基于小波变换的人体步态序列提取

将小波变换用于处理人体行走时产生的加速度信号.利用离散小波变换的多尺度、多分辨率特性对原始加速度信号进行尺度分解,在对小波基以及分解尺度进行合理选取后准确地从加速度信号中提取出隐藏的步态节律.与利用阈值法直接对原始加速度信号提取峰值的算法比较后发现：利用小波分解得到与步态节律相关的特征尺度后再进行峰值检测能显著地提高信号峰值的检出率;即使当原始信号存在较严重的噪声干扰时,该方法也能保证所提取出的步态序列的准确性.这对于步态序列的后续分析具有至关重要的意义.研究表明,离散小波变换是一种有效的提取步态节律的方 关键词： 小波变换 步态序列 峰值检测 特征尺度     

基于CEEMD特征提取的无绝缘轨道电路补偿电容故障诊断

本文利用电路网络理论和传输线理论构建ZPW-2000A轨道电路传输模型,仿真并分析了补偿电容故障对轨面电压的影响,提出基于互补的总体经验模式分解(CEEMD)特征提取的补偿电容故障诊断方法。实验结果表明,相比于传统经验模式分解(EMD)和总体经验模式分解(EEMD),基于CEEMD特征提取的补偿电容故障诊断方法可以有效地克服EMD方法引起的模态混叠和能量泄露现象,减少EEMD方法在信号重构过程中的白噪声残留,为补偿电容的故障诊断提供了一种快速准确的方法,为保证信号传输质量提供了参考依据。     

EEMD自适应去噪在拉曼光谱中的应用

二代小波是公认较好的降噪手段,但是降噪效果依赖于基函数、分解层数和阈值等参数设置。经验模态分解(empirical mode decomposition, EMD)无需参数设定,按照频率特性将信号分解成本征模函数(intrinsic mode function, IMF),对IMF滤波,实现了信号自适应去噪。拉曼光谱中信号和噪声交叠集中在极高频段,EMD产生模态混叠问题,影响去噪效果。应用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)拉曼光谱克服了模态混叠,有效区分出高频信号和噪声,获得了与小波函数相似去噪效果。文中首先对一段非线性非平稳豆油脂拉曼光谱EMD分解,可见模态混叠,EEMD分解出清晰模态的特征分量。然后分别用快速傅里叶变换(fast Fourier transform,FFT)、小波变换(Wavelet)、EMD和EEMD处理含噪光谱,信噪比、均方根误差、相关系数三个方面指标表明FFT高频去噪效果最差,其次是EMD,恰当的Wavelet同EEMD效果相当,EEMD的优势是降噪过程的自适应。最后提出光谱时频分析方法和IMF噪声属性判别准则研究趋势。     

基于改进经验模态分解域内心动物理特征识别模式分量的心电信号重建

心电图(electrocardiogram,ECG)诊断心脏疾病的严格标准,要求有效地消除噪声并准确地重建ECG信号.经验模式分解(empirical mode decomposition,EMD)方法重建ECG信号中,模式混叠及重建采用模式分量的识别以经验为基础,导致重建ECG信号准确度降低,且方法不具有自适应和通用性.本文首先基于积分均值定理提出一种改进的EMD方法——积分均值模式分解(integral mean mode decomposition,IMMD)方法,经5000个高斯白噪声样本的蒙特卡罗法验证,IMMD方法比EMD具有更优多分辨率分析能力,能够有效地缓解模式混叠.其次,基于ECG信号内固有心动物理特征量识别重建ECG信号所采用的模式分量,具有现实物理意义,因此,方法具有自适应和通用性.经验证,提出方法重建47例ECG信号与原ECG信号的相关系数中:31例优于变分模式分解方法;33例优于Haar小波软阈值法;42例优于集总经验模式分解方法;45例优于EMD方法.相关系数均值为0.8904,方差为0.0071,表现稳定且最优.     

总体经验模态分解能量向量用于ECG能量分布的研究

总体经验模态分解(EEMD)改进了经验模态分解(EMD)存在的模态混叠问题, 依据信号自身的波动特点将信号分解, 特别适合非线性非平稳信号的分析处理. ECG信号能量分布有一定的规律, 疾病会引起能量分布的变化, 研究ECG能量分布的改变对心脏疾病的研究和临床诊断有重要意义. 本文将ECG信号通过EEMD方法分解为多个本征模态函数(IMF)分量, 观察IMF分量的波动规律, 指出了ECG信号在不同时间尺度上的波动特点和物理意义. 将IMF分量分别计算能量, 得到ECG的能量向量, 并对健康人和三种心脏疾病患者能量向量进行对比分析. 结果表明心脏疾病导致EEMD能量向量的高频分量显著降低, 尤其是p₁分量具有较好的区分度, 可以作为心脏疾病诊断的参考依据. 相比较传统的频域分析方法单纯关注频率而忽略信号自身特点和信号成分之间的相互作用, EEMD的分解结果依赖于ECG信号本身, 因此更能够反映ECG信号的真实情况, 揭示年龄和疾病对ECG能量分布的影响.     

集合经验模态分解在区域降水变化多尺度分析及气候变化响应研究中的应用

集合经验模态分解(EEMD)是一种适用于非线性、非平稳序列的信号分析方法, 将EEMD 应用于气候要素时间序列, 可提取可靠真实的气候变化信号, 同时, EEMD可以得到气候变化的固有时间尺度.本文使用EEMD方法, 从气候时间序列中提取气候信号中各个尺度的变化, 对渭河流域过去50年来的秋季降水进行多尺度分析,结果显示, 对于20世纪70年代末80年代初的全球气候突变, 渭河流域的秋季降水也有很好的响应, 而且大尺度上的响应要早于中小尺度, 其中在大尺度上主要表现为波动形式, 即降水距平正负位相持续期的变化, 从持续正位相到正负位相周期性交替出现; 而在中小尺度上主要是振幅大小, 即降水距平正负位相量级的变化, 量级从相对较大变为相对较小再逐渐增大. 关键词： 集合经验模态分解 多尺度变化 秋季降水 渭河流域     

噪声模态单元预判的经验模态分解脉冲星信号消噪

为了改善脉冲星辐射脉冲信号的消噪效果, 提出了一种基于噪声模态单元预判的经验模态分解(EMD) 消噪声方法. 该方法首先利用EMD将含噪辐射脉冲信号分解为一组内蕴模态函数(IMF), 根据IMF系数的统计特性采用局部均方误差准则进行噪声模态单元预判, 并将噪声模态单元置零; 然后对噪声模态单元预判处理后的IMF以模态单元为基本单位进行最优比例萎缩消噪, 从而达到抑制噪声、保留信号的目的. 实验结果表明: 与Sure Shrink小波阈值法、Bayes Shrink小波阈值法和EMD模态单元比例萎缩法相比, 基于噪声模态单元预判的EMD消噪方法可以更有效地去除脉冲辐射信号中的噪声, 同时更好地保留信号突变处的细节信息特征, 在信噪比、 均方误差、峰值相对误差、峰位误差和相位误差等方面都有一定程度的改善. 关键词： 脉冲星信号消噪 经验模态分解 噪声模态单元预判 局部均方误差     

基于MCKD-EEMD近似熵和TWSVM的齿轮箱故障诊断

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取;为了有效地进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法;首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别;仿真实验表明,采用MCKD-EEMD方法能够有效地提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

仿生鳍条姿态测量及其误差分析

在复杂环境下齿轮箱信号往往会淹没在噪声信号中,特征向量难以提取。为了有效的进行故障诊断,提出了基于最大相关反褶积(MCKD)总体平均经验模态分解(EEMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。首先采用MCKD方法对强噪声信号进行滤波处理,在采用EEMD方法对齿轮箱信号进行分解,分解后得到本征模函数(IMF)分量进行近似熵求解,得到齿轮特征向量,最后将其输入到TWSVM分类器中进行故障识别。仿真实验表明,采用MCKD-EEMD方法能够有效的提取原始信号,与其他分类器相比,TWSVM的计算时间短,分类效果好等优点。     

激光雷达信号的可变间隔阈值经验模式分解去噪法

针对采用经验模式分解直接阈值(EMD-DT)和经验模式分解间隔阈值(EMD-IT)在激光雷达回波信号的去噪应用中会产生的模态混叠现象,采用一种可变间隔阈值的经验模式分解(EMD-SIT)的去噪方法。首先,对信号进行经验模式分解。然后,采用过零率方法将分解出的含有噪声的固有模态函数分离。最后,应用过零点阈值,设立一个新的可变阈值,将EMD-IT和EMD-DT有效融合对信号进行去噪。通过与多种阈值的仿真对比以及激光雷达的回波信号去噪实验,结果表明该方法可以有效地去除噪声,抑制模态混叠,较EMD-IT和EMD-DT更具有优越性,因此有着很好的应用前景。     

基于Lempel-Ziv复杂度和经验模态分解的癫痫脑电信号的检测方法

癫痫脑电信号是非平稳、非线性的,根据此特性我们提出一个基于Lempel-Ziv复杂度和经验模态分解(EMD)的癫痫脑电信号的检测方法,首先将癫痫脑电信号用EMD分解,再分别计算每阶固有模态函数(IMF)的复杂度,最后将得到的复杂度作为特征进行检测.实验用波恩数据库来评估提出的方法.结果表明,该方法检测准确率可达到95.25%,具有准确率高、适应性强等优点.     

Denoising of chaotic signal using independent component analysis and empirical mode decomposition with circulate translating

In this paper, a new method to reduce noises within chaotic signals based on ICA(independent component analysis)and EMD(empirical mode decomposition) is proposed. The basic idea is decomposing chaotic signals and constructing multidimensional input vectors, firstly, on the base of EMD and its translation invariance. Secondly, it makes the independent component analysis on the input vectors, which means that a self adapting denoising is carried out for the intrinsic mode functions(IMFs) of chaotic signals. Finally, all IMFs compose the new denoised chaotic signal. Experiments on the Lorenz chaotic signal composed of different Gaussian noises and the monthly observed chaotic sequence on sunspots were put into practice. The results proved that the method proposed in this paper is effective in denoising of chaotic signals.Moreover, it can correct the center point in the phase space effectively, which makes it approach the real track of the chaotic attractor.     

自适应的EEMD残余相关基线校正算法

基线校正是光谱分析的重要环节,现有算法通常需要设定关键参数,不具备自适应性。根据总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)残余量特点,提出用残余量拟合光谱基线。通过残余量与信号相关性、残余量自相关和互相关性(称为残余相关准则)判断残余量是否是基线组成部分,以此为基础提出一种自适应的EEMD残余相关基线校正算法。对叠加曲线背景和线性背景的模拟光谱数据进行实验,结果显示在已知基线数学假设情况下,EEMD残余相关法逊于多项式拟合,同非线性拟合相差不多,优于小波分解。在没有光谱背景知识情况下,对真实拉曼光谱数据进行试验。经过上述方法预处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型,经过残余相关基线校正的模型具有最大校正相关系数和预测相关系数,最小交叉验证标准差和相对分析误差。各种基线校正方法中,残余相关基线校正对特征峰峰位、峰强和峰宽影响最小。实验表明,该算法可用于拉曼谱图基线校正,无需分析样品成分的先验知识,无需选择合适的拟合函数、拟合数据点、拟合阶次以及基函数和分解层数,也无需基线信号分布的数学假设,自适应性很强。     

基于EMD的拉曼光谱去噪方法研究

经验模态分解(EMD)方法是一个以信号极值特征尺度为度量的时空滤波过程,它充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势。文章在介绍EMD分解方法的基础上,结合EMD的多尺度滤波特性,提出了一种新的拉曼光谱去噪方法——EMD阈值去噪法。该方法首先对含噪的拉曼光谱信号做EMD分解,得到各阶本征模态函数(IMF),然后对高频的IMF分量用阈值法进行处理,把经过阈值处理后的高频IMF分量与低频IMF分量叠加得到重构的信号,即去噪信号。通过处理对二甲苯的拉曼光谱信号,分析了在不同噪声水平上不同去噪方法的处理效果。实验结果表明EMD阈值去噪法有效地去除了噪声,较好地保留了光谱的细节信息,与小波阈值去噪方法相比较具有自适应的优势,在拉曼光谱去噪中有很好的应用前景。     

经验模态分解法在近红外无创血红蛋白检测中的应用研究

为提高近红外血红蛋白预测模型的稳健性,分别应用Savitzky-Golay平滑、移动窗口平滑以及经验模态分解(EMD)方法对原始光谱进行去噪处理,以提高数据信噪比。采集了81例临床志愿者的手指指端血流容积脉搏波光谱数据,同时获取相应的血红蛋白浓度值临床化验结果。剔除异常样品,确定78例样品为研究对象,建立反向传播神经网络(BP-ANN)定量分析模型并预测。结果表明,经EMD处理后的模型预测效果最优,预测相关系数由0.74提高至0.87,误差均方根由12.85 g·L-1减小至8.08 g·L-1。实验证明应用EMD方法能够获得高信噪比的容积脉搏信号,提高血红蛋白浓度预测模型的准确性,有利于推动近红外无创血红蛋白检测技术的进一步发展。     

利用经验模态分解的高频水声信号滤波方法*

研究了一种高频水声信号的滤波问题,提出了一种改进的经验模态分解加小波阈值滤波方法。首先对信号进行带通滤波处理,再进行经验模态分解,将分解得到的各个模态转换为频域信号,采用小波软阈值方法对这些频域信号进行滤波,最后对信号进行重构,并转换为时域信号。经数值仿真与试验数据验证表明此方法是可行有效的,与原基于经验模态分解的小波阈值滤波方法相比,本方法滤波效果较好:对不同输入信噪比的仿真信号进行滤波后,本方法的输出信噪比最大提高17.41 d B,滤波后所得信号与加噪前纯信号的相关系数最大提高0.90;对实验数据进行滤波后,不同时间段信号的相关系数最大提高0.62。     

混沌干扰中基于同步挤压小波变换的谐波信号提取方法

针对混沌干扰背景下多个谐波信号的提取问题, 提出了一种基于同步挤压小波变换(SST)的谐波信号抽取方法. 首先利用SST将混沌信号和谐波信号组成的混合信号分解为不同的内蕴模态类函数, 然后利用Hilbert变换对分离出的内蕴模态类函数进行频率识别, 从中分离出各谐波信号. 以Duffing混沌背景为例, 对混沌干扰下多谐波信号的提取进行了实验分析. 实验结果表明: 对于不同频率间隔的多个谐波分量, 本文方法的提取结果都具有较高的精度, 而且所提方法对高斯白噪声的干扰具有较好的鲁棒性, 综合提取效果优于经典的经验模态分解方法.     

应用经验模态分解和独立成分分析解译岩矿光谱

岩矿光谱由多种矿物光谱混合而成,解译岩矿光谱能够得到岩矿的组分信息,且该方法具有快速、方便、不损坏样品的特点。经验模态分解(empirical mode decomposition, EMD)不能直接分离出混合信号中的源信号,独立成分分析(independent component analysis, ICA)要求混合信号数目不小于其所包括的源信号数目。将EMD和ICA两种方法相融合,首先用EMD分解混合信号得到本征模态函数(intrinsic mode function, IMF),再选择一定数目的IMF与混合信号一起组成ICA的输入数据矩阵,经过ICA运算可以获取单一混合信号中的源信号信息,克服了EMD和ICA两种方法各自的缺陷。研究表明,综合应用EMD和ICA方法可以获取单一混合信号中的源信号信息,混合信号中源信号含量越大,得到的源信号近似值越理想。参与ICA分离的IMF数目决定了分离得到的源信号近似值的数目,并且选择的IMF与混合信号相关系数越大,得到的源信号近似值越理想。运用该方法定量分析岩矿光谱,可以获取组成岩矿的矿物信息,比较适用于野外作业岩矿的快速分析鉴定及成分初步分析。     

Infrared small target detection based on modified local entropy and EMD

Image entropy and empirical mode decomposition （EMD） are effective methods for target detection. EMD algorithm is a powerful tool for adaptive multiscale analysis of nonstationary signals. A new technique based on EMD and modified local entropy is proposed in small target detection under sea-sky background. With the EMD algorithm, it is valid to estimate the background and get the target image by removing the background from the original image and segmenting the target based on the modified local entropy method. The data analysis and experiments show the validity of the proposed algorithm.     

基于EMD方法的混沌时间序列预测

将经验模态分解(EMD)方法引入到非线性数据处理中,提出用EMD分解后的数据进行混沌预测的方法.通过Duffing方程和Lorenz系统的非线性响应预测实例表明,EMD分解后的信号和原始信号相比具有较小的最大Lyapunov指数,可提高预测时间和长时预测精度. 关键词： EMD 混沌 预测