距悬垂线夹89 mm处的加速度时程曲线。以获得瞬时幅值和瞬时频率为目标,采用经验模态分解（empirical mode decomposition, EMD）结合相关性判断得到符合原始信号振动机制的特征模态函数（intrinsic mode function, IMF）,经希尔伯特变换（hilbert transform, HT）提取瞬时参数,并利用瞬时幅值和瞬时频率计算导线对应动弯应力下各单元损伤参数,通过数值方法证明其有效性。经振动台试验对比分析,导线在有效损伤频段0~60 Hz内,该方法得出的各项疲劳损伤参数与计算值的吻合度均在86.77%以上,且主要疲劳损伤参数最大试验误差为8.02%,平均试验误差为0.92%,说明该方法可以作为振动导线疲劳寿命预警的有效依据。     

地震动时频分析在隧道动力响应分析中的应用

为了了解影响隧道动态内力峰值出现位置的相关因素.利用希尔伯特—黄变换,对E1 Centro等4条天然地震波和某隧道人工波(简称LBG地震波)进行了时频分析,结果表明:1)地震波各频段内所含能量的大小是影响隧道动态响应的主要因素;2)地震波中所包含的瞬时能量和总能量在时域上的分布决定了隧道内力及塑性应变最大峰值的出现时间;3)隧道内力峰值及最大塑性应变出现的位置与隧道断面形状及周围介质对衬砌的约束状态有关,与地震波的类型无关.     

基于HHT-MFCC和短时能量的慢性阻塞性肺病患者呼吸声识别

为了优化梅尔频率倒谱系数（MFCC）特征提取算法,提高对呼吸声信号识别的准确率,实现识别慢性阻塞性肺病（COPD）的目的,提出了基于希尔伯特黄变换（HHT）的MFCC与短时能量（Energy）融合的特征提取算法HHT-MFCC+Energy。首先,经预处理的呼吸声信号通过HHT计算出Hilbert边际谱和边际谱能量;其次,谱能量通过Mel滤波器得到特征向量,再对特征向量取对数和进行离散余弦变换得到HHT-MFCC系数;最后,将信号的短时能量与HHT-MFCC特征向量融合形成新特征,并通过支持向量机（SVM）进行信号识别。将MFCC、HHT-MFCC和HHT-MFCC+Energy三种特征提取算法结合SVM进行呼吸声信号识别,实验结果表明,所提出的特征融合算法在COPD患者和健康人呼吸声识别效果上都优于其他两种算法：当提取24维特征、选取100个训练样本时,识别率平均值能达到97.8%,分别比MFCC和HHT-MFCC高出6.9个百分点和1.4个百分点。     

基于希尔伯特-黄变换的船舶声信号特征提取

将希尔伯特-黄变换(HHT)用于船舶声信号特征提取中,利用HHT对实录船舶辐射噪声进行特征提取后,利用神经网络进行分类.研究表明希尔伯特-黄变换方法对于信号的时频特性具有较高的分辨能力,适用于水声非平稳信号的分析.与传统时频分析方法相比具有很强的自适应特性和较好的时频聚集性,时频分辨力高于小波变换.结果表明对于船舶声信号识别,希尔伯特-黄变换方法是一种有效的特征提取方法.     

基于FastICA去噪和改进HHT的转子不平衡故障特征提取方法研究

针对转子不平衡振动信号非平稳性并伴随较强环境噪声的特点，提出一种基于快速独立分量分析（FastICA）和改进希尔伯特-黄变换相结合的故障特征提取方法。该方法采用FastICA法去除环境噪声等因素对于故障特征提取精度的影响，再利用自适应白噪声总体平均模态分解方法将故障信号分解为一系列固有模态函数（IMF），并采用基于相似性评估的虚假IMF选择算法将与故障信息无关的虚假IMF分量剔除，从而保证故障信息提取的准确性和有效性。通过仿真分析证明了所提方法的有效性，并且实际试验表明：该方法可有效提取转子不平衡信号的故障特征，为该类故障的诊断提供了一种切实可行的方法。     

基于镜像延拓和窗函数的端点效应抑制方法

经验模态分解被广泛用于复杂的非线性及非平稳信号处理,但其分解过程中存在端点效应问题,并且端点效应会随着筛选的进行而更加明显,从而导致数据处理发生畸变。镜像延拓法和窗函数法均是抑制端点效应的有效方法,但也各自存在不足。为此,提出将镜像延拓和余弦窗函数结合的改进方法,以弥补镜像延拓法中原始信号端点不是极值点和窗函数法中需要改变原信号的不足,实现对端点效应抑制方法的改进。仿真实验结果表明,与传统方法相比,改进方法能更好地抑制端点效应的发生。     

基于震动信号HHT的车辆分类

震动传感器是智能监控传感器系统的重要组成部分。震动信号是一种非线性非平稳信号。相比于传统的时频分析方法,对希尔伯特-黄变换是一种更有效地处理非平稳信号的时频分析方法。将希尔伯特-黄变换引入到车辆分类中,提取震动信号特征信息,利用经验模态分解(EMD)获得车辆行驶引起的地面震动信号的固有模态函数(IMF),通过选取的固有模态函数得到相应的希尔伯特谱,然后在希尔伯特谱的基础上根据谱峰对车辆进行分类。仿真测试结果表明方法具有很高的正确率。     

基于二维经验模态分解的医学图像融合算法

提出了一种自适应的二维经验模态分解(bidimensional empirical mode decomposition,简称BEMD)医学图像融合算法.待融合的医学图像经过BEMD分解成二维的内蕴模函数(bidimensional intrinsic mode function,简称BIMF)和趋势图像.BIMF图像经过Hilbert-Huang变换提取图像特征,然后,图像分解的各部分数据在区域融合规则下形成综合BEMD表示.最后,综合BEMD表示进行BEMD逆变换得到融合后的医学图像.BEMD分解方法是一种完全自适应的数据分解表达形式,具有比Fourier变化和小波分解更好的特性.该医学图像融合算法不需要预先定义滤波器或小波函数.实验结果表明,该算法与传统融合算法相比性能优越,能够大幅度提高融合图像的质量.