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.     

基于噪声辅助非均匀采样复数据经验模态分解的混沌信号降噪

鉴于非均匀采样复数据经验模态分解(NSBEMD)相对传统分解方法的优势和噪声的NSBEMD特性,提出了一种基于噪声辅助NSBEMD的混沌信号自适应降噪方法.该方法首先以含噪混沌信号和高斯白噪声分别为实、虚部来构造复数据并进行NSBEMD,然后根据虚部各IMF的能量来估算实部各IMF中包含的噪声能量,最后根据噪声能量的估计值对实部IMF进行奇异值分解(SVD)降噪.噪声估计实验验证了噪声能量估计方法的可行性,而Lorenz信号和太阳黑子月平均数的降噪实验则表明,相对于现有EMD降噪方法,本文方法能够进一步消除噪声,更清晰地恢复出混沌吸引子的拓扑结构.     

一种基于经验模态分解的永久散射体探测方法

基于经验模态分解(EMD),提出了一种改进的永久散射体(PS)探测方法。对干涉图进行多尺度分解,基于梯度的自适应滤波对分解的本征模函数中的噪声进行低信噪比区域强滤波和高信噪比区域弱滤波,估算滤波后各PS候选(PSC)点的噪声相位。基于各PSC点的幅度和相位稳定性,对选取的PSC点的相位信息进行分析,判断其作为PS点的概率,进而选取可靠的PS点。实验结果表明:与传统的PS点选取方法相比,所提方法避免了探测过程中PS点的误判和漏判,准确性更高。     

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干涉图滤波方法EI北大核心CSCD

干涉图滤波是干涉光谱成像仪光谱反演过程中的一个关键环节,常用的滤波方法主要是差分法和拟合法。差分法对背景噪声不能完全去除;拟合法则需要先验知识,而且在干涉数据两端拟合误差较大。经验模态分解(EMD)方法是近年来提出的一种新的用于线性和稳态谱分析信号处理方法,该方法提出后在很多领域得到广泛应用。将EMD方法应用到干涉图的滤波过程中,使得对背景噪声的提取更为合理,而且具有自适应性,避免了常用滤波方法的不足。利用实验室实际获取的数据进行分析,可以看出:EMD滤波后空间维的光谱相对均方根误差(RQE)均值为0.0068,精度最高;其次为拟合法,RQE均值为0.0073;最后为差分法,RQE均值为0.0079。     

基于经验模态分解-Wigner分布的光学元件中频误差识别

对于大尺寸高精密光学元件,不仅要对光学元件表面低频面形精度和高频粗糙度进行控制,还需要严格限制中频误差,以保证其使用性能和稳定性。为了确定光学元件的不合格区域并指导其返修,引入经验模态分解(EMD)和Wigner分布(WVD)函数方法,通过理论分析确定该方法与功率谱密度函数间的关系,实现对光学元件表面中频误差的辨识与定位。实验结果表明：EMD-WVD方法不仅可以识别分布在实验光学元件表面15~27 mm空间频率为0.1 mm-1的中频误差,还可以减小多分量信号所引起的空间频率为1.0~1.5 mm-1的交叉项干扰,提高中频误差辨识的准确率。     

基于经验模态分解-Wigner分布的光学元件中频误差识别

对于大尺寸高精密光学元件,不仅要对光学元件表面低频面形精度和高频粗糙度进行控制,还需要严格限制中频误差,以保证其使用性能和稳定性。为了确定光学元件的不合格区域并指导其返修,引入经验模态分解(EMD)和Wigner分布(WVD)函数方法,通过理论分析确定该方法与功率谱密度函数间的关系,实现对光学元件表面中频误差的辨识与定位。实验结果表明:EMD-WVD方法不仅可以识别分布在实验光学元件表面15~27mm空间频率为0.1mm-1的中频误差,还可以减小多分量信号所引起的空间频率为1.0~1.5mm-1的交叉项干扰,提高中频误差辨识的准确率。     

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。     

基于经验模态分解提高太赫兹频率分辨率的方法

太赫兹频率分辨率是影响物质鉴别的重要因素,但是由于太赫兹时域光谱系统中存在器件反射,使得参考信号和测量信号出现多个反射峰,时域信号长度截断导致频率分辨率很低。为了去除反射峰的影响,提出基于经验模态分解去除时域反射峰,从而提高太赫兹频率分辨率的方法。通过与太赫兹主峰的互相关定位时域反射峰,计算反射峰的上下包络和求平均值,获取本征模函数并代替反射峰,增加时域信号有效长度,提高太赫兹频域分辨率。空气中水蒸汽的太赫兹透射谱实验结果表明,该方法具有自适应去除多个反射峰的能力,对太赫兹时域信号修复效果良好,频率分辨率提高了12倍,而且未丢失有用的吸收谱信息,吸收峰的位置和个数与真实谱一致,很好地保留了太赫兹谱的鉴别能力。     

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。