EMD方法和Hilbert谱分析法的应用与探讨

利用EMD方法对海浪观测资料进行处理 ,通过在数据两端的“平衡位置”处分别附加平行直线段的方法进行端点抑制 ,分解出 1 0个内在模函数和 1个剩余趋势项 ,再对各内在模函数进行Hilbert变换 ,得到波浪的Hilbert谱。对所得结果的分析表明 ,各模态在Hilbert谱中的分布趋势和Fourier谱中谱线的变化趋势是一致的 ,第一模态的中心频率与Fourier谱的谱峰频率相对应 ;EMD方法是对非线性、非平稳过程数据进行距平化的好方法 ,距平化的过程和消除趋势项的处理是统一的。     

基于RBF 神经网络的EMD 方法在海平面分析中的应用

采用径向基函数神经网络法延拓原始数据序列,有效抑制了EMD分解中出现的端点发散效应,从而实现准确的EMD分解。利用该方法对中国近海验潮站的月平均海平面资料进行处理,分解得到的内在模函数分量代表了海平面各种周期性变化。通过EMD分解得到的总体自适定趋势项为非线性变化,比以往趋势项提取方法更有优势,它反映了在资料长度内海平面的长期升降情况。数据序列越长,该方法所能分解出来的IMF成分越多,可分辨的频率越小。     

海州湾湾顶浅海区ADCP测流中垂向流速分量分析

根据2012年6月在海州湾湾顶浅海区利用ADCP定点测流以及CTD等观测资料,采用经验模态分解(EMD)和Hilbert变换方法,对该海区海流的垂向流速分量及其影响因素进行了分析,研究了垂向流速分量的频率结构及其随时间的变化。结果表明,海州湾湾顶浅海区垂向流速分量变化不规则,以团块状分布为主。经验模态分解显示垂向流速分量存在不同的模态,各模态对整个波动的贡献差异明显,其中心频率构成具有垂向变频特征。垂向流速分量与水平流速分量在低频模态和趋势项具有较好的相关性,表明垂向流速分量与水平流速分量具有一定的联系。     

基于小波消噪和希尔伯特黄变换的损伤检测技术研究

针对经验模式分解(EMD)易受噪声影响的缺点,提出采用小波消噪结合Hilbert-Huang变换的结构损伤检测方法。首先对含噪声振动信号进行小波消噪预处理实现信噪分离,再进行EMD分解得到若干固有模态函数(IMF),利用希尔伯特(Hilbert)变换得到其瞬时频率。提出了一个基于低阶瞬时频率变化率的损伤判定指标,利用此指标可以判断损伤是否发生。数值研究结果表明小波消噪结合HHT的方法是进行损伤检测比较有效的方法。     

二维EMD 方法在微尺度波斜率波数谱提取中的应用

进行海面微尺度波频率分析时,为消除重力波影响,引入二维 EMD(经验模态分解)方法滤除造成频率混叠的长重力波,然后进行傅立叶变换,得到海面微尺度波谱,进一步处理得到斜率波数谱。斜率波数谱提取结果表明：采用二维EMD方法可以有效滤除图像中混叠的长波信息,在此基础上进行微尺度斜率波谱计算的结果与国外已有结果基本一致。文中还将二维 EMD 方法与小波方法的处理结果进行了比对,结果表明在滤除长波的影响时,二维EMD方法具有其较明显的优势。     

基于VMD对SAR海洋内波参数的自动反演

经验模态分解(empirical mode decomposition,简称EMD)是反演海洋内波参数的有效方法之一,但由于EMD存在模态混叠等问题,对海洋内波进行参数反演时会产生一定误差。相比较于EMD,变分模态分解(variational mode decomposition,简称VMD)能够有效地抑制模态混叠现象。为了更好地对海洋内波进行参数反演,提出了一种基于VMD对合成孔径雷达(synthetic aperture radar,简称SAR)遥感图像中的内波参数进行自动反演的方法。该方法先对SAR图像进行Canny处理,获取图像中的内波条纹信息,再根据内波传播方向自动选取灰度剖面;然后利用集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)信号特征自适应分解模态函数的特点,再将分解得到的有效模态数作为VMD中参数K的参考值;最后利用VMD分解后的数据进行内波参数反演。试验结果表明:通过对Canny预处理后的条纹信息进行灰度剖面自动选取,解决了人为选取剖面所可能导致的误差;通过对剖面信号进行VMD处理不仅解决了EMD模态混叠的问题,成功地反演出内波的前导波振幅,而且所反演的结果与EEMD反演参数以及实测资料数据吻合得很好。     

异常事件对EMD方法的影响及其解决方法研究

作者指出异常事件在数据中形成局部的高频信号 ,运用经验模态分解 (EMD)方法分析这种存在异常事件干扰的数据 ,就会产生本征模函数 (IMF)的频率混叠现象 ,而造成物理过程的重叠 ,使得难以用时间过程曲线表现特定的物理过程。这一问题是 EMD方法中尚未妥善解决的问题。为解决这一问题 ,作者利用干扰信号极值及其两边的极大与极小值位置与原始数据有明显对应关系的特征 ,将相关 IMF中的异常信息直接滤除 ,再用 Spline插值方法弥补滤除时段的数据 ,得到重新拟合的该 IMF数据。采用这种方法可以提取出异常信号 ,提取的精度与异常信号的时段长度有关。而且 ,拟合结果消除了异常干扰 ,可以将该 IMF与其余 IMF一起叠加成没有异常干扰的数据。将滤除了异常干扰的数据再次进行 EMD分解 ,可以得到新的 IMF系列 ,而它与不加校正的分解结果有相当大的差别 ,可靠地反映了真实物理过程。结果表明 ,只有在有效滤除异常干扰的情况下才能获得可靠的 IMF系列 ,并准确地描述各种尺度的现象 ;消除了异常干扰的 IMF可以任意单独或组合使用 ,表现各种时间尺度的变化与过程 ;所讨论的方法只适合异常时段较小的情形。对于异常时段接近或大于正常变化周期的干扰还需要探讨其他方法     

基于EMD的BP神经网络海水温度时间序列预测研究

为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode Decomposition.简称EMD)的BP神经网络预测方法.该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后时每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果.预测试验结果表明.基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高.     

希尔伯特谱白化方法在海洋地震资料高分辨率处理中的应用

针对海洋地震资料高分辨率宽频处理的要求,也为了克服常规谱白化、反Q滤波等方法无法同时增强时域和频域局部细节的不足,基于希尔伯特黄变换(HHT)的谱白化方法对海洋地震资料进行高分辨率处理应用研究。对地震记录进行固有模态分解(EMD),得到不同尺度的IMF分量;再利用常规谱白化方法对每个分量根据瞬时频率进行合理的振幅均衡;将均衡后的IMF分量进行反变换重构地震记录,从而得到高分辨地震数据。通过理论模型和实际地震资料实验,与常规谱白化方法的对比分析,表明该方法信号局部时频刻画能力以及相对振幅保真性优于常规方法,同时表明此方法能够有效增强地震信号时域和频域的分辨率,使地震剖面更为连续和清晰,并具有较高的信噪比。     

消除EMD 边界效应的四中点估计方法

为了快速高效地实现信号的本征模态分解,消除分解过程中边界效应,在 Directly-Mean EMD方法的基础上,通过引入左、右待估中点和左、右延拓中点,并根据信号首尾两端各种可能的情况给出了四中点估计公式,建立了可完全消除边界效应的Directly-Mean EMD四中点估计方法。该方法不仅减少了样条插值次数,提高分解速度,而且还可以有效避免因插值节点过于稀疏所产生的大幅波动,使分解结果更加准确。将新方法应用于日长数据序列的本征模态函数分解,得到了满意的分解结果。     

南海东部区域的海流状况--Ⅲ.海流的经验模分解和Hibert谱

介绍了经验模分解方法和Hilbert变换，指出这种方法的优越性。并用此方法对南海东部区域的海流资料进行处理。分析了该区域海流的频率结构和波谱性质以及它们随时间的变化，给出了一些特征值。     

基于回声状态网络的海浪谱实时预报方法

为实现在非线性较强情况下的海浪谱预报,以船载测波雷达实船测量的海浪谱数据为基础,将经验模态分解(EMD)和回声状态神经网络(ESN)相结合,对海浪谱的实船实时预报方法进行了研究。所提方法利用经验模态分解对子波谱密度值时间序列进行分解,并对分解后各分量分别应用回声状态神经网络进行预报。将预报结果进行叠加,可以得到子波谱密度的预报值,进一步可合并得到整个海浪谱信息。结果表明:该方法可以有效解决非线性较强情况下预报效果变差的问题。方法可为船舶实时掌握海浪谱信息,提高船载测波雷达系统的实用性提供一定的基础。     

基于拟层流风波生成机制的海浪谱模型

海浪谱的能量可以视为由具有不同相速度的谐波携带的能量所组成。基于对风波形成、发展过程的认识,认为各组成谐波的能量由谐波自平均风摄取而来,由此根据拟层流模型推导出谐波能量密度的计算公式,建立以等效风速和峰值频率等为基本参数的海浪谱模型——随机Fourier函数模型,并给出了确定谐波频率、波长、相速度、振幅以及等效风速等模型参数的原则和计算方法。在59个实测样本谱基础上,采用随机建模方法确定模型参数的取值及其概率分布。结果表明,海浪谱模型可以很好地预测谱能,所计算的物理谱与实测谱均值吻合良好。     

基于经验模式分解的希尔伯特变换包络提取在机械故障诊断中的应用

本文采用经验模式分解 (EMD)提取信号的内在模函数 (IMF) ,并利用希尔伯特变换对所得IMF进行包络分析 ,提取机械故障特征。与直接对原信号进行包络分析相比较 ,该方法提取的机械故障特征更明显。数值模拟和对故障轴承振动信号分析表明了该方法的有效性。     

基于EMD与神经网络的机械故障诊断技术

经验模式分解 (EMD)是分析非线性、非平稳信号的有力工具 ,它将信号分解为突出了原信号的不同时间尺度的局部特征信息的内在模函数 (IMF)分量。本文通过将各 IMF分量输入到 BP网络中进行训练学习和故障诊断 ,比直接输入原信号可以提高 BP网络对故障诊断的准确率 ,而且减少了训练时间。     

基于EMD和短时拷贝相关分析方法的物体溅落声检测研究

采用经验模态分解(Empirical Mode Decomposition,简称EMD)和短时拷贝相关分析的方法,将经过EMD处理得到的溅落声信号作为拷贝信号,利用拷贝信号与海上实测信号的波形相关性实现溅落声检测研究。通过对海试实测的辐射噪声数据进行分析,表明利用EMD和短时相关分析方法可以在较低信噪比下检测出溅落声信号的存在,从而提高了信号检测的准确性。     

西北太平洋海表温度变化主成分分析

对西北太平洋1982—2010年NOAA系列卫星海表温度(Sea Surface Temperature,SST)产品进行月平均等处理,采用Reynolds SST月平均场对数据进行质量控制、数据融合等处理,建立高空间覆盖、长时间序列的SST场数据集。对月距平场进行经验正交函数(EOF)分解,分析时空模态特征,并将第一模态时间序列与相关气候时间序列进行比较。主成分分析结果显示西北太平洋SST存在显著的约13a周期的年代际模态和2~5a的类厄尔尼诺模态,年代际变化和西太平洋暖池的年代际振荡相似;类厄尔尼诺模态与Ni珘no-3.4区SST周期变化较为相关,并相对于厄尔尼诺具有约10个月的滞后。本研究显示,西北太平洋可能在多种不同时间尺度气候机制的控制之下。     

一种基于经验模态分解的SAR图像溢油识别算法

溢油事件的发生会给海洋环境的保护和经济发展带来巨大的影响。运用现代化的监测手段和技术进行监测,及时发现溢油现象和违规行为,保护海洋环境是非常重要的。合成孔径雷达（SAR）技术是溢油检测的有效工具,在SAR图像中溢油表现为黑色的区域,但是黑色区域也可能会由其他的因素引起。本文提出了一种基于二维经验模态分解（BEMD）的方法来识别溢油和疑似溢油。首先通过BEMD方法将感兴趣的区域分解为局部窄带的各分量—内蕴模函数（BIMF）之和,并对分解后得到的各分量IMF进行Hilbert变换,通过Hibert谱分析得到64维的特征空间,然后使用Relief方法得到5个特征向量,最后利用马氏距离分类器进行分类。通过实验结果表明,该方法能够有效、准确地检测出溢油,准确率超过90%。     

Hilbert变换在海浪波高与周期联合分布函数中的应用

Longuet-Higgins(1983)[1]导出了波高与周期的联合分布函数,此分布函数虽然与实际数据符合良好,但存在很大的缺陷,如:由此分布函数得出的波高分布为形式较为复杂的非Rayleigh分布,很难应用于工程计算中。孙孚(1988a)[2]应用射线理论导出了一种波高与周期联合分布,虽然弥补了Longuet-Higgins的一些缺陷,但推导过程过于复杂。本文在窄谱假定下通过应用Hilbert变换方法得出新的分布函数并与前两者比较,表明Hilbert变换的方法不但简便,而且完全克服Longuet-Higgins的不足,可以方便的应用于工程计算中。本文也为Hilbert变换的方法在工程中的应用提供了理论依据。     

基于经验模态分解削弱多波束残余误差的方法

针对多波束水深数据中存在的系统性残余误差,提出了基于经验模态分解方法来削弱残余误差的方法:首先利用经验模态分解方法对多波束测深数据作一维分解,将非线性、非平稳的多波束测深数据分解成准线性子波,然后构建水深数据趋势项与残余项,利用中央波束趋势项建立整体数据趋势项,最后加以水深数据残余项还原海底地形,削弱残余误差影响。通过实测多波束测深数据验证方法的有效性。