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。     

主控模态函数及在水位数据分析中的应用

在快速滤波分解信号为最宽带通本征模态函数方法（简称FFDSI方法）的基础上，引入了主控模态函数的概念。将其应用于Chichijima水文站水位信号，从中分解出3个96．93％-主控模态函数，分别代表着不同于调和分潮，且与天体运行规律更加吻合的3种模态潮型。由此可见，主控模态函数在信号分析中的应用价值。     

利用正交本征模态函数分析日长变化的主要激发源

利用本征模态函数的正交分解方法对日长(LOD,length of day)数据序列进行分解,得到了日长变化的101个正交本征模态函数.通过对其中几个主要模态函数进行分析,发现日月地的相对位置与其中几个模态函数极值发生的时间极其吻合,并据此推断出日长变化的主要激发源.同时还发现日长变化存在准周期约为206 d的波动.     

基于灰度预测的变长度经验模态分解方法研究

经验模态分解是目前分解非线性非平稳信号的有效方法,但其在应用时存在容易导致信号分解失真的端点效应问题。通过对现有的压制方法所存在的不足进行改进,提出了基于灰度预测的变长度经验模态分解方法,在端点处向外对称延拓一部分原始信号使其变成新的信号,进而利用基于灰度预测的经验模态分解方法计算固有模态函数。每得到一个固有模态函数之后,在两端切掉一定长度的序列,即预测不准确序列,从而避免因该序列被代入下一个固有模态函数的求解而导致中间信号被污染;随后利用正弦叠加信号和非线性非平稳信号等仿真数据进行分解实验。实验结果表明:无论是正弦叠加信号还是非线性非平稳信号,基于灰度预测的变长度经验模态分解方法的计算结果误差均小于常规经验模态分解和基于灰度预测的经验模态分解方法,同时对端点处相位信息的处理也更准确。     

联合BEMD与LS-SVM的多波束异常数据探测方法

针对多波束水深数据非线性、非平稳性的特点,将二维经验模态(BEMD)和最小二乘支持向量机(LSSVM)引入到多波束水深数据异常值探测中,构建BEMD和LSSVM混合模型。首先,利用二维经验模态将多波束水深数据分解为不同频率的若干个本征模态函数;然后,考虑到异常数据处在高频部分,利用最小二乘支持向量机探测高频本征模态函数(IMF1、IMF2)中包含的异常值;最后,综合两组异常值判定原始水深数据中异常数据。通过实验证明方法的可行性且相比单一模型取得更好的异常值探测效果。     

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.     

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     

希尔伯特-黄变换的端点延拓

希尔伯特-黄变换(HHT)是近年来发展起来的一种新的时间序列信号分析方法.该文在对HHT深入研究与充分肯定的基础上,发展了信号的镜像闭合延拓和包络的极值延拓两种方法.通过几个典型的例子检验了两种方法,并与Huang等(1998,1999)进行了比较,得到了令人满意的结果.镜像闭合延拓法根据信号端点的分布特性,把镜子放在具有对称性的极值位置,通过镜像法把镜内信号映射成一个周期性的信号,不存在端点,从根本上避免了经验模态分解和希尔伯特变换的端点问题.极值延拓法简单易行,具有与镜像闭合法相当的效果,在处理非对称波形信号时更显其优越性.     

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。     

基于本征正交分解的湍流去噪

在近岸河口湍流研究中,实测的湍流资料往往容易受到噪声的影响,导致湍流特征量的估算出现偏差。本征正交分解是一种将流场在能量上进行分解再重构的方法,基于该方法,结合数值实验和野外实测资料,对包含噪声的湍流数据进行了去噪处理。结果表明:（1）本征正交分解能有效去除湍流中的噪声。在进行信号重构时,应将保留能量的百分比与湍流能量占比保持一致。去噪的效果与噪声占比有关,噪声占比越高,去噪效果越明显。（2）在实测资料中,憩流时刻的噪声占比要显著大于非憩流时刻,水平方向的噪声占比要大于垂直方向。经过本征正交分解去噪后,各湍流特征量的估算更加合理。     

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。     

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。     

Single point mooring system modal parameter identification based on empirical mode decomposition and time-varying autoregressive model

A method based on empirical mode decomposition (EMD) and time-varying autoregressive (TVAR) model is proposed here to identify the modal parameters of time-varying systems, such as the Floating Production Storage and Offloading (FPSO) single point mooring system. For the EMD–TVAR method, the original signal is decomposed into a finite number of ‘intrinsic mode functions’ (IMFs) by the EMD. Each IMF can be represented as a TVAR model. Then, the time-varying modal parameters i.e., instantaneous frequency (IF) and modal dumping, can be obtained by the basis functions expansion method. The proposed EMD–TVAR method has good results in two experiments compared with the Huang–Hilbert transformation and Short Time Fourier Transform method, and it has been used to analysis the modal parameters of FPSO single point mooring system successfully. The system's time-varying characteristic and its frequency distribution can be known from the modal analysis results.     

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。     

基于经验模态分解和小波阈值的自适应降噪方法

针对全波形三维激光测绘雷达(LiDAR)在数字地形测量中如何降低背景噪声问题,提出了一种基于经验模态分解(EMD)和小波阈值的自适应降噪方法。在扫测的地形信号经EMD分解后,计算内蕴模式函数(IMF)与经过2/3阶重构的扫测信号之间的互相关函数,从而改善小波阈值自适应地对IMF中的高频噪声成分进行滤除。实验结果表明,与EMD重构降噪法、小波阈值降噪法和传统的EMD-小波联合降噪法比较,这种方法在对全波形LiDAR回波信号的噪声剔除和地物信号保留方面具有明显的优势,降噪后信号的误差能缩小10%~20%,波形相关性能提升5%~20%,信噪比能提升20%~40%。     

经验模式分解对恒电量瞬态响应信号的预处理

应用经验模式分解（EMD）将恒电量瞬态响应信号分解为不同时间尺度的内在模函数（IMF）分量。去除其中的小时间尺度的干扰噪声分量。然后经过拉普拉斯变换获得恒电量频谱以研究电化学腐蚀过程。     

基于SSA和AR模型的海面变化预测试验

以吴淞站1955-2001年月平均潮位序列为基础,采用奇异谱分析(SSA)与自回归模型(AR)相结合的方案(SSA AR),进行了月平均潮位预测试验。基本思路是对SSA分析的结果选择若干有意义的分量进行序列重建,借助于自回归模型进行分量预测,再对它们进行叠加,从而建立预测模型。本文以1955-1996年数据为基础建立模型,1997-2001年数据作为验证,检验结果表明,两种方法的结合使用显示了较好的效果。     

海平面变化的小波和自回归模型集成预测试验

针对海面变化预测时间序列模型中趋势组份和周期(准周期)组份的提取和预测问题,基于吴淞站1955～2001年月平均潮位序列,采用小波分析(WA)与自回归(AR)模型相结合的方案,对小波分解的不同尺度分量序列,借助于时间序列模型进行分量预测,再对它们进行叠加建立预测模型,进行了月平均潮位预测试验.以1955～1996年数据为基础建立模型,1997～2001年数据作为验证,结果表明两种方法的结合使用显示了较好的效果,具有较高的精度.