基于HHT和OSF的复杂环境语音端点检测

希尔伯特-黄变换是一种全数据驱动的自适应非平稳信号时频分析方法,但是在强噪声环境下语音信号的希尔伯特能量谱曲线波动较大,对语音端点检测造成很大的影响,该文提出了一种基于希尔伯特-黄变换和顺序统计滤波的检测方法。该方法将含噪语音信号进行经验模态分解,通过对固有模态函数进行自适应权重选取获得信号的希尔伯特能量谱,利用顺序统计滤波器对每帧的能量谱进行平滑处理作为语音/非语音的鉴别特征。实验结果表明,该方法适用于复杂噪声环境的端点检测,在低信噪比情况下仍然能够有效地检测出语音信号,降低信号误检率。     

EMD分解区域的数据研究

本文介绍了一种新的非线性、非平稳信号的处理方法—HHT方法,并运用此方法对地震波进行了理论分析,详细研究了其中的EMD方法及其实现过程;通过大量的数据分析,总结了这一方法的优越性,指出其具有良好筛分及不可良好筛分的适用数值范围,并总结了其中蕴涵的规律。当组合简谐波的频率固定,A2/A1很小,超过某一限值时;或者A2/A1很大,超过某一限值时,数据值不能用EMD方法进行筛分。当组合简谐波的幅值比A2/A1固定不变,而频率变化时,当f2/f1很小时,如超过某一限值;或者f2很接近f1,f2/f1超过某一限值时,数据y值不能用EMD方法进行筛分。      

基于EMD与功率谱熵的语音端点检测

为了提高低信噪比下语音端点检测的准确性,提出一种基于经验模态分解与功率谱熵的语音端点检测方法。对带噪语音信号进行经验模态分解获得一系列语音本征模函数,选取功率谱熵作为语音端点检测的特征,并计算特定阶本征模函数的功率谱熵实现语音的端点检测。通过EMD分解可以有效地消除白噪声的影响,仿真结果表明,在低噪比情况下结合经验模态分解和功率谱熵的方法能够有效实现语音端点检测。     

基于EMD和改进双门限法的语音端点检测

语音端点检测的准确与否直接影响到语音识别系统的计算复杂度和识别能力,在基于短时能量和过零率的端点检测算法中,能量计算方法不尽合理而且在低信噪比下检测效果大大降低。对此提出了一种基于经验模式分解和改进双门限法的语音端点检测算法,仿真结果表明在低信噪比情况下本文算法有更好的端点检测能力,显示了算法的优越性。     

基于EMD的海杂波特性与目标检测

非线性非平稳是海杂波的重要特性之一,希尔伯特-黄变换（HHT）是一种全新的非线性非平稳信号的分析方法。含有目标的雷达信号在希尔伯特-黄变换过程中经过经验模式分解（EMD）后,其趋势分量及部分固有模态函数分量与海杂波的具有明显的区别。利用这种区别,本文提出一种海杂波环境下的目标检测新方法——趋势检测法,通过实测海杂波计算验证,该方法能够明显改善淹没于海杂波中的慢速小目标检测能力。     

希尔伯特-黄变换在谐波和间谐波检测中的应用

提出了一种检测电力谐波和间谐波的方法。将Hilbert-Huang变换（Hilbert—Huang Transform,HHT）用于谐波检测中,应用该方法可以提取任意频次的谐波信号。首先,运用经验模态分解处理含谐波的信号,得到一组平稳的固有模态函数分量。然后,对每个固有模态函数分量进行希尔伯特变换,得到每个模态分量的瞬时幅值和瞬时频率,从而检测出各种分量的谐波和间谐波的参数。仿真研究表明该方法的可行性与有效性,并且可以准确地确定谐波的幅值、频率和时间。     

基于Teager能量算子和经验模态分解的语音端点检测算法

Teager能量算子是近年来提出的非线性方法,具有跟踪时变信号的特点,该文结合该算子和经验模态分解方法,提出一种新的语音端点检测算法,用于寻找合理的语音起始和终止端点。该算法利用经验模态分解,提出本征模态函数的有效性筛选条件,通过筛选本征模态函数,使得该算法能够处理含噪语音信号,同时分解所得单模态特性正好满足TEO算子对单成份能量跟踪的要求,最后利用Hilbert变换解决了可能存在的模态混叠问题。经过这些处理,算法能够处理语音信号中清音段的端点标识,比直接TEO、双门限法效果好。通过大量实验验证了该算法的有效性。     

一种最小长度约束的EMD包络拟合方法

 经典经验模态分解(Empirical Mode Decomposition,EMD)采用三次样条插值方法进行包络拟和,存在较严重的"过冲"现象。在研究该问题已有方法基础上,提出了一种基于最小长度约束的包络拟合方法,以包络曲线长度最小为目标函数,采用Lagrange求极小值法优化极值点处的导数值,然后采用分段三次Hermite函数插值方法进行包络拟合,得到平滑包络线.实验表明该方法能有效地克服三次样条插值法的"过冲"现象和分段抛物线插值法的人为弯折现象,能拟合出更平滑的包络线,使得EMD分解更准确,有效改善模态混淆问题.     

基于EMD与SSA的语音增强算法研究

针对低信噪比下语音性能不佳及经验模态分解(EMD)在语音增强中的有效应用,文中提出了一种基于奇异谱分析(SSA)与EMD的语音增强算法。将含噪语音信号做EMD分解,对噪声IMF分量及信号IMF分别采用小波变换和SSA去噪处理。在输入信噪比为-10d B到10d B的高斯白噪声环境下进行仿真实验。结果表明文中提出的是一种有效的语音增强算法。     

基于有理四次Hermite插值和PSO的EMD包络线拟合算法

针对经典三次样条插值在EMD分解中存在undershoot现象,模态混叠问题及分段三次Hermite插值不够灵活等问题,提出一种基于有理四次Hermite插值和PSO的EMD包络线算法.该算法利用有理四次Hermite中的形状参数调整曲线形状,并采用粒子群优化算法从曲线簇中找到最优平滑包络线.通过仿真信号实验和非平稳信号实验,表明该方法能够有效克服传统方法带来的undershoot问题,改善模态混叠效应,同时分解后的IMF分量正交性和能量保存度指标亦均优于经典CSI方法和PCHI方法.     

基于过零点-极点估计的瞬时频率幅度算法

Hilbert-Huang变换(HHT)理论通过经验模态分解(EMD)提取信号的内蕴模态函数(IMF),并对IMF利用Hilbert变换得到信号的时频幅度谱和边际谱。在总结Hilbert变换理论和算法实现局限性的基础上,提出基于过零点-极点估计求取IMF瞬时频率、幅度算法,通过对离散信号插值运算精确求取过零点和极点位置,并据此求出相应点的瞬时频率和幅度,最后采用三次样条求取信号的瞬时频率幅度曲线。通过几个典型的例子对该算法进行检验,结果表明,与Hilbert变换结果比较,借助该算法得到信号的时频幅度谱和边际谱结果更精确、频率分辨率更好。     

基于改进EEMD的穿墙雷达动目标微多普勒特性分析

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号,可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题,该文提出一种改进的整体平均经验模式分解(EEMD)方法,并将其应用于穿墙雷达人的运动微多普勒特性分析中,并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT),得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明,改进的EEMD方法不仅能够有效消除EMD中的模式混合问题,将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中,而且还能够有效抑制原始信号中的噪声,提高信噪比,得到更精细、更清晰的时频分布。     

强背景噪声下基于HHT端点检测方法

端点检测是语音识别系统中十分关键的一个步骤,它对整个语音系统识别的准确性有着至关重要的作用。针对目前端点检测算法在强背景噪声下存在的不足,通过引入HHT,提出了一种基于希尔伯特-黄变换的端点检测方法。该方法首先采用EMD分解出有限个IMF,然后对IMF进行Hilbert变换,将得到的IMF能量谱作为特征参数来进行语音信号的端点检测,仿真实验证明了该算法在强背景噪声下的有效性与稳健性。     

基于固有模态能量熵的微弱目标检测算法

该文分析了海杂波能量在各固有模态函数(IMF)间的分布特点,研究了目标对海杂波能量在各IMF间分布的影响。研究发现,无目标时,海杂波的能量主要集中于先分解出的3个IMF中,而当目标出现时,海杂波的能量将向后分解出的6个IMF扩散,且固有模态能量熵恰能描述目标出现引起的海杂波能量分布的这种变化,因此该文提出了采用固有模态能量熵检测微弱目标的算法。仿真结果表明,与基于盒维数的微弱目标检测算法、频域CFAR检测方法和多脉冲CA-CFAR(100个脉冲)检测算法相比,该算法的检测性能较好,有效增强了雷达对海杂波中微弱目标的检测能力。     

基于分形特性改进的EMD目标检测算法

为克服原有检测算法在目标和海杂波混叠时检测性能下降的问题,该文提出一种基于分形特性改进的经验模态分解(EMD)目标检测算法。该算法对原始信号经经验模态分解后得到的固有模态函数进行数据重构,再采用快速傅里叶变换获得去噪后的海杂波单元和目标单元的频谱,计算两者的单一Hurst指数,并将其输入非参量检测器中进行目标检测。研究表明,虽然目标和海杂波在频谱中难以区分,但两者在无标度区间内的单一Hurst指数存在差异,因此所提检测算法相比于原有频域检测算法性能更优。     

EMD方法及其在红外气体传感器信号处理中的应用

该文研究了经验模式分解(Empirical Mode Decomposition,EMD)方法在红外气体检测中的应用。针对红外气体浓度信号的特点对算法进行了改进,使得算法能够在不分解出所有IMF(Intrinsic Mode Function)分量的情况下,正确提取所需的IMF分量。与低通滤波和锁相等方法进行了比较分析,结果表明,改进后的EMD算法具有所需数据量少、计算量小、提取的有用信号能量损失少等优点,可以快速识别气体浓度的变化,有效提高气体浓度测量的精度,适用于在线实时检测。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。