应用经验模态分解和独立成分分析解译岩矿光谱（英文）

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。     

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。     

基于EMD的单通道信源数估计方法

为了获取单通道接收信号的信源数目,针对普通信源数估计方法不能直接用于单通道接收信号的问题,提出了基于经验模态分解(empirical mode decomposition, EMD)的信源数估计方法。将单通道信号通过EMD处理,得到多个固有模态函数(intrinsic-mode function, IMF),据此构造数据协方差矩阵。对所构造的协方差矩阵进行特征值分解,采用基于信息论的AIC和MDL准则估计信源数。为进一步提高算法估计性能,引入对角加载技术对矩阵特征值进行平滑处理。仿真实验结果表面,本文提出的方法能够适用于单通道信源数估计,对角加载技术能够显著提高算法检测性能。     

基于经验模态分解的高光谱遥感数据去噪方法

经验模态分解(EMD)是一种新的时频分析方法,经EMD分解后的各个固有模态函数(IMF)突出了原始信号的局部特征,从而可以区分噪声和有用信号。基于此,结合高光谱遥感数据的光谱变化特征,提出了一种基于经验模态分解的高光谱遥感数据去噪方法。通过对理论数据的实验表明,数据中的噪声无论是高斯分布还是均匀分布,数据经EMD分解后,噪声都主要集中在前几个特定的IMF,对相应的IMF进行滤波处理后并与其他IMF分量进行重构就可得到去噪信号,与小波去噪结果相比较,这种方法效果更好。最后把该去噪方法应用于野外实测的油膜高光谱数据去噪,实验结果表明,该方法能准确、有效地去除高光谱遥感数据的噪声。     

基于集合经验模态分解的拉曼光谱信号特征研究

拉曼光谱信号是一种基于分子振动的散射信号,拉曼光谱仪的激光源波长一般为纳米级,考虑到散射频移,拉曼光谱有效信息主要集中在较高频段。拉曼信号是典型的非平稳信号,并且由于拉曼散射比较弱,信号很容易被高频噪声和荧光背景干扰,想获取较为全面的拉曼信息,需要对信号进行处理,小波变换对拉曼信号的分析结果取决于小波基的选择,不同小波基处理结果有差异;经验模态分解(EMD)方法可以自适应的分析信号,不需要设置参数,但存在模态混叠的问题;集合平均经验模态分解(EEMD),有效的解决了EMD方法中存在的模态混叠问题,能更加清晰的将信号中的不同频率成分划分开来,因此更加适合频率成分丰富的拉曼信号的特征分析和处理。采集了市面上常见的大豆油、花生油、玉米油和葵花籽油样本,通过拉曼光谱仪获得了各自的拉曼光谱信号。使用集合经验模态分解对食用油拉曼光谱信号进行自适应分解和处理,一共获得了10阶固有模态函数(IMF),根据信号的能量分布以及幅值特性, IMF1和IMF2表征为信号中的噪声部分, IMF3-IMF7表征为拉曼特征信号部分,最后一阶IMF10表征为荧光背景成分, IMF8和IMF9为其他物理意义的频率成分。通过对有效信号段的特征增强并重构拉曼信号,使拉曼信号的信噪比获得了2～5倍的提升,其中,难以探测的酯键羰基伸缩振动位于1 745 cm~(-1)的谱峰得到了显著的增强。最后,将原始信号和经过特征增强的信号通过基于连续小波变换的惩罚最小二乘法进行了二次处理,并将获得的信号进行主成分分析后,可知:没有增强的不同类数据样本相互有重叠,不存在明显的类间距,很难完整的区分类型;基于特征增强的数据样本各自聚集,每种类型都可以相互鉴别,可为拉曼光谱信号处理提供一种新的途径。     

闪电回击场多尺度分析

利用聚合经验模式分解(EEMD)方法对闪电负地闪回击电场波形进行了分析并得到一系列具有物理意义的内禀模态函数 (IMF)。 结果表明,IMF1是高频噪声项,趋势项R主要是静电场作用的结果。 IMF2~IMF11表现出闪电通道的不同尺度放电特征。通过计算IMF分形维数,发现越高阶的IMF对应着越大的分形维数,表明越高阶的IMF对应着越曲折的闪电放电通道。相比于基于经验模式分解（EMD）的希尔伯特-黄变换（HHT）谱和小波谱,基于EEMD的HHT谱能改善模态混叠现象,EEMD更适合于观察像闪电这种非平稳非线性信号。     

基于EMD-LWT的低浓度石油类污染物荧光光谱去噪法EI北大核心CSCD

石油类污染物是造成雾霾等空气污染问题的重要原因.去噪处理的有效性是石油类污染物荧光光谱检测中的热点问题.提出一种基于经验模态分解-提升小波变换(EMD-LWT)相结合的低浓度石油类污染物荧光光谱去噪方法.经验模态分解法(EMD)可自适应地滤除微弱荧光信号中的噪声,但去噪过程中第一个本征模态函数(IMF)包含的频率范围过宽,影响了去噪准确性和有效性.引入提升小波变换(LWT)对IMF1实现更精细的分解,有效分离出IMF1的有用信息,改善信噪分离效果.将EMD-LWT联用方法和传统的EMD或LWT去噪法分别运用于煤油荧光光谱检测中,仿真结果表明,与只用EMD或LWT相比,EMD-LWT相结合的光谱去噪法得到的信噪比和均方根误差均显著提高,验证了该方法的有效性和可行性.     

基于EMD-LWT的低浓度石油类污染物荧光光谱去噪法

石油类污染物是造成雾霾等空气污染问题的重要原因.去噪处理的有效性是石油类污染物荧光光谱检测中的热点问题.提出一种基于经验模态分解-提升小波变换(EMD-LWT)相结合的低浓度石油类污染物荧光光谱去噪方法.经验模态分解法(EMD)可自适应地滤除微弱荧光信号中的噪声,但去噪过程中第一个本征模态函数(IMF)包含的频率范围过宽,影响了去噪准确性和有效性.引入提升小波变换(LWT)对IMF1实现更精细的分解,有效分离出IMF1的有用信息,改善信噪分离效果.将EMD-LWT联用方法和传统的EMD或LWT去噪法分别运用于煤油荧光光谱检测中,仿真结果表明,与只用EMD或LWT相比,EMD-LWT相结合的光谱去噪法得到的信噪比和均方根误差均显著提高,验证了该方法的有效性和可行性.     

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     

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.     

Outboard abnormal noise source localization method with curved surface projection based on time delay matching and weighting criterion

An improved localization method consisting of "filtering-time delay estimationhyperbolic localization" is proposed. Combining the empirical mode decomposition(EMD)and time delay estimation method based on generalized average magnitude difference function,the original signals are decomposed into intrinsic mode function(IMF) components. The energy distribution criterion and spectrum consistency criterion are used to select the IMFs, which can represent the physical characteristics of the source signal. Several sets of signals are applied to estimate the time delay, and then a vector matching criterion is proposed to select the correct time delay estimation. Considering the hydrophones location, a shell model is established and projected to a plane according to the quadrant before the hyperbolic localization. Results of mooring and sailing tests show that the proposed method improves the localization accuracy,and reduces the error caused by time delay estimation.     

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。      

Comparison of simultaneous signals obtained from a dual-field-of-view lidar and its application to noise reduction based on empirical mode decomposition

Although the empirical mode decomposition (EMD) method is an effective tool for noise reduction in lidar signals, evaluating the effectiveness of the denoising method is difficult. A dual-field-of-view lidar for observing atmospheric aerosols is described. The backscattering signals obtained from two channels have different signal-to-noise ratios (SNRs). The performance of noise reduction can be investigated by comparing the high SNR signal and the denoised low SNR signal without a simulation experiment. With this approach, the signal and noise are extracted to one intrinsic mode function (IMF) by the EMD- based denoising; thus, the threshold method is applied to the IMFs. Experimental results show that the improved threshold method can effectively perform noise reduction while preserving useful sudden-change information.     

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.     

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.     

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。      

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.     

Relevant modes selection method based on Spearman correlation coefficient for laser signal denoising using empirical mode decomposition

Empirical mode decomposition (EMD) is a recently proposed nonlinear and nonstationary laser signal denoising method. A noisy signal is broken down using EMD into oscillatory components that are called intrinsic mode functions (IMFs). Thresholding-based denoising and correlation-based partial reconstruction of IMFs are the two main research directions for EMD-based denoising. Similar to other decomposition-based denoising approaches, EMD-based denoising methods require a reliable threshold to determine which IMFs are noise components and which IMFs are noise-free components. In this work, we propose a new approach in which each IMF is first denoised using EMD interval thresholding (EMD-IT), and then a robust thresholding process based on Spearman correlation coefficient is used for relevant modes selection. The proposed method tackles the problem using a thresholding-based denoising approach coupled with partial reconstruction of the relevant IMFs. Other traditional denoising methods, including correlation-based EMD partial reconstruction (EMD-Correlation), discrete Fourier transform and wavelet-based methods, are investigated to provide a comparison with the proposed technique. Simulation and test results demonstrate the superior performance of the proposed method when compared with the other methods.