基于经验模态分解的虹膜识别

虹膜识别是一种有效的生物特征识别方法。经验模态分解(EMD)是一种可自适应的对非线性、非平稳信号进行多分辨率分解的信号分析算法。将虹膜图像进行EMD分解,找出有利于虹膜识别的敏感频带,使用选择后的固有模态分量对虹膜图像进行特征提取。仿真实验结果表明,该方法正确识别率达到99.44%,并且由于其在特征提取的同时消除了高频噪声和背景光影响,简化了预处理过程,降低了算法的复杂度。     

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%。     

基于垂直阵模态分解的低频水声信号盲解卷处理研究

研究了基于人工时反处理的水声信号盲解卷方法,并在此基础上提出了一种基于简正波模态分解的低频水声信号的盲解卷处理方法。该方法适用于浅海波导中垂直阵接收的远程低频水声信号的盲解卷处理。该方法首先从浅海中垂直阵接收的信号中提取(估计)出波导中传播的简正波模态函数信息,然后,根据估计的模态函数信息通过模态滤波来实现水声信道盲解卷处理。针对典型的浅海波导环境,进行了计算机仿真试验,结果表明:(1)远程低频条件下,模态分解方法可以从垂直阵接收的信号中提取出波导中有效传播的模态函数信息,因此这种方法解决了目前人工时反处理方法需要准确的模态函数先验信息的问题;(2)在一定带宽条件下,接收信号信噪比较低时,本文给出的这种基于模态滤波的盲解卷方法比人工时反处理具有更好的解卷性能。     

基于经验模态分解的SO_2浓度检测信号处理方法

荧光法测量SO2浓度是大气监测中常用的检测手段.双光路技术可以消除光源和光路的噪音干扰,但光电转换器件在激发光照射下产生的背景噪音也会影响定量分析的准确度.本文采用经验模态分解滤波算法降低检测中存在的各种噪音,在实现有效降噪的基础上较好地保存了有用的原始信号.仿真结果表明,针对SO2浓度检测系统,利用经验模态分解去噪后信号的信噪比达到204.273 6,均方误差为0.007 0.与小波去噪法相比,经验模态分解检测效果更佳.最后将经两组不同方法处理后的信号应用于气体检测系统中,实验数据的线性关系更好地验证了经验模态分解方法应用到浓度检测系统的可行性.     

基于复数据经验模态分解的噪声辅助信号分解方法

集成经验模态分解(EEMD)在一定程度上减轻了经验模态分解(EMD)中的模态混叠,但集成平均会带来新的模态混叠、频谱丢失和运算量增大等问题,影响到对信号物理特征的分析与提取.因此,本文提出一种基于复数据经验模态分解(CEMD)的噪声辅助信号分解方法,在CEMD中以白噪声分解的内禀模态函数(IMF)在指定方向上的投影为基函数来辅助观测信号分解过程中的极值选取,从而减小模态混叠,同时利用噪声投影的影响在求包络质心时被消除的特性,减小EEMD因集成平均带来的相关问题.仿真结果表明,本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,并且在一定程度上减轻了频谱丢失问题.     

基于经验模态分解的近红外光谱预处理方法

针对微分法在有效消除光谱背景和基线漂移的同时会增加光谱噪声的问题,把最新发展的经验模态分解方法(EMD)引入到近红外光谱处理中来,以烟草的一阶导数近红外(NIR)光谱为研究对象,探讨经验模态分解在近红外光谱预处理中的应用,并与小波变换消噪效果进行了对比分析。结果表明,用基于经验模态分解去噪后的光谱进行分析,预测集的决定系数r2由去噪前的0.9705提高到0.9832,均方根误差(RMSEP)由去噪前的0.5606降为0.3310,比基于小波变换的分析结果略高。因此,经验模态分解方法对消除光谱的噪声是有效的,有效地提高了光谱的分析精度和模型的稳定,为近红外光谱预处理提供了一种新方法。     

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。     

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。     

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.     

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     

Research on detection and azimuth estimation for the splash sound of target's water entry based on empirical mode decomposition

The splash sound of target＇s water entry is an instantaneous signal, consisting of impact component and bubble components. It is difficult to detect and estimate the azimuth of this signal by traditional azimuth estimation methods using a single vector sensor, especially when the SNR is low. Empirical mode decomposition is a nonlinear analysis method that can emphasize signals＇ instantaneous characteristic. In this paper, the pressure and particle velocities are decomposed into different intrinsic mode functions （IMF）, and the MAIA （mode acoustic intensity averager） method can realize the instantaneous signals＇ detection and azimuth estimation. The lake experiment and sea trial results show that this method can decompose water-entry sound and ambient interference into different IMFs, so as to detect the starting time of water-entry sound signal and estimate its azimuth effectively.     

Target detection for low cost uncooled MWIR cameras based on empirical mode decomposition

In this work, a novel method for detecting low intensity fast moving objects with low cost Medium Wavelength Infrared (MWIR) cameras is proposed. The method is based on background subtraction in a video sequence obtained with a low density Focal Plane Array (FPA) of the newly available uncooled lead selenide (PbSe) detectors. Thermal instability along with the lack of specific electronics and mechanical devices for canceling the effect of distortion make background image identification very difficult. As a result, the identification of targets is performed in low signal to noise ratio (SNR) conditions, which may considerably restrict the sensitivity of the detection algorithm. These problems are addressed in this work by means of a new technique based on the empirical mode decomposition, which accomplishes drift estimation and target detection. Given that background estimation is the most important stage for detecting, a previous denoising step enabling a better drift estimation is designed. Comparisons are conducted against a denoising technique based on the wavelet transform and also with traditional drift estimation methods such as Kalman filtering and running average. The results reported by the simulations show that the proposed scheme has superior performance.     

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.     

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.     

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     

基于经验模态分解的自混合干涉相位提取方法研究

为实现光反馈机理下激光自混合干涉信号相位的精确提取, 本文提出了一种基于经验模态分析(EMD)的方法.首先, 采用EMD算法对含噪的自混合干涉信号进行了降噪预处理, 提取有效的干涉信号.然后在对含有外腔物体运动信息的光反馈相位求解的过程中, 利用希尔伯特黄变换(HHT)原理实时提取每一时刻的瞬时相位, 将其去包裹处理后得到真实相位. 在弱、适度、强光反馈条件下, 分别对基于EMD的相位提取算法进行了仿真研究.最后, 搭建了基于自混合干涉效应的微位移测量实验平台, 进行实验研究.实验结果表明, 利用该方法可以实现对自混合干涉信号的相位提取, 最大误差小于1.6 rad.仿真和实验结果的一致性, 说明了EMD方法的有效性.     

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     

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