顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

基于 EEMD 的滚动轴承故障诊断方法

针对经验模态分解（empirical mode decomposition,EMD）方法处理轴承振动信号时存在的缺点,指出极值点的选择是产生模态混叠现象的原因。分析了集成经验模态分解（ensemble empirical mode decomposi-tion,EEMD）方法抑制模态混叠现象的原理,讨论了加入高斯白噪声的次数和大小对 EEMD 方法分解结果的影响,并通过仿真和实测信号对 EMD 和 EEMD 方法的性能进行了比较测试。结果表明：EEMD 方法不仅能够有效地抑制模态混叠现象,而且能更好地反映出轴承振动信号中的故障信息。同时,对通过 EEMD 方法得到的重构信号进行平方包络分析,结果证明：该方法能够有效地提取出滚动轴承的故障特征。     

基于EMD和四阶混合累积量的船舶轴频电场检测

为实现低信噪比情况下微弱的船舶轴频电场信号的有效检测,提出了一种结合经验模态分解(empirical mode decomposition,EMD)和四阶混合累积量对角切片滑动功率谱的方法。首先,利用EMD将信号自适应地进行子带分解,对得到的本征模态函数(intrinsic mode functions,IMF)采用相关系数准则进行筛选;然后,利用高阶累积量可抑制高斯色噪声的特性,计算各有效IMF分量的四阶混合累积量对角切片的功率谱,并进行了多子带中的滑动检测。实测数据处理结果表明:该方法具有较好的应用价值。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.014 8,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。     

经验模态分析法在雷达信号脉内分析中的应用

雷达脉内特征分析是信号分选领域一个重要手段,当脉内信号有多个雷达信号交叠在一起时,很难分析出其各自的调制方式。经验模态分解(EMD)在分析非平稳混合信号时效果显著,但其存在2个明显弊端。针对端点效应问题,首先采用小波分解将信号分解成各分量,随后对除噪声外的各分量利用ARMA模型对信号进行预测,接着对预测后的各分量进行小波重构,从而消除了端点效应,针对虚假分量的问题,结合雷达信号的特点改进了其终止条件,提高了EMD分解的性能。最后,对EMD分解后的各分量进行时频分析,得出雷达脉内信号的调制特征。仿真验证了算法的有效性。     

基于EEMD和平滑能量算子解调的轴向柱塞泵故障特征提取

针对液压泵振动信号出现的调制现象,提出基于集总平均经验模态分解(ensemble empirical mode decomposition,EEMD)和平滑能量算子解调相结合的方法进行解调,并运用小波包分解频带能量的方法提取了轴向柱塞泵的特征向量.首先,利用EEMD将采集到的柱塞泵振动加速度信号分解成若干个平稳的本征模函数(IMF);然后,选取包含主要故障信息的本征模函数通过能量算子解调的方法进行包络解调,从而提取振动信号在高频谐振带的包络成分;最后,运用小波包理论提取各频带的能量作为特征向量.结果表明:基于EEMD和平滑能量算子解调的方法能有效地避免模态混叠现象,提取振动信号的包络成分,成功获得各种状态下的特征向量.     

基于VMD多尺度熵和ABC-SVM的装甲车辆识别

针对新型作战体系下以装甲车辆为主的地面目标的被动声识别问题,为实现不同车型在不同工况下的声识别,以常见的3种坦克和4种履带式装甲车为识别对象,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和人工蜂群(Artificial Bee Colony,ABC)算法优化的支持向量机(Support Vector Machine,SVM)相结合的装甲车辆声识别模型。首先,采集不同工况下的车辆噪声信号并进行频谱分析,证明了VMD分解的可行性;其次,对样本信号进行VMD分解,得到不同尺度的本征模态函数(Intrinsic Mode Function,IMF)并进行多尺度模糊熵(Multi-scale Fuzzy Entropy,MFE)的计算,得到多尺度模糊熵特征(VMD-MFE);然后,利用优化算法对SVM进行优化,得到最优参数优化的分类器模型;最后,对噪声信号进行特征提取和分类实验。结果表明:VMD的分解效果优于经验模态分解(Empirical Made Decomposition,EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD);与引力搜索算法(Gravitational Search Algorithm,GSA)和布谷鸟搜索(Cuckoo Search,CS)算法相比,ABC算法得到的优化模型ABC-SVM具有更高的识别率,可达94. 14%以上。     

基于CNN-LSTM的在轨卫星故障预测分析

在役考核中,对遥测参数进行监控与分析,是评估在轨卫星工作状态及健康状况的重要途径.为解决在线多任务故障预测问题,提出了结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的数据挖掘模型,并运用了一种基于误差反馈的权重自调整机制.利用某型卫星(含故障)遥测参数的仿真数据进行分析处理,实验结果表明:在线CNN-LSTM模型以最小的信息损失进行建模,对比单一模型以及传统的回归模型,CNN-LSTM模型不仅在测试集上取得了最小平均绝对百分比误差12.61％,同时模型预测性能在长时间预测中优于离线模型.     

A novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise,minimum mean square variance criterion and least mean square adaptive filter

Underwater acoustic signal processing is one of the research hotspots in underwater acoustics. Noise reduction of underwater acoustic signals is the key to underwater acoustic signal processing. Owing to the complexity of marine environment and the particularity of underwater acoustic channel, noise reduction of underwater acoustic signals has always been a difficult challenge in the field of underwater acoustic signal processing. In order to solve the dilemma, we proposed a novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN), minimum mean square variance criterion (MMSVC) and least mean square adaptive filter (LMSAF). This noise reduction technique, named CEEMDAN-MMSVC-LMSAF, has three main advantages: (i) as an improved algorithm of empirical mode decomposition (EMD) and ensemble EMD (EEMD), CEEMDAN can better suppress mode mixing, and can avoid selecting the number of decomposition in variational mode decomposition (VMD); (ii) MMSVC can identify noisy intrinsic mode function (IMF), and can avoid selecting thresholds of different permutation entropies; (iii) for noise reduction of noisy IMFs, LMSAF overcomes the selection of decomposition number and basis function for wavelet noise reduction. Firstly, CEEMDAN decomposes the original signal into IMFs, which can be divided into noisy IMFs and real IMFs. Then, MMSVC and LMSAF are used to detect identify noisy IMFs and remove noise components from noisy IMFs. Finally, both denoised noisy IMFs and real IMFs are reconstructed and the final denoised signal is obtained. Compared with other noise reduction techniques, the validity of CEEMDAN-MMSVC-LMSAF can be proved by the analysis of simulation signals and real underwater acoustic signals, which has the better noise reduction effect and has practical application value. CEEMDAN-MMSVC-LMSAF also provides a reliable basis for the detection, feature extraction, classification and recognition of underwater acoustic signals.     

基于改进EMD的信号降噪方法

经验模态分解(Empirical Mode Decomposition,EMD)算法作为新型时频分析方法受到广泛关注,它基于信号的极值特性处理信号,具有自适应强、无需预先确定基函数的优点。但EMD算法本身仍存在模态混叠及EMD强制降噪法易导致信号失真等一系列问题。针对EMD算法的缺陷,提出基于自相关函数的集合经验模态分解方法(Ensemble Empirical Mode Decomposition,EEMD)与小波阈值降噪相结合的改进算法。首先利用自相关函数对高频固有模态函数(Intrinsic Mode Function,IMF)进行选择,然后利用小波阈值降噪法为EEMD设定阈值,最后将改进算法用于信号降噪,并与快速傅里叶变换(FFT)算法、小波阈值算法以及EMD强制降噪算法进行比较。该方法的优点是克服了EMD算法的不足,避免了模态混叠现象,有效地保留了高频信号中分量,降噪效果更好。     

基于高斯白噪声加入的EMD在旋转机械故障诊断中的应用研究

为了避免经验模式分解(EMD)过程中不同时间尺度函数间的模式混叠,采用基于高斯白噪声加入的经验模式分解方法,并将之应用于旋转机械故障诊断中。该方法主要是对同一信号重复若干次加入相互独立的高斯白噪声序列,并分别筛选固有模式函数,而后把各个对应的固有模式函数进行平均计算,消除白噪声对分解结果的影响。最后,通过对固有模式函数进行包络解调,从中提取故障特征。对实际旋转机械故障振动信号的分析结果表明,该方法能有效避免固有模式函数间模式混叠,提高故障诊断效果。     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

面向时空交通栅格流量预测的3D通道注意力网络

城市交通流量预测对交通管理和公共安全具有重要意义。然而,交通栅格流量数据中的规律在时刻变化,在城市中存在全局范围的时空间关系,并且不同特征通道在每个城市区域上有不同的重要性。为解决这些挑战并做出更准确的预测,设计了一种新颖的时空神经网络模型——3D通道注意力网络(three-dimensional channel-wise attention networks,3D-CANet)。提出一个3D通道内注意力(three-dimensional inner channel attention,3D-InnerCA)单元来动态捕获各个通道中不同的全局时空相关性,同时设计通道间注意力(inter channel attention,InterCA)单元来自适应地重校准每个区域上不同特征通道的贡献。在3个真实交通栅格流量数据集上的实验结果表明,3D-CANet模型的预测能力优于其他对比方法,证明了模型的有效性。     

希尔伯特-黄变换在脉冲涡流信号消噪与识别中的应用

针对传统方法无法有效识别不同尺寸细小裂纹所产生的脉冲涡流信号,提出一种基于希尔伯特-黄变换的脉冲涡流信号消噪与识别算法。对脉冲涡流信号进行集成经验模态分解并通过归一化自相关函数及其方差特性分选出含有噪声的本征模态函数;对含噪声的本征模态函数进行阈值消噪并与未做处理的本征模态函数重构成无噪声信号;对无噪声信号进行希尔伯特-黄变换并计算出希尔伯特边际谱;根据希尔伯特边际谱的差异识别出不同细小尺寸的表面与下表面裂纹。实验结果表明了所提方法的有效性,经过集成经验模态分解消噪,消除了噪声对脉冲涡流信号的干扰;而基于希尔伯特-黄变换的方法则能够有效识别出不同尺寸的裂纹。     

基于EEMD方法的混合信号分离识别

针对宽开通信侦察系统中的多信号分离问题,提出了一种总体平均经验模式分解(EEMD)方法。首先对混合信号进行去噪,进行功率谱估计,然后利用EEMD方法对混合信号进行分解得到一簇本征模态函数IMF(Intrinsic Mode Function),对代表单个信号的IMF进行Hlibert变换,得到与各阶IMF相对应的瞬时频率,确定信号的个数,估计出其载波频率,设计出相应的带通滤波器,分离出单个信号。最后设计决策树对分离出的单个信号进行调制识别,确定信号的种类。文中以三个信号组合ASK、BPSK、2FSK为例,通过仿真验证了方法的有效性。     

基于多级Sigmoid神经网络的城市交通场景理解

交通场景的理解是交通监控、汽车安全辅助驾驶的基础.提出一种基于多级Sigmoid神经网络的城市交通环境理解方法.将5个3D结构特征与物体外观特征相结合表征城市交通环境,为了提高交通环境识别率,采用多级Sigmoid神经网络(MSNN)进行图像分割与识别.在公共测试视频数据库CamVid dataset 进行实验,实验结果表明了该方法的有效性.