FT—Raman光谱及其应用

介绍了傅里叶变换拉曼光谱的原理以及它的优点和存在的问题。简述了它在高分子及橡胶、有机化合物、生物分子、医疗和药物、无机化合物、工业和农业产品及定量等方面的应用。讨论了傅里叶变换拉曼光谱在激发光源、光学过滤器、检测器、取样技术及联用技术方面的进展及其发展前景。     

FTIR光谱拟合方法在反演气体浓度中的应用

研究用FTIR光谱测量系统反演气体浓度的方法,在WINDOWS操作系统下应用非线性最小二乘拟合算法实现了CO气体的定量分析。在FTIR光谱拟合中,使用HITRAN数据库中的光谱作为校准训练集,使测量的CO红外透过率谱与计算的参考光谱达到最佳拟合得到了该气体的浓度,反演结果的绝对准确度达到1%～5%。     

基于谱图分解的宽带通信信号智能检测算法

对于宽带通信信号检测问题,针对目前基于深度学习的信号检测算法不适应于处理大带宽和大时宽的宽带信号以及对信号时频参数估计存在的固有偏差问题,提出基于谱图分解的宽带通信信号智能检测算法,完成对大带宽接收信号中窄带信号的高效准确检测。首先将由宽带信号转化而来的灰度时频谱图通过谱图分解得到适合于目标检测网络输入大小的子谱图,然后使用改进的无锚框YOLOx目标检测算法对子谱图中的窄带信号进行检测,最后将子谱图的信号检测结果融合得到窄带信号的时频参数等检测结果。经过实验测试得出,该算法能够适应复杂的噪声环境,与其他深度学习算法和传统算法相比,具有较高的信号检测概率,较低的虚警概率,较小的信号参数估计平均误差,其检测精度更高,鲁棒性、实用性、通用性更强。     

二维傅里叶变换引起的谱失真

用计算机模拟方法讨论了在谱线重叠的条件下，谱线强度因二维傅里叶变换而引起严重失真的问题，并结合例子详细研究了未被人们注意的一些情况。     

基于时频分析的成像小弱运动目标检测方法

针对传统空时域滤波器难以剔除杂波(尤其是杂波边缘)的缺点,提出了一种基于时频分析的弱小运动目标检测方法。理论分析表明,目标经过处的时频是一个小波包,波包的幅度与目标的幅度一致,而宽度则与目标速度成反比关系;杂波边缘经过处的时频则是一个上坡或者下坡。采用两级滤波方法检测运动目标,即首先采用恒虚警率准则过滤噪声,然后再利用目标出现处存在的波包,分别统计主瓣与旁瓣能量及其能量比,去除杂波,检测出运动目标。云背景下弱小目标检测试验结果证明了该方法的有效性。     

基于时频分析的成像小弱运动目标检测方法

 针对传统空时域滤波器难以剔除杂波(尤其是杂波边缘)的缺点,提出了一种基于时频分析的弱小运动目标检测方法。理论分析表明,目标经过处的时频是一个小波包,波包的幅度与目标的幅度一致,而宽度则与目标速度成反比关系;杂波边缘经过处的时频则是一个上坡或者下坡。采用两级滤波方法检测运动目标,即首先采用恒虚警率准则过滤噪声,然后再利用目标出现处存在的波包,分别统计主瓣与旁瓣能量及其能量比,去除杂波,检测出运动目标。云背景下弱小目标检测试验结果证明了该方法的有效性。     

基于滑动峭度相关性准则的局部特征尺度分解分量筛选方法

轴承故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单分量的包络蕴含了轴承的故障特征。局部特征尺度分解可将振动信号准确分解为多个内禀尺度分量之和,某些分量能清晰反映轴承的运行状态,根据包络谱可进行故障诊断。为了准确筛选有用分量,提出了基于滑动峭度相关性准则的分量筛选方法。首先,对信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,对分量和原始信号分别计算滑动峭度,生成时间序列;最后,依据分量滑动峭度序列与原始信号滑动峭度序列的互相关系数筛选有用分量。通过轴承内圈故障数据分析发现：有用分量与非有用分量之间的滑动峭度互相关系数比互相关系数差异明显,区分度更大,有益于分量的分类、筛选。     

分数傅里叶变换全息图及其在防伪中的应用

提出分数傅里叶变换全息图,讨论了它的性质。拍摄分数傅里叶变换彩虹全息图。基于其再现条件的特殊性,可建立一种新型的伪全息术。     

基于模式能量比的海底声衰减系数反演

简正波的分离性能对简正波频散曲线、模式能量比等物理量的提取至关重要,这些物理量可以用来反演海底地声参数。该文分析了短时傅里叶变换和warping变换两种方法在简正波分离上的性能差异,并利用该两种方法提取模式能量比来反演海底声衰减系数。仿真实验和2018年冬季黄海验数据处理表明,warping变换在简正波分离上具有较大的优势,尤其是在近距离接收上。     

基于Zadeh推理的故障空调噪音识别

通过声音来实现故障诊断在工业领域应用比较广泛。本文的主要目标是给出故障空调在运行状态下的声音,使用Zadeh推理的方法对故障空调的声音进行识别,进而推断出空调内部具体哪个部件或零件发生故障。本文首先对声音进行快速傅里叶变换,根据三分之一倍频程对整个频率进行划分,并对生成的频率进行标准化处理;当空调内部的零部件发生损坏时,噪音峰值就会在某一段或几段频率中有升高,从而提取每个频程的峰值作为特征向量。通过“专家经验”得出一个逻辑关系R矩阵,使用matlab软件将特征向量与R矩阵进行点积运算得到故障诊断的结果,最后GUI界面呈现出结果。实验表明,本方法对空调噪音的识别诊断效果比较理想。最后给出本方法适用的一些条件。本方法的实现原理简单,在空调噪音故障诊断应用领域可以有一定的应用空间。     

Spectral analysis of surface EMG based on empirical mode decomposition

Muscle fatigue is a common experience in daily life. Some researchers have defined it as the incapacity to maintain the required or expected force. Obviously, force, power and torque recordings as direct measurements of muscle fatigue are difficult to be obtained in one experiment. The main issue when using conventional sEMG variables to quantify fatigue is their poor association with direct measures of fatigue. Therefore, there is a need to develop muscle fatigue approaches that relate changes in sEMG variables with muscle fatigue. The empirical mode decomposition which is a recent tool for the analysis of nonlinear and nonstationary time-series is presented.     

基于经验模式分解的混沌干扰下谐波信号的提取方法

由混沌信号和谐波信号组合而成的复杂信号的分离方法一直受到关注.利用经验模式分解方法,依据任何信号由不同的固有简单振动模态组成的概念,将由混沌信号和谐波信号组合而成的复杂信号分离为不同的内在模态函数,并从中分解出谐波信号.通过利用Duffing方程产生的混沌信号进行的仿真实验,结果都表明该方法在一定参数范围内非常有效. 关键词： 经验模式分解 混沌 信号处理     

Multi-focus image fusion based on window empirical mode decomposition

In order to improve multi-focus image fusion quality, a novel fusion algorithm based on window empirical mode decomposition (WEMD) is proposed. This WEMD is an improved form of bidimensional empirical mode decomposition (BEMD), due to its decomposition process using the adding window principle, effectively resolving the signal concealment problem. We used WEMD for multi-focus image fusion, and formulated different fusion rules for bidimensional intrinsic mode function (BIMF) components and the residue component. For fusion of the BIMF components, the concept of the Sum-modified-Laplacian was used and a scheme based on the visual feature contrast adopted; when choosing the residue coefficients, a pixel value based on the local visibility was selected. We carried out four groups of multi-focus image fusion experiments and compared objective evaluation criteria with other three fusion methods. The experimental results show that the proposed fusion approach is effective and performs better at fusing multi-focus images than some traditional methods.     

脉冲星信号的经验模态分解模态单元比例萎缩消噪算法

针对脉冲星信号的消噪问题, 提出了一种基于模态单元比例萎缩的经验模态分解(EMD)消噪方法. 利用经验模态分解将含噪脉冲星信号分解为一组内蕴模态函数(IMF), 将IMF中两个过零点间的部分定义为模态单元, 以模态单元为基本单位构造最优比例萎缩因子, 对IMF中的每个模态单元进行比例萎缩去噪, 进而建立基于模态单元比例萎缩的脉冲星信号滤波模型.对含噪脉冲星信号进行了消噪实验分析, 实验结果表明, 与小波硬阈值消噪法、比例萎缩小波消噪法和基于模态单元阈值的EMD消噪法相比, 该方法可以更有效地去除脉冲星信号中的噪声, 同时更好地保留了原信号中的有用细节信息. 关键词： 经验模态分解 脉冲星信号 模态单元比例萎缩 消噪     

基于非线性时间序列分析经验模态分解和小波分解异同性的研究

基于经验模态分解(EMD）的希尔伯特变换（HT），是对非线性时间序列基于EMD进行分解， 然后通过HT获得频谱.利用理想时间序列和青藏高原古里雅冰芯¹⁸O时 间序列 ，系统地分析比较了EMD和小波分解(WD）以及HT和小波变换在非线性时间序列处理中的优劣 ，并针对它们各自的缺点提出了可能改进的设想.研究结果表明，将基于EMD的方法和基于WD 的方法有机结合起来应用，可以更有效地识别原时间序列的特征信息. 关键词： 经验模态分解 小波分解 理想时间序列 古里雅冰芯     

基于集合经验模态分解的类星体光变周期及其混沌特性分析

基于密歇根大学射电天文台数据库中从1965年到2012年收集的类星体3C 345,3C 273和3C 279在射电8.0 GHz的光变数据,利用集合经验模态分解方法将这些类星体的光变资料分解为周期项、趋势项和高频项,并对分解后的高频项计算其饱和关联维数、最大Lyapunov指数和Kolmogorov熵,判断是否具有混沌性.结果表明,这些类星体的光变不仅具有周期性,也具有明显的混沌特性,表明类星体光变应为产生周期性运动的物理机制和产生混沌现象的非线性机制的综合结果.     

基于独立成分分析和经验模态分解的混沌信号降噪

基于经验模态分解和独立成分分析去噪的特点,提出了一种联合独立成分分析和经验模态分解的混沌信号降噪方法. 利用经验模态分解对混沌信号进行分解,根据平移不变经验模态分解的思想构造多维输入向量, 通过所构造的多维输入向量和独立成分分析对混沌信号的各层内蕴模态函数进行自适应去噪处理; 将处理后的所有内蕴模态函数进行累加重构,从而得到降噪后的混沌信号. 仿真实验中分别对叠加不同强度高斯噪声的Lorenz混沌信号及实际观测的月太阳黑子混沌序列进行了研究, 结果表明本文方法能够对混沌信号进行有效的降噪,而且能够较好地校正相空间中点的位置, 逼近真实的混沌吸引子轨迹. 关键词： 独立成分分析 经验模态分解 混沌信号 降噪     

基于经验模态分解滤波的低频振荡Prony分析

传统Prony法在分析低频振荡时对输入信号要求较高,存在着对噪声敏感的弱点.因此提出一种经验模态分解滤波和改进Prony法相结合的低频振荡分析方法.该方法先用经验模态分解对低频振荡信号进行自适应滤波,再用改进Prony法对滤波后的信号进行分析.其中,改进Prony法有效阶数用归一化奇异值法确定.将该方法分别用于分析试验信号和IEEE 4机系统振荡信号,并与基于低通滤波器的Prony分析进行比较.结果表明,在较大噪声环境下,该方法仍然能相对准确的辨识出低频振荡主导模式,验证了其有效性. 关键词： 低频振荡 经验模态分解 改进Prony法 归一化奇异值法     

A method for extracting human gait series from accelerometer signals based on the ensemble empirical mode decomposition

In this paper,the ensemble empirical mode decomposition(EEMD) is applied to analyse accelerometer signals collected during normal human walking.First,the self-adaptive feature of EEMD is utilised to decompose the accelerometer signals,thus sifting out several intrinsic mode functions(IMFs) at disparate scales.Then,gait series can be extracted through peak detection from the eigen IMF that best represents gait rhythmicity.Compared with the method based on the empirical mode decomposition(EMD),the EEMD-based method has the following advantages:it remarkably improves the detection rate of peak values hidden in the original accelerometer signal,even when the signal is severely contaminated by the intermittent noises;this method effectively prevents the phenomenon of mode mixing found in the process of EMD.And a reasonable selection of parameters for the stop-filtering criteria can improve the calculation speed of the EEMD-based method.Meanwhile,the endpoint effect can be suppressed by using the auto regressive and moving average model to extend a short-time series in dual directions.The results suggest that EEMD is a powerful tool for extraction of gait rhythmicity and it also provides valuable clues for extracting eigen rhythm of other physiological signals.     

基于经验模态分解的彩虹法测量研究

基于彩虹Airy理论分析了一阶彩虹强度分布的折射率和直径的灵敏度,并利用经验模态分解法对彩虹信号进行分解与重构,提出了一种有效分离彩虹强度中Airy信号和高频Ripple分量的方法。根据液滴的一阶彩虹分布,设计了液滴折射率和直径同步测量的彩虹?经验模态反演算法,该算法有很强的抗噪声特征。实验中测量了水滴和不同浓度乙醇液滴的一阶彩虹分布,研究结果表明,彩虹?经验模态法对液滴的折射率和直径测量精度分别为10?4和1%。