基于加权IMF对时间序列相似匹配

经验模态分解（EMD）算法非常适合非稳定序列信号、非线性序列信号以及复杂信号的分解, 具有很高的噪声比。序列信号经过EMD分解为本征模函数（IMF）以及残差序列, 所分解出来的IMF包含了原序列信号不同时间尺度的局部特征信号, 是整个原序列的“去杂”反映。针对IMF所包含的不同尺度的特征这一特性, 给出用EMD分解原始序列信号, 提取其全部有限个本征模函数和残差序列, 根据不同的IMF所包含原序列的特征信息量的大小引入信息权重w, 然后通过欧氏距离对各个序列不同IMF序列进行相似匹配判定, 最后通过综合各个IMF所占权重综合判定时间序列的相似匹配。实验结果表明, 基于IMF对时间序列相似匹配和直接对原时间序列进行匹配, 前者首先对时间序列进行分解, 去掉其噪声等干扰, 提取出IMF间接进行加权匹配, 提高了时间序列的模式匹配精度, 证明了该方法的有效性。     

基于EMD阈值算法的脉冲涡流信号消噪

针对脉冲涡流信号夹杂着较多的高频噪声,提出了一种新的经验模态分解阈值消噪算法。首先将信号分解为多个本征模态函数（Intrinsic Mode Function,IMF）,对信噪比低的高频IMF进行减小噪声能量处理后得到重组信号;再对重组信号进行EMD分解后根据白噪声统计特性对IMF筛选,对噪声含量多的IMF进行小波阈值消噪;最后将处理过的IMF与噪声含量少的IMF重构得到消噪后的信号。实验仿真的结果和数据表明,该方法可以减少失真,获得更高的信噪比,能够较好地消除噪声的干扰恢复出原始的信号。     

基于小波EMD的柴油机声信号去噪研究

柴油机声信号包含了丰富的运行状态信息,为了能有效地提取特征参数,需要对柴油机声信号进行去噪处理。针对传统小波阈值去噪和经验模态分解(EMD)去噪的不足,提出了一种将小波阈值与EMD相结合的去噪方法。借助EMD的自适应分解特性,在原始信号分解的基础上,利用相关系数法确定信号主导和噪声主导本征模函数(IMF)分量的分界点,将改进的小波阈值函数对噪声主导的IMF分量进行阈值去噪,再进行信号重构。仿真实验和实测结果表明,该方法去噪效果更优,适合非线性非平稳信号去噪,能够保留柴油机声信号的原貌特征。     

基于EMD-CLEAN的图像去噪方法

噪声的存在会影响对图像中有用信息的提取。针对经验模态分解(Empirical Mode Decomposition, EMD)方法噪声抑制后图像质量下降的问题,提出了一种基于EMD-CLEAN的图像去噪方法。首先利用EMD对含噪图像进行分析,将其自动分解为一系列本征模函数(Intrinsic Mode Function...     

EMD算法的改进及在信号去噪中的应用

噪声的干扰在生活中无处不在,本文针对传统EMD算法在信号的非线性和非平稳特性条件下,分解而得的本征模态函数（MF）随时间尺度变化的振荡而造成的模态混叠和噪声干扰等问题进行改进。在此基础上,引入人为添加的高斯白噪声,并根据其均值为0的特点,深入探索基于改进后的EMD算法在信号降噪中的应用。仿真实验对比分析表明,改进后的EMD算法能清晰地判断有用信号和无用信号,有效降低噪声对信号的干扰。     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

基于EMD-SVR的火电厂SCR脱硝系统出口NOx浓度预测研究

针对火电厂选择性催化还原（Selective Catalytic Reduction,SCR)脱硝系统出口NOx浓度预测准确率低的问题,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）和支持向量机回归（Support Vector Machine For Regression,SVR）的火电厂脱硝系统出口NOx浓度预测模型。首先,利用EMD算法将出口NOx浓度数据序列进行分解,得到不同时间尺度下有限个本征模函数(Intrinsic Mode Function,IMF);然后引入SVR算法对NOx浓度分解数据进行建模预测;最后,将所有IMF的预测结果求和作为出口NOx浓度的最终预测值。通过对提出的EMD-SVR与标准的SVR、BP、ELM、EMD-BP和EMD-ELM模型进行对比验证,结果表明,基于EMD-SVR模型的预测精度较高,预测结果与真实值相比较,方向变化统计量（Directional Statistics,Dstat）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）和均方根误差（Root Mean Square Error,RMSE）为0.914、1.51%和0.346mg/Nm3。     

基于改进EEMD的心电信号基线漂移消除方法

针对传统方法滤波效果不佳的问题,本文提出了基于改进集合经验模态分解（Ensemble empirical mode decomposition,EEMD）的消除心电信号基线漂移方法。该方法克服了经验模态分解（Empirical mode decomposition,EMD）模态混叠的问题,并对EEMD方法存在的问题和不足进行改进,建立集合经验模态分解方法中加入辅助白噪声大小的可依据准则,从而确定加入的辅助白噪声大小以及集合平均次数这两个重要参数。它从含噪心电信号中提取基线漂移信号,然后重构其余本征模函数（Intrinsic mode function,IMF）分量得到"干净"的心电信号,为后续的研究提供前提。经实验验证表明：相较于传统方法,这种方法能够提高信噪比、降低均方差、保持特征波形、去噪更加彻底,很好地解决了心电信号低频成分损失的问题。     

压缩感知与EMD相结合的带噪面罩语音增强

针对带噪面罩语音清晰度和可懂度低的问题,提出了一种将压缩感知和经验模式分解（Empirical Mode Decomposition,EMD）相结合的方法来对带噪面罩语音进行增强。首先对带噪面罩语音进行EMD分解得到其本征模式函数信号分量,对其特定本征模式分量进行小波阈值去噪;然后对全部信号分量进行压缩感知,最后重构信号分量得到增强后面罩语音。由实验结果可知,文中提出的方法去噪效果较好,重构误差较小,稳定性较高,有效地实现了面罩语音的增强。     

EMD方法在汽车动态称重中的应用

给出经验模分解（Empirical mode decomposition, EMD）步骤,提出了抑制边缘效应的次端点极值法,结合汽车动态称重信号的特点,应用该方法对实测轴重信号进行了EMD分解,并对轴重信号分解结果进行了分析.结果表明EMD方法对汽车动态称重信号的处理是有效的,车速≤30 km/h时最大偏差为5%.     

基于EMD与奇异值差分谱的侧信道信号特征提取

为了从强烈的背景噪声中提取侧信道信号的特征信息,提出了一种基于经验模式分解（EMD）与奇异值差分谱相结合的信号特征提取方法。该方法首先对原始侧信道信号进行EMD分解,计算各个特征模态函数（IMF）与原始信号的相关系数,找到最大相似特征分量;再对该分量进行奇异值分解求出对应的奇异值差分谱;最后根据差分谱进行重构和消噪,进一步提取分量的特征信息。实验结果表明,该方法可以有效应用于侧信道信号的特征提取,成功提高信号的信噪比和攻击成功率。     

基于小波包的EMD分析在车削刀具监控中的应用

针对车削刀具振动信号在经验模态分析(EMD)时产生的模态混叠现象,采用小波包和EMD分析相结合的方法来提取刀具磨损时振动信号的敏感特征.首先利用EMD分析将采集的磨损信号分解为数个固有模态分量(IMF),然后采用小波包方法对与刀具磨损状态相关性大的IMF进行分解并重构.计算重构后的IMF与刀具磨损的相关系数,将相关系数大的IMF所包含的敏感特征作为支持向量机(SVM)的输入,进而对刀具的磨损状态进行识别.研究结果表明该方法能有效地提高对刀具磨损状态的识别精度.     

基于EEMD和关联维数的小电流接地故障选线方法

针对小电流接地系统发生单相接地故障时,各线路零序电流的非平稳、非线性等复杂特性,提出一种基于总体模态分解(EEMD)和关联维数相结合的选线方法.EEMD算法是在经验模态分解(EMD)的基础上加以改进,能够消除模态混叠现象,同时保留了经验模态分解具有的良好的时频特性;EEMD能根据信号本身的特点对瞬时出现的信号进行分析,并将信号分解成若干个固有模态函数(IMF)分量和一个剩余分量.利用关联维数不易受噪声干扰特点,对分解的IMF信号分量进行处理,采用G-P算法计算关联维数,通过比较关联维数的大小选出发生故障的线路.仿真结果表明,该选线方法可靠性高且效果较好.     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于HHT的信号奇异性检测

针对信号的奇异性,采用基于希尔伯特-黄变换（HHT）的方法进行奇异性分解,即首先利用经验模态分解（EMD）对信号进行分解,再提取第一阶分量的瞬时频率;利用瞬时频率检测信号奇异点。通过对幅值突变、频率突变、脉冲突变和方向突变四种奇异信号的仿真分析,表明了该方法能够准确地检测信号奇异点。     

基于经验模态分解的小波阈值降噪方法研究

针对小波阈值降噪方法中小波基和阈值缺乏选取依据的缺陷,提出了一种基于经验模态分解(EMD)的小波阈值降噪方法。首先将带噪信号进行EMD分解得到一系列本征模态分量(IMF),仅对带噪的高频IMF分量进行小波阈值降噪处理,将处理结果与不含噪声的低频IMF分量进行信号还原得到降噪后信号。方法有效避免了直接小波阈值降噪高频分量损失的问题,同时还可直接去除信号中可能存在的趋势项,比直接小波阈值降噪具有更好的效果。仿真数据处理证明了方法的有效性。     

一种免疫算法与SVR的Hilbert-Huang边界优化

Hilbert-Huang变换(Hilbert-Huang transform,HHT)在对信号进行经验模态分解(Empirical mode decomposition,EMD)和对各内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会出现边界问题.为了克服该问题,本文提出了基于离散均匀免疫算法(Discrete uniform immune algorithm,DUIA)和支持向量回归(Support vector regression,SVR)的HHT边界优化方法.该方法采用DUIA优化SVR的参数,并利用SVR对数据廷拓,以有效分析HHT边界问题.通过对正弦叠加信号和实际信号的仿真分析表明:所提出的算法可有效解决HHT中存在的边界问题,且其效果优于SVR的数据延拓方法.     

基于EMD的四边域曲面光顺算法

曲面光顺在计算机辅助几何设计（CAGD）中有重要应用,带噪声离散曲面可视为一种非平稳离散几何信号。经验模式分解（EMD）方法是分析非线性、非平稳信号的有效方法。提出了一种空间任意曲线EMD光顺方法和基于2维可分离的EMD曲面光顺方法。针对四边域离散曲面可视为U和V离散曲线构成的网格,且U和V曲线呈现空间任意形态。空间曲线光顺中,首先对数字曲线进行1维参数化,将曲线展开成1维信号;然后采用EMD对展开信号进行多分辨率分解,得到不同尺度下的内蕴模式函数(IMF),去除高频的IMF,重构信号;最后将重构信号逆映射回3维,得到光顺后的曲线。四边域曲面沿每条U,V线进行EMD光顺处理,得到光顺后曲面。实验结果表明,该方法可有效剔除曲面上的随机噪声,达到良好的曲面光顺效果。     

基于EMD和SVR的混合智能预测模型及实证研究

针对非平稳、非线性时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出一种新的基于经验模式分解和支持向量回归的混合智能预测模型。经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,对各预测分量进行加权组合,得到原始序列的准确预测值。实证研究表明对于非平稳、非线性时间序列的预测,不论是单步预测还是多步预测,该模型均能取得很好的预测效果。