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...     

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。     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。     

基于经验模态分解和多分支LSTM网络汇率预测

作为一种新型信号变换算法,经验模态分解(empirical mode decomposition,EMD)能够解决傅里叶变换等方法受限于特定基函数的缺陷.本文针对人工神经网络对高频金融时间序列预测准确率不足的问题,结合EMD和韦布尔分布对金融时间序列进行预处理,提出一种基于经验模态分解和多分支长短期记忆网络的分类预测模...     

基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

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。     

运用时间序列对上证综合指数进行预测分析

运用SAS软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的上证综合指数作了预测分析 ,得到了较高的预测精度 ,为预测股票市场的整体走势提供了一种方便实用的方法 .     

运用时间序列对上证综合指数进行预测分析

运用SAS软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的上证综合指数作了预测分析，得到了较高的预测精度，为预测股票市场的整体走势提供了一种方便实用的方法。     

机械故障诊断中经验模态分解的模态混淆问题

经验模态分解广泛应用于机械故障诊断,但其模态混淆问题影响了方法的有效性。从机械故障诊断的角度提出了EMD模态混淆的基本概念,根据表现形式将模态混淆定义为"向下"、"交叉"和"向上"3种基本类型,通过深入研究经验模态分解的模态混淆问题,发现产生模态混淆的原因主要有2类:一类是由方法基本原理所导致,有模态向下混淆和模态交叉混淆2种表现形式,称为Ⅰ类模态混淆问题;一类是由筛分算法缺陷所导致,有模态向上混淆1种表现形式,称为Ⅱ类模态混淆问题。根据模态混淆产生的机理,提出了针对性的解决方案:对于Ⅰ类模态混淆问题需要引进辅助手段加以解决,例如异常排除法、信号滤波法和辅助信号加入法;对于Ⅱ类模态混淆问题,完善了本征模态函数的定义,改进了筛分算法最后进行了仿真,结果表明所提解决方案有效。     

基于Wigner分布和经验模态分解的谐波分析方法

在电力系统中,谐波对电网的危害日益严重,准确地对电力系统谐波进行检测有着重要的意义。Wigner分布是采用非线性变换处理非平稳信号一种常用的时频分析方法。本文将Wigner分布与经验模态分解结合起来,将经验模态分解作为Wigner分布的一个预处理环节,将信号分解为一系列固有模态函数,分别对单个固有模态函数进行Wigner分布。该方法用于多分量谐波的信号分析,具有很好的时频聚集性,且能够很好的抑制交叉项的干扰。仿真结果表明了该方法的有效性。     

基于EMD的心电信号压缩算法

针对生物医学信号特别是心电信号(ECG)的特点和数据压缩需求,提出一种基于经验模态分解(EMD)方法的ECG信号压缩算法.所提算法计算简单,无需预先或后处理.以MIT-BIH标准数据库的心律失常数据作为实验数据,通过压缩比(CR)、均方根百分差异(PRD)、归一化均方根百分差异(PRDN)、均方根(RMS)、信噪比(SNR)、质量评分(QS)6个评价参数分析所提算法性能,并与基于小波分解的压缩算法进行比较.实验结果表明,所提算法具有较好的压缩比与保真度,证明了该算法的有效性.     

基于经验模式分解的包络解调技术及其应用

提出了一种新的调制信号解调分析技术,来抑制传统的包络解调方法中经常出现的无意义的频率成分.首先,对复杂的振动信号进行经验模式分解,得到若干个基本模式分量,再对包含调制信号的基本模式分量进行包络分析以提取故障信息.该方法利用经验模式分解来实现故障信息的有效分离,从而提高了诊断信号的信噪比.利用该方法对某齿轮箱轴承座振动信号进行经验模式分解,进而解调出高速轴转频这一调制频率,准确地诊断出该故障是由齿轮轴不对中所引起的,通过针对性的维修后,消除了故障,从而验证了该方法的有效性.     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

正交化经验模式分解方法

针对Hilbert—Huang变换中经验模式分解所得固有模式函数存在的不完全正交问题，基于Gram-Schmidt正交化方法，提出了一种新的正交化处理方法，可得到完全正交的固有模式函数，从而完善了Hilbert—Huang变换方法．通过典型时程曲线的数值模拟的分解结果表明了这一方法的正确性，实际地震波数据的分解显示了这一方法的良好应用前景．     

基于多尺度局部对比度和限邻域经验模式分解的遥感图像融合方法

传统二维EMD（empirical mode decomposition）算法在估算图像的均值包络面时易出现＂过冲＂现象,这使得分解的内蕴模式函数中会出现＂灰斑＂.针对这个问题,改进一种NLEMD（neighborhood limited empirical mode decomposition）算法.它基于局部均值平稳特性的方法估算图像的最佳局部均值,进而得到图像的均值包络面.该算法在克服了传统二维EMD算法的＂过冲＂现象的同时降低了时间复杂度.结合人类视觉系统对局部对比度敏感这一特性,提出一种基于多尺度局部对比度和NLEMD的遥感图像融合算法.该算法以NLEMD分解的内蕴模式函数的多尺度局部对比度为指导,对图像的内蕴模式函数进行融合处理.仿真实验表明：该融合算法能更清晰地反映融合图像中的复杂细节信息,提高了图像融合的质量.     

抑制EMD端点效应方法的研究

基于经验模态分解的Hilbert-Huang变换在分解过程中产生端点效应,使得信号两端点附近出现失真问题,提出对端点效应进行抑制的多种方法. 对全局统计平均法、平行线段延拓极值法、多项式拟合法、镜像延拓法、神经网络延拓法等抑制方法进行对比研究. 仿真和实验结果表明,端点效应得到有效抑制,Hilbert-Huang变换的分析性能得到改善.     

级联双稳随机共振降噪下的经验模式分解

针对强噪声背景下混合信号的经验模式分解（EMD）问题,提出了一种基于级联双稳随机共振系统（CBSRS）降噪的EMD方法。该方法利用CBSRS对时域波形降噪的优良特性,首先对有噪信号进行随机共振输出,信号得到降噪后,再进行EMD。在仿真实验中,分别对原始信号以及各级级联随机共振输出后的信号进行EMD,对比结果表明,级联双稳系统能有效去除高频噪声,减少EMD的层数,使EMD具有更明确的物理意义最后通过一个轴承外圈故障的诊断实例表明,该方法在逐步滤除高频干扰的同时,不断加强低频特征能量,可以有效检测出故障的特征频率。     

基于经验模态分解的核磁共振去噪方法研究

核磁共振（NMR）在孔隙结构评估和流体识别方面具有独特的优势,但NMR信号很容易受到噪声影响。根据NMR噪声的时域和频域特征,提出了基于一种经验模态分解（EMD）的NMR去噪方法。首先,利用EMD将信号由高频到低频分解为一系列的本征模态函数,以此分解噪声和噪声NMR信号,然后,使用曲线趋势法和改进的过零点率曲线确定信号噪声分离准则,将有用信号叠加到剩余项以获得去噪信号。通过岩芯数据和测井数据对比发现,基于EMD的去噪方法可以提高信噪比的同时保留孔隙结构信息,其去噪效果优于小波阈值和EMD小波阈值法,计算得到的孔隙度接近实际孔隙度。     

经验模态分解及其雷达信号处理

 为了准确估计信号的瞬时频率,可用经验模态分解（EMD）将信号分解成有限个窄带信号。该方法因具有很强的自适应性及处理非平稳信号的能力而引起广泛关注,已在众多工程领域得到应用。但EMD是基于经验的方法,数值仿真和试验研究仍是分析EMD算法的主要方法。本文总结了EMD算法存在的问题,并指出深入挖掘支持该方法的理论基础是消除制约EMD算法进一步发展和应用推广的关键。针对所存在的问题,从改进筛分停止准则、抑制端点效应、改进包络生成方法和解决模态混叠问题等诸方面阐述了改进EMD算法的研究进展。综述了EMD在雷达信号处理领域的应用。最后分析指出了进一步研究EMD的几个主要方向。