EMD方法在高频数据去噪中的应用

运用处理信号的EMD方法和Matlab软件分析处理高频数据,得到了高频数据的各个频率以及时间尺度分量。这些分量具有更精细的属性特征,从中可以提取出高频数据的一些本质属性,从而更精确地分析和解释原始高频数据,利用EMD分解对含噪声的数据进行噪声剔除处理,得到信噪比品质较好的数据形态,对估计和预测高频数据的走势有一定的参考价值。应用EMD分析高频数据对于研究金融市场的经济规律有重要的意义。     

基于固有时间尺度分解的信号细微特征识别

为解决无线复杂环境下同型号通信电台发送的信号识别问题,针对传统时频方法处理杂散细微特征存在不足,提出了一种基于固有时间尺度分解（intrinsic time-scale decomposition,ITD）的信号细微特征识别方法。首先通过ITD方法将稳态状态下信号分解,计算分量瞬时参数并得到信号的时频谱,然后提取频谱特征作为细微特征,最后使用SVM分类器进行模式训练以实现信号的识别。仿真结果表明,该算法能够解决传统方法的实时性和准确性差等问题,取得较好的识别效果。     

时频分析方法在轴承故障诊断领域的应用

现代信号处理技术在数字信息时代具有巨大的发展潜力,其中时频分析方法发展较快,应用广泛。基于小波理论的小波变换、小波包分解,再到经验模态分解(EMD)、局部均值分解(LMD)、本征时间尺度分解(ITD)、局部特征尺度分解(LCD)、内禀特征尺度分解(ICD)、变分模态分解(VMD)等自适应分解方法,先后提出时频分析取得了前所未有的发展。本文从方法的提出、应用和改进三个方面对近年来时频分析方法的研究进行了总结,对时频分析方法今后的发展方向进行了展望。     

自适应Chirplet分解的ISAR成像方法

为了提高机动目标的逆合或孔径雷达(ISAR)成像质量,提出了一种新的ISAR成像算法,通过将每一距离单元的回波数据进行自适应Chirplet分解,并采用松弛(RELAX)技术来提高参数估计精度,得到了高质量的瞬态ISAR像.外场实测数据成像结果验证了本文方法的有效性.     

图像的自适应三角分解法

图像的分解是图像处理与理解的基础与关键之一,有着广泛的应用。该文提出了一种自适应的三角形四叉树分解方法。该方法推广了传统的四叉树分解方法,充分利用图像的局部空间信息对图像分解问题进行了自适应的优化处理。实例表明,新方法可以显著减少分解后的数据,更有利于后续的图像理解与分析等处理。     

基于自适应Chirplet分解的多普勒参数估计方法

提出一种基于自适应Chirplet分解联合估计多普勒中心和多普勒调频率的方法,直接从信号分解重构的角度进行参数估计,不进行回波方位谱与权函数的相关处理,对比度较小的均匀场景中仍然可以获得较好的多普勒参数估计,算法改善了聚焦性能。仿真实验和实测数据成像结果验证了方法的有效性。     

基于改进的多时间尺度特征排列熵的 心率变异性分析研究

为了分析不同生理状态下人体心率变异性的差异性,并弥补传统心率变异性分析方法时间尺度特征单一的不足,本文结合了互补式集合平均经验模态分解和改进的排列熵算法对心率变异时间序列进行了具有多时间尺度特征的排列熵分析,并计算得到反映心率变异显著差异性的指标CEEMD-mPE.最后基于MIT-BIH心率失常数据库的实验结果分析表明,本文所使用的心率变异性分析方法相比于其他基于熵的分析方法具有更优异的表现.     

自适应的KEEMD方法及其在光谱去噪中的应用

聚合经验模态分解(ensemble empirical mode decomposition,EEMD)方法极好地抑制了EMD算法的模态混叠,但仍未很好地解决端点效应,另外由于EEMD加入白噪声的幅值系数及总体平均次数需靠经验设定,不利于信号快速、准确地分解与重构.针对上述问题,提出了自适应KEEMD(KELM-EEMD)方法.首先,基于核函数的极限学习机结合镜像法进行极值点延拓以抑制端点效应,并用于仿真信号分解及小麦反射光谱的去噪,验证了该方法抑制端点效应的有效性.其次,通过抑制端点效应后分解获得的高频分量,自适应地确定算法所需加入白噪声的幅值系数及总体平均次数,将此自适应KEEMD方法用于油菜、菠菜反射光谱的去噪.结果表明:该方法更加快速地获得了与靠经验设定参数的KEEMD方法基本一致的去噪效果.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

经验模态分解法在地震资料处理中的应用

在连续小波基的平稳序列时频分析方法基础上,对非平稳时间序列的时频分析方法深入研究,引入经验模态分解法,利用信号的局部特征——时间尺度,从原信号中提取若干个固有模态函数(IMF)和一个残余量,用多个固有模态函数表征信号的局部特征,用残余分量表征信号缓慢变化的趋势,并形成非平稳信号经验模态分解算法。通过实例应用研究验证了EMD分解后所作的瞬时Hilbert幅值谱,比连续小波变换CWT分解后的谱的分辨率高,并与地震道波形匹配自然,可用于地震非平稳数据的时频分析。     

基于经验模式分解和广义维数的机械故障诊断

结合经验模式分解方法和广义维数的特点,提出了基于经验模式分解和广义维数的机械故障诊断方法。先对信号进行经验模式分解,得到内禀模态函数,然后求每个内禀函数的广义维数,从中提取盒维数、信息维数和关联维数,组成广义维数矩阵。通过分析待检测信号和各样本信号的广义维数矩阵相关系数,判断故障状态。实验结果表明,该方法可以准确地识别机械故障状态,是一种有效的机械故障诊断手段。     

一种基于ITD参数的数字调制识别算法

提出了一种基于固有时间尺度分解的特征参数提取方法,并基于参数的可分性进行参数选择,用于数字调制方式识别．仿真结果表明,利用该方法仅使用3个特征参数,便可在信噪比为5dB时达到94％以上的平均识别率．所提出的特征提取方法对接收信号的频偏不敏感、不依赖码元同步、计算复杂度很低、便于实时实现,适用于通信侦察系统和基于干扰重构抵消的通信系统．     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法．通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性．     

Hilbert变换及其在机械故障诊断中的应用

阐述了Ｈｉｌｂｅｒｔ变换基本原理，分析了齿轮和轴承的故障特征。应用Ｈｉｌｂｅｒｔ变换的解调技术对齿轮故障信号进行了幅值、相位和频率解调。最后通过一诊断实例进一步说明了Ｈｉｌｂｅｒｔ变换在齿轮和轴承故障诊断中的应用。     

参数逼近的自适应时频分析

针对二次时频变换中的交叉项影响,研究了一种基于信号分解的WVD时频分析的方法,它结合自适应高斯提取法的思想和WVD的优良特性,将信号分解为若干个基于高斯包络的chirp信号分量,然后进行WVD时频变换和时频图的综合显示,消除了时频变换中交叉项的影响,也保持了信号自项的时频聚集度．将此时频分析方法应用于雷达信号时频分析,实验结果表明,该分解方法有效地消除了信号交叉项的影响,且保持了原信号的时频聚集度．     

模糊故障树诊断及应用

将模糊技术和故障树分析法结合起来 ,提出一种模糊故障树诊断方法 ,并将其应用于水轮发电机系统的温度故障诊断 ,实验研究表明这一方法是可行和有效的     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

改进小波包分频算法及在故障检测中的应用

小波包分析方法是一种能有效地进行时一频定位和微弱信号提取的工具．但是小波滤波器组的频域特性和隔点采样会造成频谱混叠,导致分频结果不正确．改进的小波包分频算法根据小波包混频的原因,结合FFT分析进行处理,较好地消除了混频现象．仿真研究表明,该算法在提取微弱故障信息并进行早期故障诊断方面是有效的．     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.