改进的集合经验模态分解在人体行为识别中的应用

针对在基于惯性传感器人体行为识别的研究中,集合经验模态分解(ensemble empirical mode decomposition,EEMD)无法自适应地筛选出对不同分类行为更有用的固有模态函数的问题,特别是对步行、上楼、下楼3种易混淆行为的识别,提出一种改进的自适应集合经验模态分解特征提取方法,通过对不同分类行为筛选不同固有模态函数并提取窗口均值差异等新颖特征,有望在不同的分辨率下得到更准确、更有效的原信号特征信息。为了验证该方法的有效性,实验分别用典型时域频域特征与该方法提取的特征集训练K近邻(K-nearest neighbor,KNN)与支持向量机(support vector machine,SVM)分类器,并采用留一法(leave-one-out,LOO)交叉验证算法进行测试。结果表明,当分别采用KNN和SVM进行分类时,相比于原方法,改进的方法对步行、上楼和下楼3种行为的平均识别准确率分别提高了29.22%(KNN)和15.79%(SVM),对分类的7种不同行为的总平均识别准确率分别提高了95.11%(KNN)与93.14%(SVM)。     

基于总体经验模态分解的水文序列多尺度分析

为解决模态混叠问题,将总体经验模态分解方法应用于水文时间序列的多尺度研究中.将白噪声加入原始序列,经过总体经验模态分解后得到固有模态函数,通过对结果进行显著性检验并最终得到水文时间序列主要振荡周期、中心频率、平均振幅等信息.通过对黄河三门峡水文站实测天然年径流序列进行分析,发现总体经验模态分解能够较好地解决模态混叠现象...     

多个经验模态分解对振动信号作用的对比

经振动传感器采集到的信号是非线性、非稳定的,这种信号无论是在时域还是频域上都不易分析。所以通过经验模态分解将原始信号分解成为多个本质模态函数（IntrinsicMode Function,IMF）,之后对其进行特征提取等进一步处理。但是经验模态分解存在模态混叠与端点效应的问题,所以文章采用互补集合经验模态分解（Complementary Ensemble Empirical Mode Decomposision,CEEMD）。CEEMD是在进行经验模态分解之前加入多组符号相反的白噪声,这不仅减少了模态混叠,分解出的IMF分量还更精进。这种互补集合经验模态分解有效地处理了所采集的非线性、非稳定性的振动信号。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition ,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition ,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。     

集合经验模式分解在柴油机机械故障诊断中的应用

针对柴油机表面振动信号非平稳、非线性等特点,引入集合经验模式分解(EEMD)的信号分析方法,对原始振动信号叠加适当的随机高斯白噪声,从而改变信号的局部时间跨度,有效抑制了经验模式分解(EMD)的模式混叠现象.通过Hilbert变换作边际谱曲线以提取故障特征信息.仿真试验和发动机故障实例证实了EEMD算法可以提高振动信号的分析精度,在柴油机机械故障诊断领域应用前景广泛.     

基于集合经验模态分解和 BP 神经网络的北京市 PM2.5 预报研究

利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区PM_2.5浓度值进行短期预报。结果表明, 与单独使用BP神经网络模型相比, EEMD-BP混合模型的预报准确率更高; 混合模型高频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度的数值对模型的预报结果有较大的影响。     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构...     

基于改进互补集合经验模态分解的自适应 小波熵阈值地震随机噪声压制算法

针对互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)后不易有效区分有用信号和噪声的问题,以及传统小波去噪阈值选取的不足,提出基于改进CEEMD的自适应小波熵阈值地震随机噪声压制算法。将地震信号进行CEEMD后,基于互信息熵和互相关系数获取高频含噪本征模态函数(intrinsic mode function,IMF);对含噪IMF进行多尺度小波分解,将高频小波系数等分为若干区间计算各区间小波熵,在此基础上得到不同尺度的自适应阈值,同时设计了改进阈值函数进行小波阈值去噪。仿真实验中,去噪残差和频谱分析表明,算法能在保留有用信号的同时有效去除随机噪声,实现保幅去噪。实际地震资料处理表明,相比其他去噪算法,算法能有效提高信噪比(signal-to-noise ratio,SNR) 1 d B以上,降低均方误差(root mean square error,RMSE),具有良好的去噪能力。     

基于改进的集合经验模态分解的爆破振动信号趋势项消除方法

针对实测爆破振动信号中存在的趋势项干扰问题,基于改进的集合经验模态分解,提出一种趋势项消除方法,并进行了模拟信号的仿真计算和爆破振动信号的实例分析.信号仿真计算结果显示:对于持续振动信号,该方法的趋势项提取结果与已有的基于经验模态分解或集合经验模态分解的趋势项消除方法较为接近;但当测试信号呈间歇振动时,该方法对趋势项的提取更为充分,体现了其对分段爆破振动信号中趋势项消除的优越性和适用性.同时,爆破振动速度信号的实例分析验证了该方法在实际应用过程中的可靠性.      

EEMD滤波的转子轴心轨迹提纯方法

针对轴心轨迹提纯问题,研究了集合经验模式分解(Ensemble empirical mode decomposition ,EEMD)抑制模态混叠的特性及其滤波特性,提出了基于EEMD滤波的转子轴心轨迹提纯方法。应用EEMD将信号分解成一系列的固有模式函数(Intrinsic mode function,IMF)分量,再根据先验知识选择相应的IMF分量重构信号,组合成提纯轴心轨迹。对小型转子试验台转子轴心轨迹的成功提纯验证了该方法的有效性,与谐波窗和EMD轴心轨迹提纯方法的对比结果表明了该方法的优势,为转子系统故障诊断提供了一种新的手段。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

基于经验模态分解和核主成分分析的SAR图像相干斑抑制

结合经验模态分解(EMD)与核主成分分析(KPCA)方法,针对SAR图像提出一种改进的相干斑抑制算法。首先将SAR图像进行对数变换和均值调整后进行经验模态分解;然后利用KPCA进一步去除各层本征模态函数(IMF)中的噪声,具体方法是根据斑点噪声的统计特性和零均值高斯白噪声IMF的能量分布模型,近似计算各层IMF中噪声能量所占比例,据此选择合适数量的主成分重构IMF;最后对经过KPCA处理的IMF进行累加重构得到去噪SAR图像。实验结果表明,与另外两种EMD图像去噪算法相比,本文提出的方法在相干斑抑制效果和图像细节信息保持能力两方面都有较好的提高。     

基于改进EMD的船舶液舱液位测量方法及数据分析

分析了自由浮态下提高液位测量精度的方法,然后针对采集到的非平稳液位信号,提出了一种改进的局部经验模态分解(empirical mode decomposition,EMD)方法进行滤波处理,去除信号中各瞬时频率成分,提取信号的平均趋势,并计算液位有效高度.仿真结果表明,采用改进后的局部EMD方法能有效地提高分解精度,实验数据的分析表明提出的液位测量方法是可行的,具有工程应用价值.     

改进经验模态分解与谱峭度法的步态信号特征分析

通过对步态信号进行分析,提出基于能量矩占比与方差贡献率的改进经验模态分解和谱峭度法的步态信号特征频率分析方法. 改进的经验模态分解消除了传统分解过程中存在的低频虚假本征模态分量,抑制了高频噪声的干扰. 通过确定谱峭度图上的中心频率和带宽构造带通滤波器对信号进行包络解调分析,并通过实验验证了该方法能有效提取步态信号的特征频率,为步态信号的后期研究提供一条新的思路.     

经验模态分解和小波分解滤波特性的比较研究

 为了更好地了解小波分解(WD)和经验模态分解(EMD)2种方法对非平稳信号滤波特性的差异,以及2种方法的实际应用效果和各自的优缺点,提出了运用对高斯白噪声信号分解分量平均功率谱特性的分析来对比2种方法滤波特性差异的研究方法,并运用多项对比实验对所提研究方法的有效性进行验证.实验结果表明,所提研究方法能够有效地解释2种分解各自的滤波特性.对于EMD分解,各分量平均功率谱表现为带宽逐渐减小,中心频率逐渐降低的一组有序排列的带通滤波器.整个分解过程不需人为干预可自动完成,但存在边缘效应问题,如不加以处理可能会严重影响分解质量;对于小波分解,选择不同小波基,有的表现出与EMD分解类似的多尺度滤波特性,有的则不尽相同,甚至是完全不同.所以小波基的选择和分解层数的设置不同,可能会导致分解结果出现较大差异,因此存在对小波基优化选择问题.此外,小波分解过程速度较快,平均用时仅为EMD的1/25.     

一种改进的经验模态分解消噪阈值函数

在已有的经验模态分解（empirical modede composition,EMD）阈值消噪的基础上,提出了一种新的EMD域可导阈值函数。新阈值函数简单且便于计算,具有连续性和高阶可导性,可有效克服硬阈值EMI）消噪时和消噪后EMD系数不连续的缺点;也可有效克服软阈值EMD消噪时和消噪后EMD系数与原始EMD系数之间存在着恒定偏差的缺点。实验结果表明,经可导阈值的EMD方法消噪后,可有效减弱含噪信号突变点处的Gibbs现象,消噪后信号具有更好的视觉效果。与经典的硬闽值和软阈值EMD消噪方法相比,所提出的方法在信噪比和均方误差两方面都有较好的提高。