基于四阶累积量切片谱的谐波信号线谱提取

提出一种新的谐波信号线谱提取方法,通过对四阶累积量对角切片或非对角切片作傅立叶变换,得到四阶累积量切片谱,运用切片谱提取谐波信号的线谱特征。相比于传统的基于高阶谱估计的线谱提取方法,该方法既继承了其消除高斯噪声的优点,又简化了计算量、提高了估计质量,并且不再要求信号满足二次或三次相位耦合。仿真实验证明了该方法的有效性和优越性。     

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。     

基于改进希尔伯特-黄变换的进动目标周期估计

针对进动目标的微多普勒周期估计问题,提出了一种基于改进希尔伯特-黄变换的提取算法。该算法通过将希尔伯特-黄变换中的经验模态分解（EMD）替换为完备总体经验模态分解（CEEMDAN）,对目标回波信号进行分解得到各本征模态函数（IMF）后,再对IMF进行希尔伯特谱分析,从该希尔伯特谱中提取出目标信号中的微多普勒周期。仿真表明,所采用的方法能有效地克服EMD算法噪声环境中性能较差的缺陷,在低信噪比条件下具备较好的性能。     

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VMD与数学形态学分形维数的战场声目标识别

为快速识别直升机与坦克的声信号,提出了一种变分模态分解(VMD)与分形维数相结合的声学目标识别方法。对目标声信号进行VMD分解,根据目标声信号的频域能量分布确定分解的模态(IMF)数目;通过数学形态学方法计算各个IMF的容量维数与信息维数,并以此为特征向量;利用BP神经网络分类器对直升机与坦克声目标进行识别,通过与传统EMD融合计盒维数的方法进行对比,验证了所提方法具有更高的识别率和运算速度。     

2(1/2)谱在直升机声信号特征提取中的应用

介绍了四阶累积量对角切片的一种定义,分析了其傅里叶变换(212谱)在提取三次相位耦合特征方面的良好性能及其估计方法;将其应用于具有三次相位耦合的直升机声信号特征提取。仿真结果表明,利用该方法能够分析信号的三次相位耦合信息,且具有计算方法简单、运算速度快及良好的抑制高斯噪声的优点。实际的数据处理结果验证了该方法的有效性。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。     

基于EMD和神经网络的气阀机构故障诊断研究

运用经验模态分解(EMD)对柴油机缸盖振动信号进行分析,求得各内禀模态函数(IMF)的能量百分比;将能量百分比作为神经网络的输入进行网络训练和故障识别,实现了气阀机构的故障诊断,取得了较好的效果。     

双极化天线的通信信号检测方法

在详细分析与探讨信号防御性能的基础上,对利用边界扫描的大区域通信信号电路体系进行了探讨,提出以TD-SCDMA网络为基础的双极化天线通信信号检测系统。通信信号检测过程中,用嵌入式处理器LPC2148结合四阶累积量的切片检测出TD-SCDMA信号,并通过估计获得TD-SCDMA信号的采样率,经过二次谱算法的运算,获得谱峰间的距离来估计出OVSE码的周期参数。以标准验证芯片为中心,针对相同类型的混合信号电路组建验证电路,最终完成对验证模块DOT4MBST及验证电路的检测验证。测试结果表明,提出的双极化天线的通信信号检测系统能够在错综复杂环境中,对通信信号进行精确的采集,且鲁棒性强。     

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。