基于镜像延拓和神经网络的EMD端点效应改进方法

经验模态分解(Empirical Mode Decomposition,EMD)在机械故障诊断中存在一个比较严重的问题,即端点效应。镜像延拓是克服端点效应的有效方法,采用镜像延拓处理端点效应时,要求将镜面放置在局部极值点处,针对这一问题,提出了一种基于镜像延拓和神经网络相结合的数据延拓方法。采用神经网络预测原信号序列,将信号向前向后各延拓一个极值点,再采用镜像延拓有效地减小EMD分解中的端点效应。通过对仿真信号的分析,验证了该方法能有效抑制EMD方法中的端点效应问题。     

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。     

经验模态分解中包络线算法

经验模态分解(EMD)是一种先进的信号处理方法,对非线性、非平稳信号具有独特的分析能力.它的包络线算法存在着过冲/欠冲和端点问题,影响信号分解质量.分析了过冲/欠冲和端点问题产生的原因,提出了采用保形分段3次插值方法作为EMD分解过程中的包络算法,解决了拟合包络线的过冲/欠冲问题;采用端点处包络线位置预测,对端点处的包络线位置加以约束,与极值点对称延拓的方法结合使用,充分利用信号本身信息,一定程度上抑制了端点问题.最后,用一个仿真实验验证了该方法的有效性.     

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。     

基于固有时间尺度分解的能量算子解调法及故障诊断应用

针对Teager能量算子包络解调方法主要用于对单分量的调幅调频信号进行解调,而真实机械故障信号多为多分量的调幅调频信号的问题,提出了能量算子与固有时间尺度分解相结合的解调方法.首先,利用固有时间尺度分解法将原始振动信号分解为若干个固有旋转分量和一个单调趋势项,并基于波形匹配算法实现原始数据的自适应端点延拓以解决分解过程中的端点效应;然后再选取合适的固有旋转分量,利用能量算子方法实现调制信号的包络解调;最后,将该方法应用于仿真信号和故障模拟信号.结果表明:该方法能有效地提取机械振动信号的故障特征.     

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 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。     

对流层散射信道传递时间信号的抖动抑制模型

对流层散射信道传递时间同步信号过程中,信道的多径效应及噪声会引起信号抖动。为抑制抖动、提高时间同步精度,引入经验模态分解和小波阈值组合的抖动抑制模型。组合抖动抑制模型中,首先根据经验模态分解原理对原始信号进行分解,然后利用小波阈值对分解得到的各分量进行处理,最终利用处理结果重构信号。为提高组合模型的抖动抑制效果和原始信号的保持能力,利用连续性好、柔和度高的阈值函数对小波阈值中的传统阈值函数进行改进。利用实测数据验证模型的结果表明,在抖动抑制和信号保留方面,组合模型较单一模型以及常用的Kalman模型优势明显。     

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。     

基于谱减与自适应子带对数能熵积的端点检测

针对低信噪比环境下语音端点检测准确率低、鲁棒性差,提出了一种将谱减降噪和自适应子带对数能熵积相结合的语音端点检测算法.首先利用改进的多窗谱估计谱减法提升语音信号质量,再以自适应子带对数能熵积这一新的语音特征参数为阈值,使用动态阈值双门限检测法进行语音端点检测.实验结果表明,该算法针对低信噪比语音信号具有更好的准确性和鲁...     

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。     

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VMD和SVM的舰船辐射噪声特征提取及分类识别

针对复杂海洋背景下舰船声频辐射噪声特征提取困难的问题,提出一种基于变分模态分解、中心频率、复杂度特征和支持向量机的舰船辐射噪声特征提取及分类识别方法。对四类舰船辐射噪声信号使用变分模态方法分解,得到一定数量的固有模态函数。通过比较提取能量最大的固有模态函数中心频率和排列熵作为特征参数,并利用支持向量机方法对四类舰船信号样本进行分类识别。实验结果表明,该方法可以实现对舰船辐射噪声的特征提取,与已有方法对比,该方法具有较高的识别率。     

EEMD联合AOK-TFR提取车辆微多普勒特征

利用连续波雷达探测运动车辆时,非线性、非平稳的多分量回波信号不易解析提取,基于此,提出了联合总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和自适应最优核时频分布(Adaptive Optimal Kernel Time-Frequency Distribution,AOK-TFR)的方法提取运动车辆的微多普勒(micro-Doppler)特征。建立了车体振动和车轮转动对雷达回波信号产生的复合调制效应数学模型,并对多分量回波信号进行了EEMD,通过联合AOKTFR解析回波信号的固有模态分量,得到了较清晰的微多普勒时频像,较好地克服了地杂波带来的EMD模态混叠。仿真分析表明该方法提取到的微多普勒特征参数与仿真参数吻合,证明了该方法的有效性。     

基于SVD与数学形态学分形维数谱的战场声特征提取

分形维数作为战场声信号的特征,存在特征数量不足,反映信号非线性不充分的问题,提出了一种基于SVD与数学形态学分形维数谱(Singular Value Decomposition And Mathematical Morphological Fractal Dimensions Spec-trum,SVD-MMFDS)的战场声特征提取方法.对声信号构造Hankel矩阵,再进行SVD分解,根据信号频率与奇异值的关系,重构信号分量.将这些重构信号依次线性叠加,每叠加一次信号分量就计算一次分形维数,直至完全恢复原信号;通过这种方法,构成数量多且更能反映信号非线性的分形维数谱.运用半实物仿真实验将SVD与数学形态学分形维数谱的方法,与变分模态分解(VMD)和分形维数结合的方法进行对比,该方法提取的战场声特征具有更好的区分度且特征数量更多,为利用信号非线性来识别战场声目标提供较好的选择.     

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EMD与Hilbert变换的舰艇空化调制信号检测方法

针对舰艇推进器空化噪声检测中调制特征弱、背景干扰强等问题,提出了一种基于时延相关降噪、经验模态分解(EMD)和希尔波特(Hilbert)变换相结合的解调算法。该算法通过引入时延相关算法有效抑制了背景噪声,并利用EMD技术的自适应频带划分功能完成调制特征频带定位,实现了低信噪比条件下调制信号的有效检测。仿真试验证明:该方法在信噪比为-12dB、-15dB、-18dB条件下的检测效果明显优于传统的Hilbert变换等5种方法,且背景噪声干扰成分得到了有效抑制,调制信号检测效果显著提升。最后,通过推进器空化信号检测台架试验验证表明:该方法能够有效捕捉舰艇空化噪声信号中与转速、叶片数密切相关的调制特征。     

基于HHT的助飞反潜鱼雷入水信号检测方法

针对助飞反潜鱼雷入水信号在浅海条件下信噪比低、干扰成分多导致难以检测的问题,采用HHT处理方法,通过CEEMD分解方法提高原始信号的信噪比;通过希尔伯特变换突出入水信号的时域特征,降低了入水信号检测的难度。所提方法应用于实航试验数据,显著提高了信号检测的可靠性。     

磁致伸缩扭转导波小管径弯管检测

针对扭转导波对小管径弯管的检测问题,分别采用数值模拟和实验方法进行研究。使用ANSYS软件模拟扭转导波在弯管中的传播;设计一种针对小管径管道的磁致伸缩扭转导波检测传感器,并对弯管进行检测,建立该传感器的导波激发和接收模型,利用理论模型对实验信号进行解读。研究结果表明:T(0,1)模态导波在小管径管道弯头处发生模态转换,部分T(0,1)模态转换成F(1,1)模态,F(1,1)模态具有方向性,垂直于弯头拱背-拱腹方向;模态转换会造成检测信号的双端面反射现象,第二个端面回波与第一个端面回波幅值比随频率的增大呈减小趋势;传感器激发出的纵向磁致伸缩力会导致实验信号中出现少量纵向模态导波。研究结论为磁致伸缩扭转导波对小管径弯管的检测提供理论指导。