基于变分模态分解与多尺度排列熵的生物组织变性识别

根据高强度聚焦超声(HIFU)治疗中超声散射回波信号的特点,本文利用变分模态分解(VMD)与多尺度排列熵(MPE)对生物组织变性识别进行了研究.首先对生物组织中的超声散射回波信号进行变分模态分解,根据各阶模态的功率谱信息熵值分离出噪声分量和有用分量;对分离出的有用信号进行重构并提取其多尺度排列熵;然后通过Gustafson-Kessel (GK)模糊聚类确定聚类中心,采用欧氏贴近度与择近原则对生物组织进行变性识别.将所提方法应用于HIFU治疗中超声散射回波信号实验数据,用遗传算法对多尺度排列熵的参数优化后,对293例未变性组织和变性组织的超声散射回波信号数据进行了多尺度排列熵分析,发现变性组织的超声散射回波信号的多尺度排列熵值要高于未变性组织;多尺度排列熵可以较好地识别生物组织是否变性.相对于EMD-MPE-GK模糊聚类以及VMD-小波熵(WE)-GK模糊聚类变性识别方法,本文所提方法中变性与未变性组织特征交叠区域数据点更少,聚类效果和分类性能更好;本实验环境下生物组织变性识别结果表明,该方法的识别率更高,高达93.81%.     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染。为研究冲击信号去噪的问题,本文针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法。单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息。本文将EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变。对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

基于弹性变分模态分解的癫痫脑电信号分类方法

癫痫脑电信号分类对于癫痫诊治具有重要意义.为了实现病灶性与非病灶性癫痫脑电信号的分类,本文利用弹性网回归重构变分模态分解算法,提出弹性变分模态分解算法并将其应用到所提癫痫脑电信号分类方法中.该方法先将原信号分割成多个子信号,并对各子信号进行弹性变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵作为特征,最后利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到92.54%,93.22%和91.86%.     

近场子空间聚焦的碰摩故障声发射定位方法

针对宽带多源声发射信号的相干、多模态和能量衰减快问题,提出一种近场多重相干信号子空间聚焦的定位算法用于碰摩故障声发射源的定位检测。首先,为滤除干扰模态波、减小频散效应,采用基于模态声发射传播特性分析的小波分解滤波方法,从碰摩初期的声发射信号中获取零阶模态波及波速用于定位计算;其次,为实现信号解相干,提出基于双边相关变换(TCT)的近场聚焦矩阵估计方法;最后,针对声发射信号的能量衰减快问题,利用近场基于特征分解的多重信号分类(N-MUSIC)的空间谱估计方法来实现声源的精确定位。理论分析和实验结果表明:该方法定位精度高、计算复杂度低、稳定性强,能有效识别多个相干碰摩声源。相比传统相干子空间算法(CSM),该方法减少了信号初值和聚焦频点的计算量,对双声源的分辨概率较现有修正近场多重信号分类算法提高了17%,是一种有效的碰摩故障源检测方法。      

基于变分模态分解的相位敏感光时域反射计信噪比提升方法

在页岩气开采过程中,基于相位敏感光时域反射计（Φ-OTDR）的分布式光纤声波传感（DAS）系统是对水力压裂作业中产生的微震波进行监测的常用方案。为了提高Φ-OTDR系统测量振动信号的信噪比,提出了一种基于变分模态分解（VMD）和互信息（MI）的振动信号去噪方法,对数字正交（I/Q）解调得到的相位信号进行进一步处理,VMD层数K通过去趋势波动分析（DFA）计算的标度指数确定,相位信号的失真和噪声通过剔除MI法确定的非相关模态进行抑制。并搭建了相干探测Φ-OTDR系统验证VMD-MI方法的去噪效果,分别对500 Hz单频振动信号和500、1000、1500 Hz多频振动信号使用VMD、小波降噪（Wavelet）、经验模态分解（EMD）、自适应噪声完备集合经验模态分解（CEEMDAN）进行处理。实验结果表明,所提方法对振动信号信噪比提升最为明显,在Φ-OTDR系统中具有良好的实用性。     

OVMD-ICA算法用于光纤电流传感器降噪

提升数据处理能力是实现光纤电流传感器（FOCS）在微弱电流检测领域中应用的重要支撑。针对独立成分分析（ICA）算法对信源数量的要求和变分模态分解（VMD）对冲击噪声处理能力不足的问题，采用优化参数的变分模态分解与独立成分分析联合算法（OVMD-ICA算法），提升微弱电流检测能力。首先，在分析全光纤电流传感器输出信号的特征和噪声特性的基础上，以能量谱熵为目标函数，采用捕食者算法（HPO算法）获取模态参数K和二次惩罚因子α，完成变分模态分解。然后，通过设置相关系数阈值，对各模态函数分类并构建虚拟通道，以满足ICA对信源数量的要求，并采用FastICA算法实现盲源分离。最后，通过对比实验确定了该方法的有效性，发现采用所提方法能够实现3 mA微弱电流的识别检测。     

基于总体平均经验模态分解的光纤周界预警系统模式识别方法

针对光纤周界预警系统输出信号的非平稳特性,提出了一种基于总体平均经验模态分解(EEMD)的模式识别方法。预警系统基于Mach-Zehnder干涉原理,利用4条单模光纤构成分布式扰动传感器,实时监测周界入侵事件。该方法引用具有自适应性的EEMD算法将振动信号分解成多个本征模态函数(IMF)。根据不同振动信号能量各异的特点,提出EEMD能量熵的方法排除非入侵的干扰。最后建立双重支持向量机对入侵信号进行识别。实验结果表明:该方法可以有效排除非人为入侵的干扰,准确识别攀爬、敲击和其他虚警信号,平均正确识别率优于92%,提高了系统的报警识别率,降低了误报率。     

EMD与神经网络在气液两相流流型识别中的应用

本文提出了EMD与Elman神经网络相结合的气液两相流流型识别的新方法.将压差波动信号经验模态分解(EMD)后的固有模态函数(IMF)进行分析、提取IMF能量作为Elman神经网络的输入特征向量,对水平管内的气液两相流流型进行识别.实验结果表明:该方法优于BP网络且稳定、识别率高,具有可行性.     

低信噪比下公共场所异常声音声学特征提取

为了实现低信噪比下公共场所异常声音声学特征提取,提出经验小波滤波器组用于提取异常声音声学特征。首先,根据等效矩形带宽的人耳听觉特性,得到各滤波器的中心频率,计算出经验小波滤波器组的边界。然后,将边界代入经验小波细节函数和尺度函数中,形成经验小波滤波器组。最后,用经验小波滤波器组分解低信噪比下公共场所异常声音,经分解的各模态归一化对数能量作为异常声音声学特征,用于分类识别。相关实验表明,提出的经验小波滤波器组与典型的语音信号处理及时频信号处理方法相比,在低信噪比(0 dB)的商店、银行、办公室、自动取款机环境下,对异常声音的平均识别率提高了4.75%~37.92%,验证了提出方法的有效性。      

基于变分模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用, 脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系. 本文引入变分模态分解并与传递熵结合, 构建变分模态分解-传递熵模型应用于脑肌间耦合研究. 首先基于变分模态分解将同步采集的脑电(EEG) 和肌电(EMG) 信号分别进行时频尺度化, 然后计算不同时频尺度间的传递熵值, 获取不同耦合方向(EEG→EMG 及EMG→EEG) 上不同尺度间的非线性耦合特征. 结果表明, 在静态握力输出条件下, 皮层与肌肉beta (15—35 Hz) 频段间的耦合强度最为显著; EEG→EMG 方向上脑电与肌电高gamma (50—72 Hz) 频段的耦合强度总体上高于EMG→EEG 方向.研究结果揭示皮层-肌肉功能耦合具有双向性, 且脑肌间不同耦合方向上、不同频段间的耦合强度有所差异.因此可利用变分模态分解-传递熵方法定量刻画大脑皮层与肌肉各时频段之间的非线性同步特征及功能联系.     

Channel identification with Improved Variational Mode Decomposition

The identification of the type of wireless propagation channel (e.g., Line of Sight (LOS) or Non Line of Sight (NLOS)) is an important function in the wireless communication design and deployment especially in rich propagation environments. The wireless channel characteristics can be quite specific not only between Line of Sight (LOS) and Non Line of Sight (NLOS) wireless propagation conditions but also in different NLOS environments.In recent times, machine learning approaches have been increasingly used to differentiate and classify channel characteristics and this paper is part of this trend. In particular, this paper proposes the combination of machine learning with a recently proposed signal processing tool called Variational Mode Decomposition (VMD), which is a decomposition algorithm that decomposes a time series into several modes which have specific sparsity properties. VMD itself is a refinement of the Empirical Mode Decomposition (EMD) and demonstrated a superior performance to EMD for classification problems. One issue for the practical deployment of VMD in channel identification problems is the presence of hyper-parameters, which must be tuned for the applied context. The main contribution of this paper is to propose a novel approach for channel identification based on an improvement of VMD called Improved Variational Mode Decomposition (IVMD), where the optimal values of the hyper-parameters of VMD are automatically identified on the basis of the Shannon entropy of the signal output from the channel. Then, various features are extracted from the modes generated by IVMD and a sequential feature selection algorithm is applied to select the optimal features. This paper applies the proposed approach with IVMD to a data set generated by the authors with a wireless channel emulator, where 6 different propagation scenarios (including no fading conditions) are created for WiFi 802.11g signals, where only the preamble is used for channel identification. Even if channel identification based on the normalized preamble is a challenging classification problem, the proposed IVMD is able to outperform significantly the application of basic VMD, EMD and the time and frequency domain representations (as commonly done in literature) of the WiFi signals.     

Enhanced Partial Discharge Signal Denoising Using Dispersion Entropy Optimized Variational Mode Decomposition

This paper presents a new approach for denoising Partial Discharge (PD) signals using a hybrid algorithm combining the adaptive decomposition technique with Entropy measures and Group-Sparse Total Variation (GSTV). Initially, the Empirical Mode Decomposition (EMD) technique is applied to decompose a noisy sensor data into the Intrinsic Mode Functions (IMFs), Mutual Information (MI) analysis between IMFs is carried out to set the mode length K. Then, the Variational Mode Decomposition (VMD) technique decomposes a noisy sensor data into K number of Band Limited IMFs (BLIMFs). The BLIMFs are separated as noise, noise-dominant, and signal-dominant BLIMFs by calculating the MI between BLIMFs. Eventually, the noise BLIMFs are discarded from further processing, noise-dominant BLIMFs are denoised using GSTV, and the signal BLIMFs are added to reconstruct the output signal. The regularization parameter λ for GSTV is automatically selected based on the values of Dispersion Entropy of the noise-dominant BLIMFs. The effectiveness of the proposed denoising method is evaluated in terms of performance metrics such as Signal-to-Noise Ratio, Root Mean Square Error, and Correlation Coefficient, which are are compared to EMD variants, and the results demonstrated that the proposed approach is able to effectively denoise the synthetic Blocks, Bumps, Doppler, Heavy Sine, PD pulses and real PD signals.     

基于时频分帧能量熵的陶瓷制品敲击声波信号特征识别

针对现有陶瓷制品敲击声波信号特征提取方法中提取的特征代表性降低的问题,该文提出结合最大重叠离散小波包变换(MODWPT)和时频分帧能量熵的特征提取方法。首先采用MODWPT将信号分解为4层,再对每个节点的子信号分帧后计算各个节点的时频分帧能量熵,然后根据能量分布特征选择了前6个节点的时频分帧能量熵特征,最后构建随机森林分类器完成识别。将该方法和MODWPT时频分段能量熵、MODWPT归一化能量特征两种方法进行比较。实验结果表明,相比MODWPT时频分段能量熵、MODWPT归一化能量两种特征提取方法,MODWPT时频分帧能量熵能提升特征的代表性,具有更优的陶瓷制品敲击声波信号特征识别性能,其识别的F₁值达到了98.46%,相比上述两种方法分别提升F₁值3.22%、1.86%。     

Resonance identification in loudspeaker driver units: A comparison of techniques

A number of techniques with the scope of identifying loudspeaker cone resonances have been examined. Namely, the waterfall plot, the wavelet transform and the empirical mode decomposition scheme were compared on the basis of time-frequency resolution and damping estimation. The commonly used waterfall plot is only acceptable at the upper range of the acoustic spectrum. The wavelet transform is especially well suited for the analysis of transient signals from loudspeakers and is a significant improvement over the waterfall method. The newly developed EMD scheme has the highest potential in separating the modal components. By application of the EMD both instantaneous amplitude and frequency can be accurately determined.     

一种基于特征点提取的扬声器异常声检测方法

针对短时傅里叶变换在扬声器异常声检测中有效信息提取的随机性问题,提出了特征点法在扬声器异常声检测中的应用.此方法基于扬声器经扫频信号激励所得响应信号的短时傅里叶变换时频图,用改进的尺度不变特征转换算法对合格扬声器与异常声扬声器做特征提取,并将多组特征点经分割剔除后叠加组成特征矩阵模板.以合格扬声器样本提取特征曲线阈值构...     

基于经验模式分解的拖曳式声纳拖船噪声抵消研究

拖曳式线列阵声纳的拖船噪声具有多途角扩展等特点，并且是一个非平稳过程，使得对该噪声的消除或抑制是一大难点。经验模式分解是一种用于分析非线性非平稳信号的新方法，该方法自适应地将嵌于数据内部的多个固有模式函数逐一分解开来。本文尝试利用经验模式分解方法分离出水听器接收信号中的拖船干扰噪声，从而达到消除干扰的目的。海上试验数据的处理结果充分验证了这种方法的可行性。     

改进的经验模态分解法分离超声多普勒血流与管壁信号

超声多普勒血流信号常包含管壁信号的干扰,准确分离二者对提高血流检测的精度具有重要作用。本文提出两种改进的经验模态分解(EMD)方法,先将含管壁信号的超声多普勒信号分解成多层本征模态函数(IMF),然后根据血流信号与管壁信号的不同特性,对既含管壁信号又含血流信号的IMF分量进行分离处理,最后将各层IMF分量中的管壁成分叠加得到管壁信号的估计,而血流信号可通过原信号减去估计的管壁信号而得到。将本方法用于计算机仿真信号和人体实测的超声多普勒信号,并与高通滤波器法、空间选择性降噪法和原EMD法进行比较,结果表明:本文提出的两种方法能在较大的管壁搏动速度范围内准确地分离血流信号和管壁信号,其平均相对误差比高通滤波器的结果降低了约52%和57%。可见,本文提出的两种方法有望用于血流信号与管壁信号的准确分离。      

土壤铅污染光谱的HHT鉴别及BC-PLSR铅含量预测模型

土壤重金属污染问题一直备受关注,利用高光谱遥感对其进行研究取得了大量的成果,主要集中在利用土壤光谱的导数变换、连续统去除等常规方法预测土壤重金属含量上。土壤光谱数据与非线性非平稳的机电信号、医学信号等具有一定的相似性。通过希尔伯特黄变换(Hilbert-Huang transform, HHT),对土壤铅(Pb)污染光谱进行频率域分析,实现土壤Pb污染光谱的HHT鉴别,并建立土壤Pb含量预测模型。首先,进行土壤Pb污染实验,采集土壤Pb污染样品的光谱、含水率及有机质含量;其次,通过土壤Pb污染样品光谱的HHT时频分析和第二个本征模函数(intrinsic mode function, IMF)分量(IMF2)瞬时频率的二阶导数识别土壤Pb污染的特征波段;最后,选择合适的频率域参数、土壤光谱一阶导数、土壤有机质含量及土壤含水率作为参数,利用箱形图、聚类分析、偏最小二乘法建立土壤Pb含量预测模型。研究结果表明：土壤Pb污染的HHT时频分析图可以鉴别土壤Pb污染光谱,未受污染的土壤光谱HHT时频分析图在波段序列为250~430之间没有异常信号,Pb污染土壤的光谱HHT时频分析图在波段序列为250~430之间存在多个异常信号,并且随着浓度的升高,异常信号分布范围越来越广,当污染浓度达到800 μg·g-1时,土壤样品的光谱信号在波段序列为270处、频率为0.3 Hz之前出现了较强的异常信号;土壤Pb污染光谱经验模态分解(empirical mode decomposition, EMD)处理后,得到的未受污染的土壤光谱IMF2的瞬时频率的二阶导数的突变非常微弱,而Pb污染的土壤光谱IMF2的瞬时频率的二阶导数存在明显的突变点,根据突变点及土壤Pb污染光谱的IMF2的瞬时频率的二阶导数识别的土壤Pb污染光谱的特征波段区间为2 150~2 300 nm;利用不同浓度Pb污染下土壤光谱Hilbert能量谱峰值、EMD能量熵、一阶导数、有机质和含水率,通过箱形图去除了六组异常样品,然后利用聚类分析的方法将去除异常样品后的土壤Pb污染样品分为两类,最后将Hilbert能量谱峰值、EMD能量熵、2 134 nm波段一阶导数、790 nm波段一阶导数、1 276 nm波段一阶导数、2 482 nm波段一阶导数、有机质和含水率作为参数建立两类数据的BC-PLSR(boxplot cluster-partial least squares regression)模型预测土壤中Pb含量,经验证模型精度较高,相关系数分别为0.88和0.99。     

时延匹配加权的舷外异常噪声源曲面投影定位方法

对现有的"滤波-时延估计-双曲面定位"的声源定位方法进行改进。结合经验模态分解消噪方法和广义平均幅度差函数时延估计方法,利用能量分布准则和频谱一致性准则进行源信号本征模态函数筛选和信号重构,提取多组分析信号求取时延,并利用时延匹配准则对真实时延值进行筛选和加权处理。考虑水听器贴近壳体布放,对壳体进行建模,并按照象限投影到平面再进行双曲线定位。分别进行模型系泊及航行实验,实验结果表明,改进后的定位方法有更高的定位精度,且减小了时延估计误差造成的定位精度影响。      

Rolling Bearing Fault Diagnosis Based on VMD-MPE and PSO-SVM

The goal of the paper is to present a solution to improve the fault detection accuracy of rolling bearings. The method is based on variational mode decomposition (VMD), multiscale permutation entropy (MPE) and the particle swarm optimization-based support vector machine (PSO-SVM). Firstly, the original bearing vibration signal is decomposed into several intrinsic mode functions (IMF) by using the VMD method, and the feature energy ratio (FER) criterion is introduced to reconstruct the bearing vibration signal. Secondly, the multiscale permutation entropy of the reconstructed signal is calculated to construct multidimensional feature vectors. Finally, the constructed multidimensional feature vector is fed into the PSO-SVM classification model for automatic identification of different fault patterns of the rolling bearing. Two experimental cases are adopted to validate the effectiveness of the proposed method. Experimental results show that the proposed method can achieve a higher identification accuracy compared with some similar available methods (e.g., variational mode decomposition-based multiscale sample entropy (VMD-MSE), variational mode decomposition-based multiscale fuzzy entropy (VMD-MFE), empirical mode decomposition-based multiscale permutation entropy (EMD-MPE) and wavelet transform-based multiscale permutation entropy (WT-MPE)).