共查询到18条相似文献,搜索用时 140 毫秒
1.
2.
为了考察从时间序列提取的复杂性测度与气液两相流流型变化之间的关系,本文首先讨论了三种复杂性测度(Lempel-Ziv复杂性、功率谱熵和近似熵)对周期信号、随机信号、混合随机信号和混沌信号的识别能力,然后分析了时间序列长度对复杂性计算的影响.在此基础上,从实际测量的80种垂直上升管中气液两相流电导波动信号中提取了这三种复杂性测度,结果表明:三种复杂度对两相流流型变化是敏感的,通过对三种复杂度随两相流流动参数变化规律分析,可以得到气液两相流动力学结构反演特征,为揭示气液两相流流型转化机理提供了一种有效的辅助诊断工具.
关键词:
气液两相流
Lempel和Ziv复杂性
功率谱熵
近似熵 相似文献
3.
4.
5.
6.
利用气液两相流电导波动信号构建了流型复杂网络. 基于K均值聚类的社团探寻算法对该网络的社团结构进行了分析,发现该网络存在分别对应于泡状流、段塞流及混状流的三个社团,并且两个社团间联系紧密的点分别对应于相应的过渡流型. 基于复杂网络理论从全新的角度探讨了两相流流型复杂网络社团结构及统计特性问题,并取得了满意的流型识别效果,与此同时,在对该网络特性进一步分析的基础上,发现了对两相流流动参数变化敏感的相关复杂网络统计量,为更好地理解两相流流型动力学特性提供了参考.
关键词:
两相流流型
复杂网络
社团探寻算法
网络统计特性 相似文献
7.
8.
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 相似文献
9.
为了改善脉冲星辐射脉冲信号的消噪效果, 提出了一种基于噪声模态单元预判的经验模态分解(EMD) 消噪声方法. 该方法首先利用EMD将含噪辐射脉冲信号分解为一组内蕴模态函数(IMF), 根据IMF系数的统计特性采用局部均方误差准则进行噪声模态单元预判, 并将噪声模态单元置零; 然后对噪声模态单元预判处理后的IMF以模态单元为基本单位进行最优比例萎缩消噪, 从而达到抑制噪声、保留信号的目的. 实验结果表明: 与Sure Shrink小波阈值法、Bayes Shrink小波阈值法和EMD模态单元比例萎缩法相比, 基于噪声模态单元预判的EMD消噪方法可以更有效地去除脉冲辐射信号中的噪声, 同时更好地保留信号突变处的细节信息特征, 在信噪比、 均方误差、峰值相对误差、峰位误差和相位误差等方面都有一定程度的改善.
关键词:
脉冲星信号消噪
经验模态分解
噪声模态单元预判
局部均方误差 相似文献
10.
针对气液两相流流动特性,利用有限元分析方法设计变曲率对壁式电导传感器.采用设计加工的传感器在多相流装置上进行气液两相流动态实验,并测得多组对应于不同流型的电导波动信号. 基于测量数据,采用多元时间序列复杂网络构建算法构建对应于不同流型的复杂网络.在此基础上, 对网络的社团特性进行了分析, 研究发现,不同的社团结构对应于不同的流型,而社团内部网络特征可有效刻画不同流型内在动力学特性.多元时间序列复杂网络分析可为两相流流型演化动力学特性研究及流型识别提供新理论、开拓新途经. 相似文献
11.
12.
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. 相似文献
13.
14.
15.
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。 相似文献
16.
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. 相似文献
17.
Empirical mode decomposition (EMD) method can decompose any complicated data into finite ‘intrinsic mode functions’ (IMFs). In this paper, we use EMD method to analyze and discuss the structural properties of complex networks. A random-walk method is used to collect the data series of network systems. Utilizing the EMD method, we decompose the obtained data into finite IMFs under different spatial scales. The analysis results show that EMD method is an effective tool for capturing the topological properties of network systems under different spatial scales, such as the modular structures of network systems and their energy densities. 相似文献
18.
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。 相似文献