经验模式分解

摘要： 异常用电行为的时频特性往往具有强随机不确定性,而固定参数相关的分析方法无法有效处理此类数据。为此,本文提出了一种基于经验模式分解(EMD)的异常用电检测方法。首先,针对用电数据的不同特点进行初步筛选,进而采用EMD方法对用户用电量和线损电量序列进行自适应分解,提取EMD分解所得高频分量,通过对其变化趋势和相关性进行分析,标定异常用电行为。结合实际案例的分析比对,验证了该方法的有效性。

摘要： 针对X波段双偏振雷达信号在降雨路径中的衰减现象,本文提出经验模式分解(Empirical Mode Decomposition,EMD)方法进行X波段双偏振雷达衰减订正,首先对总差分传播相移进行EMD分解得到有限个基本模式分量(Intrinsic Mode Function,IMF),并基于皮尔逊相关系数准则将IMF分为噪声IMF和信号IMF两类,然后对信号IMF进行有效重构得到差分传播相移,再将差分传播相移通过最小二乘法拟合得到差分传播相移率,最后对求得的差分传播相移与差分传播相移率采用自适应约束方法进行反射率衰减订正。利用EMD方法和其他方法进行对比分析,其结果表明,EMD方法能够有效地消除X波段双偏振雷达回波数据中后向散射的影响,在保留真实的气象信息的同时,有效地抑制差分传播相移的显著波动,进而衰减订正效果更好。

摘要： 由于旋转机械常工作于非平稳、高负荷等工况,易出现故障。测试得到的振动信号中包含丰富的设备运行状态信息,对研究旋转机械的非平稳信号非常重要。旋转机械振动加速度信号通常为多源激励响应,其构成成分多、频率结构复杂,是一种典型的多分量信号。经验模式分解可以实现多分量信号的自适应分解,为旋转机械非平稳多分量振动信号时变特征的揭示提供了一种思路。通过结合数值进行仿真分析,总结了经验模式分解的优势、劣势和适用范围,为经验模式分解的使用提供了一定的参考。运用基于经验模式分解的非平稳信号分析方法,分析了电动机转子偏心振动加速度信号,在旋转机械振动非平稳信号的时变特征被准确地表征。

摘要： 为提高电磁超声检测信号的精确度,提出了一种基于改进EMD(经验模式分解)的数据处理方法。针对IMFs(本征模态函数)筛选中容易丢失高频有用信息的问题,建立了一个基于欧式距离的IMFs分量筛选准则,并结合小波阈值滤波方法以实现噪声去除和微小有用信号的有效提取。为验证该算法的有效性,对厚度为10,15 mm的铝板进行了测厚试验,采用改进EMD算法对检测到的数据进行处理并提取峰值点位置,通过相邻峰值点的时间差计算厚度值,进行多组试验并计算误差。试验结果表明,提出的方法能够提高电磁超声检测的精度,同时提高了回波信号的信噪比,对于10 mm厚的铝板最小误差为0.1%,对于15 mm的铝板最小误差为0.3%。

摘要： 针对电价非平稳性强的问题,为提高电价的预测精度,提出一种基于变分模态分解(VMD)、经验模式分解(EMD)和长短时记忆网络(LSTM)的混合预测模型。首先利用VMD将电价分解为若干子序列和残差项;针对残差项具有较强非平稳性的问题,利用EMD对残差项进一步分解;最后对各子序列分别利用LSTM模型进行预测,并将各子序列预测结果叠加得到最终预测电价。实验结果表明,该方法相比于其他对比方法具有更高的预测精度。

摘要： 传统的说话人识别(Automatic Speaker Verfication, ASV)系统难以分辨合成语音,构建一个说话人保护系统刻不容缓。针对合成语音侵扰说话人识别系统问题,从特征层面提出了一种基于经验模式分解(Empirical Mode Decomposition, EMD)的梅尔倒谱系数(Mel Frequency Cepstral Coefficients, MFCC)+逆梅尔倒谱系数(Inverse Mel Frequency Cepstral Coefficients, IMFCC)的双通道语音特征作为合成语音检测的前端特征,在后端分类器上串联Res2Net网络和SENet网络组合成SE-Res2Net网络来提升模型的泛化能力。将不同特征与模型的打分结果融合,进一步提高实验性能。在ASVspoof2019数据集上的实验结果表明,该设计的合成语音检测系统能有效检测合成语音,与ASVspoof2019比赛的基线系统相比,融合模型的等错误概率(Equal Error Rate, EER)与串联成本检测函数(tandem Detection Cost Function, t-DCF)分别降低了49%和64%。

摘要： 为准确预测水锤信号变化规律,实现对水锤冲击强度和能量等特性的提前预判,针对水锤冲击信号提出了一种基于经验模式分解(empirical mode decomposition,EMD)和循环神经网络(recurrent neural network,RNN)的模型预测方法.首先,通过EMD获取具有不同频率的IMF分量,根据水锤信号的频域特性剔除高频噪声分量并重构信号以实现滤波,滤波后信号能量损失不足0.1%;进而,建立了基于RNN模型的时间序列预测模型,搭建试验平台获取水锤冲击信号,完成了RNN模型的训练和参数调节;随后,对不同流速下水锤冲击信号进行序列预测,在测试集与训练集流速不同条件下,得到了准确的预测结果,表现出一定泛化能力.对比分析预测水锤信号与实际信号,得到R^(2)系数大于0.9900,幅值和能量损失不足1%,验证了所提出方法的正确性,主要结论和建模方法可为各类输水系统的风险评估、管路监测和健康管理提供理论指导和技术手段.

摘要： 内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏.对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法.该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断.

摘要： 提出一种基于SEMG的人手手内动作识别系统对十种自定义的人手手内操作进行识别.结合人手操作的常用动作,设计包括平移、转移和旋转等在内的十种人手动作集;采用经验模态分解(EMD)算法对原始肌电信号进行预处理;采用最大Lyapunov指数(MLE)法对经过降噪处理后的肌电信号进行特征提取;将获得的非线性MLE特征通过随机森林算法进行分类,并同其他经典算法进行比较.实验结果表明,该系统可以有效地识别10种不同的人手手内动作,准确率高达91.67％.

摘要： 针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率.将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果.

摘要： 心电信号可体现自主神经系统的动态变化,经分析能反映睡眠的深度和时期信息.但因心电信号的非线性特性及敏感性,往往导致分析结果不稳定且缺乏生理意义.本研究采用经验模式分解结合心肺耦合技术的方法,通过分析单导心电数据,提供准确的睡眠分期及睡眠呼吸暂停综合征(OSAHS)的疾病评估信息.通过分析30例临床PSG的心电信号,与专业医生的人工睡眠报告比对,发现两者睡眠分期结果的最大互相关系数高达0.904,并可区分OSAHS患病严重程度,同AHI有很强的负相关性r=-0.77,p=5.8*10-18.结果表明,研究提出的方法可提供可靠的睡眠微结构及睡眠呼吸疾病信息,其数据采集简单,易执行,在可穿戴健康管理以及临床辅助诊断领域有巨大发展潜力.

摘要： 轧机齿轮箱故障直接影响着轧线的生产,对轧机齿轮箱进行状态管理是现代冶金设备管理的发展方向.本文通过对经验模式分解方法进行介绍并通过经验模式分解(EMD)方法对现场齿轮箱振动信号进行处理,对处理前后的振动信号进行比较并对处理后的振动信号进行分析,对齿轮箱故障进行诊断,对现场轧机齿轮箱状态进行把握,最终实现设备的状态管理.

摘要： 针对齿轮箱传动过程过程中多级传动相互干扰,微弱故障容易被噪声湮没问题,提出一种基于经验模式分解(EMD)和独立分量分析(ICA)的齿轮箱复合故障诊断方法,通过将EMD分解后的本征模函数(IMF)作为ICA方法中的虚拟通道,解决了对单一采样信号进行盲源识别的欠定问题.该方法首先对单通道齿轮箱复合故障信号进行EMD分解,得到多个IMF分量,然后依据相关系数值以及峭度准则,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现齿轮箱复合故障的分离.实验结果表明,该方法可有效地分离齿轮箱的复合故障.

摘要： 提取出脑电信号中微弱征兆信息,可以更好地了解脑电信号的特征,但由于各类外界信号的相互混叠,信号呈现出非线性、非平稳性,因此对于脑电信号的提取是个难题.为此本文提出了优于小波分解的经验模式分解(EMD)算法对脑电信号进行分解,提取主要IMF分量的特征值,随后采取代价敏感支持向量机(CSVM)进行分类,并对参数进行寻优.在对癫痫患者脑电信号研究的实验中,分类准确率均达到90％以上,验证了本方法的可行性.

摘要： 针对目前高速旋转机械通过建模求解各阶固有频率复杂、困难问题,提出一种基于随机子空间(Stochastic Subspace Identification,SSI)和经验模式分解(Empirical Mode Decomposition,EMD)相结合的系统模态参数识别方法.该方法首先通过对转子系统运行工况下的振动响应进行分段滤波获取各阶模态自由衰减分量,然后引入EMD对处理后的信号进行分解,降低模态混叠及其他信号成分对模态参数识别的影响.其次,以EMD分解后的数据为基础,构建Hankel矩阵,通过SVD分解和卡尔曼状态滤波得到系统的随机状态模型,并对状态矩阵进行特征值分解,从而得到系统的一阶与二阶模态的固有频率.仿真分析和转子实验台的实际测试结果表明,该方法可以有效识别运行工况下转子系统的一、二阶固有频率,为后续系统特性分析和故障辨识提供新的思路.

摘要： 时频分布是将一维的时域信号投影到二维的时频平面.Wigner-Ville分布(WVD)是一种很常用的经典的时频分析方法,它具有很好的时频聚焦性,可以很好地展现出一个单分量信号的特性.但是当利用WVD分析多分量信号的时候会出现交叉项的问题.为了消除交叉项的干扰,利用希尔伯特黄(HHT)变换中的经验模式分解(EMD)先将多分量信号分解成单分量的固有模态函数(IMF),然后对每一个分量进行WVD的分析.仿真实验的结果表明这种方法在减少WVD交叉项方面有很好的效果.

摘要： 磁悬浮陀螺仪在观测过程中容易受到外界环境的影响,使陀螺数据产生随机噪声,进而影响陀螺寻北的精度.本文提出了针对陀螺数据随机噪声的希尔伯特-黄变换(HHT)方法,该方法首先对陀螺数据进行经验模式分解(EMD)得到固有模态函数(IMF),然后对每一阶的IMF进行希尔伯特变换得到边际谱,判断出应该去掉前几阶的IMF函数.通过试验分析表明,希尔伯特-黄变换方法非常适合于分析非线性非平稳数据,完全自适应,并且不受Heisenberg测不准原理的制约,能有效去除随机噪声,还原信号的有用成分,提高陀螺定向精度.

摘要： 研究在车型识别中基于经验模式分解(EMD)的特征提取算法.针对地面运动目标产生的声信号,长期以来主要是通过假定信号短时平稳来提取特征参数的,提取得到的是目标信号的短时静态特征.以适用于非线性时变信号分析的经验模式分解法(EMD)为基础,提出了一种基于EMD的能量比率系数提取方法.并在BP神经网络下,对三类车辆样本数据,测试验证了提取特征的有效性.实验证明,该方法利用EMD分解后信号动态频率组成,能准确表征声目标频带-能量特征,为识别系统提供更丰富的目标信息.

摘要： 针对常规存储式电子压力计入井后只能按固有频率采样、存储,导致存储空间有效数据占用率低、数据处理量大、井下无线数据传输困难等问题,提出一种自适应存储式电子压力计设计方法,通过对压力计处理电路、机械结构的重新设计并研究基于小波包和经验模态分解的自适应存储算法,对地层测试过程中采集的压力、温度数据按照施工作业阶段进行划分,根据分类结果自主设定当前阶段的采样、存储频率,实现井下压力、温度数据的变频率采样和存储.对设计完成的自适应存储式电子压力计进行了功能试验并对自适应存储算法进行了实测数据验证,结果表明,自适应存储式电子压力计能够自主识别所处施工作业阶段并进行变频率压力、温度信息的采样、存储,存储数据量降至常规电子压力计的50％以下,降低了后续数据处理的工作量及压力计自身功耗,为压力、温度数据的无线传输奠定了基础.

摘要： 针对常规存储式电子压力计入井后只能按固有频率采样、存储,导致存储空间有效数据占用率低、数据处理量大、井下无线数据传输困难等问题,提出一种自适应存储式电子压力计设计方法,通过对压力计处理电路、机械结构的重新设计并研究基于小波包和经验模态分解的自适应存储算法,对地层测试过程中采集的压力、温度数据按照施工作业阶段进行划分,根据分类结果自主设定当前阶段的采样、存储频率,实现井下压力、温度数据的变频率采样和存储.对设计完成的自适应存储式电子压力计进行了功能试验并对自适应存储算法进行了实测数据验证,结果表明,自适应存储式电子压力计能够自主识别所处施工作业阶段并进行变频率压力、温度信息的采样、存储,存储数据量降至常规电子压力计的50％以下,降低了后续数据处理的工作量及压力计自身功耗,为压力、温度数据的无线传输奠定了基础.

摘要： 本发明涉及电力系统领域，尤其涉及一种基于多元经验模态分解的电力系统低频振荡模式辨识方法。包括：利用基于多元经验模态分解的改进算法对电力系统中的低频振荡信号进行预分解处理，在得到对应不同振荡模式的多个本征模函数分量后，利用Teager能量算子的快速响应能力，计算各本征模函数分量的相对能量值，再以能量作为判断依据，筛选出能够反映系统真实振荡情况的主导振荡模式并将虚假噪声部分剔除，最后通过预测误差法计算主导振荡模式所对应的振荡模式参数，即频率及阻尼比，从而完成对电力系统主导振荡模式的辨识。本方法实现了基于广域量测信息的电力系统主导振荡模式的快速、准确、以及高效辨识。

摘要： 本发明提供了一种基于经验模态分解分解的内蕴模式函数的光滑方法及装置。该方法包括：对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号；调整小波包滤波参数，对所述内蕴模式函数IMF分量信号进行自适应小波包滤波，得到滤波后的内蕴模式函数IMF分量信号；计算所述参考信号和滤波后的内蕴模式函数IMF分量信号的相关系数，并将根据最大的相关系数对应的小波包滤波参数得到的滤波后的内蕴模式函数IMF分量信号作为对所述内蕴模式函数IMF分量信号的光滑处理结果。本发明能够清除保留在IMF分量信号中的噪声，修复高频间歇信号引起的低频IMF分量信号的非连续变形。

摘要： 一种基于自适应多向经验模式分解的图像纹理分解方法：采用自适应多向经验模式分解对源图像I进行多尺度多向分解，获得源图像的内蕴模式函数分量imfj和剩余分量rj，其中j＝1,2,…,n，n为分解得到的内蕴模式函数分量imf的级数。本发明有益效果：采用本发明分解方法分解过程继承了传统经验模式分解的优点，解决了传统经验模式分解算法出现频率混叠问题，对于后续图像处理具有重要意义和实用价值；利用本发明分解方法分解的结果细节清晰，无畸变，最优地分析出图像中的内蕴分量。

摘要： 本发明涉及一种基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法，可用于复杂背景下变加速运动目标的检测，属于雷达信号处理和目标检测领域。具体的实现过程包括以下步骤：1)通过经验模式分解算法提取数据的多普勒频率；2)采用迭代端点拟合算法对数据分段，并提取每段数据对应的运动参数；3)对分段后的数据进行频谱搬移；4)用快速傅里叶变换实现积累。本发明可以将目标的变加速运动分为多段匀加速运动，通过对信号的频谱搬移及快速傅里叶变换实现对目标能量的有效积累，提高目标信杂比，这种处理有利于提高复杂背景下弱小目标的检测能力。

摘要： 本发明首先运用方向权值经验模式分解方法对采集到的源图像进行多尺度分解，获得每幅源图像的多级尺度的高频内蕴模式分量，对各级分量按照权值规则进行融合处理，保留了所有源图像的细节信息和能量分布，最后反向重构获取融合图像。本发明有益效果：与传统经验模式分解相比，克服了运算速度慢和分解结果有暗斑和边缘重叠的问题。获得各级分量按照权值规则进行融合处理，可最大化的融合细节信息，减少非细节信息的影响，保留各分量的能量分布。

摘要： 本发明公开了一种基于加速度信号经验模式分解的动态称重装置及方法，装置包括设置有称重台、均匀分布在称重台上的凸块，分别设置在称重台两侧用于控制系统测试的红外信号传感器、用于采集加速度信号的数据采集模块、用于进行信号分析处理的数据处理模块以及用于显示待测物重量的显示屏。待测物体通过称重台时，对凸块产生冲击，数据处理模块对由信号采集模块采集并传送的冲击信号进行时域平均、SVD降噪、EMD分解处理，将分解后的剩余分量作为标定待测物重量的指标。本发明所述称重装置结构简单、造价低廉、动态性能好，且传感器同与待测物非接触测量在保证测量精度的同时可增加装置使用寿命。

摘要： 一种基于经验模式分解的大幅面图像不均匀光照校正方法，包括如下步骤：输入图像，检测输入图像的格式，将彩色RGB格式的图像转换为YUV格式，然后提取YUV格式图像中Y通道的图像得到提取图像；对提取图像进行变换，得到变换后的图像；对变换后的图像进行基于经验模式的分解，得到一系列表征图像局部频率和尺度特性的本质模式函数以及一个余量函数；选择特定的余量函数以及本质模式函数进行光照不均匀程度的检测；平滑光照图像；进行反射图像变换，得到最终的校正图像。本方法可以有效的校正复杂光照条件下的大幅面图像，实时性好并且有高的主观视觉质量。

摘要： 一种基于自适应多向经验模式分解的图像纹理分解方法：采用自适应多向经验模式分解对源图像I进行多尺度多向分解，获得源图像的内蕴模式函数分量imf

摘要： 本发明公开了一种基于排列熵的自适应噪声完备集合经验模式分解方法，搭建机械轴承数据采集平台，利用加速度传感器采集轴承故障振动信号x(t)；在CEEMDAN对轴承故障振动信号分解过程中嵌入排列熵阈值检测，分离出间歇和噪声信号，对剩余信号直接进行经验模式分解(EMD)，不仅减少伪信号的产生、克服模态混淆现象，且提升了故障检测的效果。

摘要： 本发明公开了一种基于二维经验模式分解的频谱预测方法，首先获取频谱数据，将其分割为多个紧密相连的矩阵块，利用二维经验模式分解算法将频谱矩阵按信息尺度从小到大进行分离处理，得到不同频率的固有模态函数分量和残余量，然后进行网络进行训练，得到分离的、训练完成的双向卷积长短期记忆网络，采用训练完成的双向卷积长短期记忆网络对各固有模态函数分量和残余量进行预测，结合每个双向卷积长短期记忆网络模型重建预测值。本发明通过频谱在时间上及信道间的相关性，从频率、时间二维角度来进行频谱预测，提高无线电频谱预测的性能。