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     

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。     

三维非结构网格自动生成

采用各向异性平面非结构网格生成技术对曲面的参数平面进行三角剖分,从而得到曲面的非结构网格,作为三维非结构网格的边界网格.应用推进面法生成网格内点,增量法将生成的内点逐点插入现有网格进行网格细化,得到三维计算域的Delaunay非结构网格.讨论了非结构网格质量优化方法.给出几个算例说明方法的应用.     

最小核植相似区低层次图像处理算法的改进及应用

首先介绍一种能有效地进行边缘、角点检测和滤波等低层次图像处理的最小核植相似区算法,然后提出自适应阈值的选取方法,局部区域灰度重心判据对其算法的改进使得边缘检测算法抗噪能力更强。针对序列图像的具体应用,用改进的边缘检测算法能准确、快速地从噪声图像中得到较准确的边缘信息,用滤波算法对序列图像作预处理,可使互相关跟踪结果更可靠。     

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.     

经验模式分解法在薄膜光谱研究中的应用

应用经验模式分解方法分析薄膜光谱,并且用该方法处理所得的薄膜反射干涉光谱曲线计算薄膜厚度,测量误差为1.51%.证明了经验模式分解方法在光谱信号处理过程中的可靠性.     

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。     

基于经验模式分解的三频彩色条纹投影轮廓术

为实现动态物体的实时三维测量,提出了一种基于经验模式分解的三频彩色条纹投影轮廓术。将低、中、高三种频率的正弦条纹分别经投影仪红(R),绿(G),蓝(B)通道同时投影至被测物面,CCD在另一角度拍摄变形条纹图。将变形条纹图R、G、B三分量互减消减背景干扰,用经验模式分解进行颜色解耦,分离各载频项,进而以傅里叶变换解调相位。以变精度去包裹算法按低、中、高频依次完成包裹相位展开,得到高频载频项的展开相位。计算机模拟时相位解调的标准差小于0.0417rad,具有较高的测量精度;对比实验和面部表情变化实验进一步说明了方法的可靠性。该方法在单次拍摄下实现了相位的解调及高精度相位的精确展开,为动态物体的高精度轮廓测量提供了有效的手段。     

基于张量非负稀疏分解的偏振图像插值算法

分焦平面偏振成像系统具有结构紧凑、体积小和实时性高等优点,而且一次成像可以获得多个偏振方向的光强响应,已是目前偏振成像的研究热点之一,但该系统的分焦平面结构会降低图像的空间分辨率.为了重构全分辨率的偏振图像以及减弱瞬时视场误差的影响,偏振图像的插值必不可少.为了保护偏振图像的张量结构,提出一种基于张量非负稀疏分解的偏振...     

光学薄膜损伤表面三维微观形貌的仿真与重构

通过对激光作用薄膜元件后的损伤过程和图像损伤特征进行分析与研究,借助光学薄膜损伤表面三维微观形貌的重构,揭示薄膜元件损伤机理.基于白光干涉显微原理,采集薄膜损伤表面的干涉显微三维云数据,运用Delaunay三角剖分法构建损伤表面的三角网格模型,通过可视化仿真,实现了损伤表面三维微观形貌的再现.结果表明:实验测试的Hf0...     

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.     

经验模态分解法在光纤光栅围栏报警系统中的应用

为了解决基于FBG传感器的光纤围栏报警系统中多个FBG传感器在同时受扰时,定位报警信号难的问题,实现对报警信号的有效识别和判断,提出了一种基于经验模态分解（EMD）和小波包特征熵算法的分析方法。利用经验模态分解法对于信号的突变性敏感和有效保留以及其特有的自适应性分解特性,首先对报警信号进行经验模态分解,再结合小波包分解,得到小波包系数提取其信号的能量分布,再做归一化得到信号的能量分布特征向量,进而运用相关性分析实现对报警信号的识别和判断。通过建立实验模型,对采集到的报警信号做了分析,证明了该方法对于解决光纤围栏报警系统中FBG传感器的级联判断报警信号的有效性。     

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.     

基于集合经验模态分解和奇异值分解的激光雷达信号去噪

为了提高差分光柱像运动激光雷达(DCIM雷达)探测信噪比,提出了一种基于集合经验模态分解(EEMD)和奇异值分解(SVD)的混合降噪法.由EEMD获得含噪信号多层模态分量,根据各模态分量之间互相关系数的差分量确定主要噪声并予以滤除,利用奇异值分解识别模态分量中的残余噪声并提取有用信号.利用混合降噪法EEMD-SVD和EEMD方法分别对模拟仿真信号和实测激光雷达信号进行降噪处理.结果表明,当模拟噪声标准差在0.05~0.2之间时,相比与未降噪直接反演的湍流廓线,EEMD-SVD方法降噪后反演的湍流廓线信噪比提高了2.718 7dB~6.921 5dB,相应的EEMD方法提高了1.446 1dB~3.366 1dB;两个不同时段DCIM雷达降噪前后反演廓线与探空廓线的对比发现,EEMD-SVD和EEMD两种方法降噪后反演廓线较之于未降噪的反演廓线,信噪比最大提高了2.526 5dB和2.155 6dB.EEMD-SVD的降噪效果优于EEMD,能够更有效地识别和滤除噪声,较大地提高了原始信号的信噪比,获得更准确的大气湍流廓线反演结果.     

Improved Variational Mode Decomposition and CNN for Intelligent Rotating Machinery Fault Diagnosis

This paper proposes an intelligent diagnosis method for rotating machinery faults based on improved variational mode decomposition (IVMD) and CNN to process the rotating machinery non-stationary signal. Firstly, to solve the problem of time-domain feature extraction for fault diagnosis, this paper proposes an improved variational mode decomposition method with automatic optimization of the number of modes. This method overcomes the problems of the traditional VMD method, in that each parameter is set by experience and is greatly influenced by subjective experience. Secondly, the decomposed signal components are analyzed by correlation, and then high correlated components with the original signal are selected to reconstruct the original signal. The continuous wavelet transform (CWT) is employed to extract the two-dimensional time–frequency domain feature map of the fault signal. Finally, the deep learning method is used to construct a convolutional neural network. After feature extraction, the two-dimensional time-frequency image is applied to the neural network to identify fault features. Experiments verify that the proposed method can adapt to rotating machinery faults in complex environments and has a high recognition rate.     

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。     

二维柱几何中子输运方程的并行区域分解方法

分析不同的区域分解方法及优先级插入算法对二维柱几何下中子输运方程S_n间断有限元方程并行效率的影响,给出基于最小面体比的正方形区域分解方法及沿径向的优先级插入算法,并通过将正方形区域分解方法与径向优先级插入算法进行组合,形成新的算法.新算法更适应于二维柱几何下输运方程S_n间断有限元方法的并行计算.数值试验表明,在通信延迟较高的大型国产并行机上,新算法用数百个CPU还可以取得较好的并行效果,比已有方法具有更良好的可扩展性.     

Adaptive Filtration of Physiological Artifacts in EEG Signals in Humans Using Empirical Mode Decomposition

A new method for adaptive filtration of experimental EEG signals in humans and for removal of different physiological artifacts has been proposed. The algorithm of the method includes empirical mode decomposition of EEG, determination of the number of empirical modes that are considered, analysis of the empirical modes and search for modes that contains artifacts, removal of these modes, and reconstruction of the EEG signal. The method was tested on experimental human EEG signals and demonstrated high efficiency in the removal of different types of physiological EEG artifacts.