摘要:

侵彻过载是攻坚武器及相关研究的重要参量.针对实测弹载侵彻过载曲线分析处理方法开展了研究,提出采用总体经验模态分解(EEMD)结合连续均方误差(CMSE)理论获取弹体刚体过载信号的方法.通过EEMD获得测试信号的本征模态函数分量,再运用CMSE理论判别高频干扰与侵彻信号的分界点,对不含分界点分量的高频分量进行抛弃处理,将其余低频信号进行重构获得弹体刚体过载信号.积分结果表明,重构信号在有效去除高频干扰的同时,完整保留了侵彻过载中弹体刚体的加速度信号.此外,整个分析过程所具有的信号自驱动特性避免了不同弹靶工况下滤波频率选择困难.

摘要:

采用总体经验模态分解和小波阀值去噪相结合的方法对泄漏电流进行去噪处理.对泄漏电流信号首先进行总体经验模态分解,再对高频IMF分量按照4种阀值小波去噪方法(固定阀值法、启发式阈值法、自适应阈值法和极大极小阀值法)进行去噪,最后进行重构.以泄漏电流的3个特征量(有效值、3次谐波与基次谐波之比、波形)对去噪效果进行分析,综合比较得到采用总体经验模态分解与启发式阈值小波相结合的去噪方法的去噪效果最佳,采用该方法对实际污秽绝缘子泄漏电流进行去噪处理,去噪效果良好.

摘要:

针对传统希尔伯特-黄变换(Hilbert-Huang Transform.HHT)中经验模态分解(EmpiricalMode Decomposition.EMD)存在的模态混叠问题,提出一种基于总体经验模态分解(Ensemble EmpiricalMode Function.EEMD)的脉搏信号分析方法.谊方法通过对原始数据加入随机白噪声分量,使不同区域脉搏信号保持完整性,克服了传统EMD分解不能有效解决模态混叠(Mode Mixing,MM)的问题.首先通过EEMD方法提取脉搏信号的固有模态函数(Intrinsic Mode Function.IMF).再进行Hilbert变换,得到脉搏信号的Hilbert谱和边际谱.其结果可以定量并准确地刺画任意时刻的瞬时频率和幅值,为脉搏信号的特征提取和模式识别提供可靠的依据.

摘要:

文章将EEMD-ICA技术与SVD相结合,提出基于EEMD-SVD-ICA算法的单通道电网电压谐波分离方法,与现有单通道谐波分离方法相比具有无需源信号先验信息,可分离非平稳信号谐波,算法简单等优点;EEMD方法将单通道信号分解为多路互相正交的本征模态函数分量(IMFs),然后采用SVD代替PCA方法进行数据降维,再运用基于负熵的固定点独立成分分析(FastICA)方法提取IMFs独立分量,实现单通道电网电压谐波分离;对模拟信号进行谐波分离,验证所提方法在该领域的应用的可行性,仿真结果表明论文所提方法不仅能够分离电网电压的谐波,并且对频率小于50 Hz的间谐波也有很好的分离效果.

摘要:

总体经验模态分解(EEMD)是一种基于多次经验模态分解(EMD)的信号分解方法,能够有效解决EMD方法中存在的模态混.叠问题,使得分解出来的分量更具有实际物理意义,但随之带来的问题是整个分解时间大大延长,这正是由于多次EMD分解造成的；为了能够同时提高EEMD方法的分解效率,提出了一种基于小波预处理的EEMD算法；通过实验结果可以发现改进后的EEMD算法在原始EEMD算法的基础上,分解效率平均提高了大约10.95％,得到的有效分量与原始信号的相关度也提高了大约8.68％；这就说明较原有EEMD算法相比,改进后的EEMD算法不仅能够提高信号分解速度,而且能够更为有效地提取出原始信号中的特征分量.

摘要:

提出一种总体经验模态分解(EEMD)算法与互信息法相结合的Hilbert-Huang变换机械故障诊断改进的方法.仿真与实例结果表明:EEMD算法能克服模态混叠弊端,获得具有实际物理含义的固有模态函数(IMF);互信息法能有效剔除虚假分量,使最终IMF分量更加精准且集中突显故障信号特征;所提出方法能有效表征机械故障特征,并进行精确诊断.

摘要:

为解决硬目标侵彻过载信号降噪问题,提出融合总体经验模态分解(EEMD)和小波变换(WT)的联合滤波方法.首先对实测信号进行总体经验模态分解,获得信号的本征模态函数(IMF)分量,然后计算各分量功率谱并与原信号比较,得出信号的有效分解尺度和弹体的过载响应频率,接着对高频IMF分量采用小波阈值降噪,最后将降噪后的高频分量与分解后的低频分量组合重构获得侵彻特征信号.实验证明,这一方法可以有效提取弹体响应频率,消除侵彻过程中弹体的高频振动信号和外部噪声,且处理后的加速度曲线具有更高的信噪比,积分所得速度和位移时程曲线也与实验结果相近.

摘要:

针对现场采集的水轮机水导摆度信号中出现的异常尖峰成分,利用EEMD进行分解处理,分离出不同成分的特征信号,除去尖峰异常特征成分以及杂波成分的本征模函数(Intrinsic Mode Function,IMF)分量.将剩余的IMF分量进行信号重构,从而获得了除去异常尖峰成分后的重组信号.通过对仿真的信号进行分析,验证了该方法对水轮机摆度信号特征提取的有效性.

摘要:

为了研究脑磁图(MEG)信号在识别精神分裂症方面的应用，文中提出了一种基于总体经验模态分解(EEMD)和希尔伯特( Hilbert)变换的识别方法。在对正常人和精神分裂症患者的脑磁信号进行预处理的基础上，通过EEMD方法将信号分解为一系列的固有模态函数( IMFs)，然后使用Hilbert变换求取固有模态函数的瞬时频率和振幅，由希尔伯特-黄幅度谱( HHS)和边际谱( MS)可以发现两类信号的差异；接着选取与原信号相关性较高的前9个IMF的瞬时频率和振幅归一化后计算 Hilbert加权频率；最后，利用经遗传算法( GA)优化的支持向量机( SVM)分类器进行分类，并与 k 近邻(KNN)分类器的结果进行对比，得到的分类精确度分别为95%和78.33%，验证了所提识别方法的有效性。

摘要:

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法.CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD.CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别.为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本.