过渡内蕴模态函数对经验模态分解去噪结果的影响研究及改进算法

经验模态分解(Empirical Mode Decomposition, EMD)是一种具有较大应用潜力的去噪算法.目前,该算法存在的一个较大问题是过渡内蕴模态函数(Intrinsic Mode Function, IMF)中混叠噪声不能有效处理.过渡内蕴模态函数中混叠噪声不易剔除,限制了该算法的应用.本文针对此问题,通过研究过渡IMF的特点,首次提出一种有效去除过渡IMF中混叠噪声的方法.该方法首先对原信号进行一次EMD处理,得到包含过渡IMF的初步去噪结果,并将其与合适的余弦信号结合,改变其包络分布,然后对其结果再次进行EMD处理,仿真实验表明该方法在保留有效信号的同时,可以有效的去除过渡IMF中混叠的噪声,并将该方法用于实际地震资料随机噪声压制,处理效果令人满意.     

基于高通滤波的频率-空间域经验模态分解压制高频噪声

高频噪声压制是高分辨率地震数据处理中提高信噪比的关键性问题.本文针对f-x(频率-空间)反褶积空间预测滤波器无法处理非平稳、非线性信号的缺点,提出了一种基于高通滤波的频率-空间域经验模态分解(Empirical Mode Decomposition in the frequency-space domain,f-xEMD)压制地震剖面中高频噪声的方法.该方法采用全域高通滤波从原始数据中分离出含有部分有效信号的高频数据,将其变换到f-x域,然后在滑动的短窗口内提取每一个频率的空变数据序列进行EMD分解得到高频复本征模态函数(Intrinsic Mode Function,IMF)IMF1,将所有频率的IMF1序列反Fourier变换到时间域得到噪声剖面,将其与原始数据相减,达到高频噪声压制的目的.该方法可克服传统EMD分解方法中的模态混叠现象,保护陡倾角反射同相轴;压制后的噪声剖面中不包含有效信号能量,地震剖面的信噪比得到了提高.模拟数据和实际数据处理结果充分证明了该方法的有效性.     

基于自相关函数特性的CEEMD全局阈值去噪方法研究

完备总体经验模态分解(CEEMD)克服了经验模态分解(EMD)的模态混叠问题,依据信号自身的特点,将待分析的复杂信号分解为一系列不同尺度的固有模态函数(IMF)的子信号,且各IMF分量的频率由高到低依次排列,是一种适用于分析处理非线性非平稳信号的强大的信号分析技术.地震资料中的随机噪声一般属于高频率的信号,在CEEMD中往往分布在前几个高频IMF分量,本文针对基于CEEMD的分频去噪和基于CEEMD的小波阈值去噪等方法的不足,在前人基于EMD阈值去噪的基础上设计了自相关函数统计特性与CEEMD全局阈值联合去噪方法.该方法先对CEEMD分解的若干个模态分量进行自相关,寻找到噪声主导模态和信号主导模态,然后利用设计的全局阈值对噪声主导模态进行去噪,最后将处理后和未处理的固有模态函数进行重构,得到最终的去噪结果.模型试算和实际地震资料处理都验证了此方法在提高信噪比,保留原信号高频有效成分和弱信号信息上的有效性.     

基于EMD与关联维的储层识别(英文)

在储层发育带,通常地震波波形会变复杂,所以关联维会变小。但由于地震波是有一定带宽的信号,波形受这个带宽内所有频率成分的影响,如果直接进行关联维的计算,其结果往往不能很好地反映储层。鉴于这种情况,提出了经验模态分解（EMD）与关联维相结合的方法,利用EMD对地震波进行分解,对分解后的每一个平稳的固有模函数（Intrinsic ModeFunction,IMF）分量进行关联维计算,将计算结果与有效的IMF分量进行储层预测。利用该方法对xx区三叠系中油组进行了试算,取得了较好的效果。     

基于CEEMDAN和SWT的地震信号随机噪声压制

完备集合经验模态分解(CEEMD)通过添加正负成对辅助噪声可较好的解决集合经验模态分解(EEMD)中信号被噪声污染的问题,但CEEMD方法分解后的单个本征模态函数(IMF)分量中仍存在部分随机噪声信息.通过转变辅助噪声形式和分解流程提出自适应噪声完备集合经验模态分解(CEEMDAN)方法,该方法在较少集总次数和筛选迭代次数的情况下,即可实现优良的信噪分离功能,大大缩减处理耗时,具备分解精度高、具有完备性的特征.同时,针对传统经验模态分解(EMD)类方法去噪时直接舍弃第1～2阶高频IMF分量,导致其内高波数有效能量损失的问题,通过计算相邻IMF分量互信息熵获取高频噪声和低频有效信号的最优能量分界,对分界点前的各阶IMF分量进行同步压缩小波变换(SWT)处理,分离有效高频信息,最后与低频IMF分量重构达到噪声压制的目的.合成及实际地震资料处理结果表明,本文联合多步骤地震随机噪声压制策略具有较好的去噪效果和能量保持能力,在运算耗时指标上优于传统的EMD噪声辅助类方法.     

基于经验模式分解的随机子空间识别方法

提出了基于经验模式分解（EMD）的环境激励结构模态参数随机子空间识别（SSI）方法。该方法用设置间断频率的EMD将结构环境振动响应原始信号分解成若干个基本模式分量（IMF）,使每一个基本模式分量仅为结构的某一阶固有模态,进而用随机子空间方法进行模态参数识别。实桥环境振动实验分析结果表明,该方法能有效地避免结构各阶模态之间的相互影响,能够更清晰方便地得到结构的模态参数。     

基于折线包络的经验模态分解方法

1998年,Huang提出了处理非平稳信号的HHT方法(Hilbert-Huang Transform,简称HILT).该方法包括两个步骤:①任意信号首先经过经验模态分解方法(Empirical Mode Decomposition,简称EMD)被分解为一系列固有模态函数(IntrinsicModeFunction,简称IMF).     

基于希尔伯特-黄变换的汶川地震记录分析

利用HHT方法对6个台站的汶川8.0级地震加速度记录进行EMD分解,进而对地震波输入结构的总能量进行分解,得到地震动能量在IMF分量之间的分布关系。同时通过对各分量边际能量谱的分析,可以从另一方面得到地震波的频谱特性,边际能量谱峰值频率与地震波傅立叶谱的卓越频率相同,边际能量谱也可以作为一种估算震动卓越周期的方法。     

CEEMD与小波变换联合去噪方法研究

作为经验模态分解(EMD)的改进型算法,完备总体经验模态分解(CEEMD)不但有效解决了EMD的模态混叠问题,同时也保留了EMD处理非平稳信号的优势,如自适应性、二进滤波特性等.CEEMD能自适应地将一个复杂信号分解为一系列本征模态函数(IMF)分量,且IMF分量满足从高频到低频系列分布,随机噪声往往分布在第一个或前几个高频IMF分量.考虑到地震信号的非平稳性和去噪方法对非平稳信号的适应性,针对CEEMD直接舍弃高频IMF分量去噪容易造成高频有效信息损失以及小波阈值去噪方法存在的不足,本文提出了一种基于CEEMD的小波阈值去噪方法.该方法首先引入自相关曲线判别出含噪较多的高频IMF分量,然后对CEEMD直接去噪要舍弃的这些含噪高频分量进行小波阈值降噪,以保留这些分量中的高频有效信息,最后与不含噪声的其他IMF分量一起重构原信号.模型和实际地震数据试算结果表明,该方法在显著提高地震数据信噪比的同时,能有效地保留原信号中的高频有效成分和弱信号信息,是一种相对保幅的有效去噪方法.     

基于特征矩阵联合近似对角化和经验模态分解的储层识别

地震信号是非线性和非平稳的信号.本文提出了基于特征矩阵联合近似对角化和经验模态分解相结合的算法,将地震信号分解为多个相互独立的固有模态函数分量.然后利用已知井储层发育情况,选取对储层识别有效的IMF分量进行储层预测.仿真和实际地震数据应用表明了该方法的有效性.     

经验模分解及小波分析在结构损伤识别中的应用:试验研究

本文利用一个三层剪切型结构模型在各种激励下的振动台试验,研究经验模分解（empirical mode decomposition,EMD）和小波分析（wavelet analysis,WA）在结构损伤识别中的应用。研究针对结构刚度突然损失的损伤类型,并在试验中通过连接在模型两侧的弹簧的断裂来模拟。利用EMD和WA分析试验记录到的结构加速度信号来识别结构损伤发生的时刻和位置。试验结果表明,EMD和WA方法均可利用分解信号中的尖峰准确识别结构损伤发生的时刻,并利用信号尖峰在结构上的空间分布来确定损伤位置。研究表明,EMD和WA都是进行结构在线检测的良好方法。     

Multi-step prediction of strong earthquake ground motions and seismic responses of SDOF systems based on EMD-ELM method

This paper proposes a new multi-step prediction method of EMD-ELM (empirical mode decomposition-extreme learning machine) to achieve the short-term prediction of strong earthquake ground motions. Firstly, the acceleration time histories of near-fault ground motions with nonstationary property are decomposed into several components of intrinsic mode functions (IMFs) with different characteristic scales by the technique of EMD. Subsequently, the ELM method is utilized to predict the IMF components. Moreover, the predicted values of each IMF component are superimposed, and the short-term prediction of ground motions is attained with low error. The predicted results of near-fault acceleration records demonstrate that the EMD-ELM method can realize multi-step prediction of acceleration records with relatively high accuracy. Finally, the elastic and inelastic acceleration, velocity and displacement responses of single degree of freedom (SDOF) systems are also predicted with satisfactory accuracy by EMD-ELM method.     

基于EMD的IMF时域统计特征提取及其应用于震动事件源类型识别研究

文章对地震波形进行经验模态分解(EMD),对分解后的内模函数(IMF)进行时域特征提取,由所提取的特征对天然地震和人工爆炸2类事件源类型进行分类识别,结果表明,由IMF所提取的时域特征具有良好的区分识别能力.采用经验模态分解将原波形信号分解为7个内模函数和残差函数,对原波形、每个内模函数和残差函数分别提取26个时域统计...     

经验模态分解、数值仿真与形变信号滤波试验

首先介绍了经验模态分解的方法与原理, 给出了由经验模态分解产生的固有模态函数重构特定滤波器的算法, 然后通过对已知数据的仿真检验, 认为该方法在分解与重构滤波器方面具有较高的精度, 最后通过对形变数据中几类典型干扰信号的初步试验与对比分析, 可看出获得了满意的处理效果。 综合分析认为, 经验模态分解及其组合滤波器在干扰消除或某些频率成分滤波与研究中具有重要意义, 可作为形变数据预处理中一种行之有效的数据分解方法。     

Output only modal identification and structural damage detection using time frequency ＆ wavelet techniques

The primary objective of this paper is to develop output only modal identifi cation and structural damage detection.Identif ication of multi-degree of freedom(MDOF) linear time invariant(LTI) and linear time variant(LTV—due to damage) systems based on Time-frequency(TF) techniques—such as short-time Fourier transform(STFT),empirical mode decomposition(EMD),and wavelets—is proposed.STFT,EMD,and wavelet methods developed to date are reviewed in detail.In addition a Hilbert transform(HT) approach to determine ...     

Wavelet transformation of mode shape difference function for structural damage location identification

In this paper, a new approach to structural damage detection is presented using mode shape difference between the reference and damage states. In order to capture and display the signal of damage, wavelet transformation is performed upon the mode shape difference function. Results show that this presentation of signal is effective for damage detection. Furthermore, practical aspects of damage identification are investigated, including understanding and using the frequency contents of the mode shape difference function, the mother wavelet function and the resulting wavelet coefficients due to the band‐limited filtering of wavelet transformation. This proposition is experimented. Results are assertive of the proposed concept. Copyright © 2007 John Wiley & Sons, Ltd.     

Structural modal parameter identification and damage diagnosis based on Hilbert-Huang transform

Traditional modal parameter identifi cation methods have many disadvantages,especially when used for processing nonlinear and non-stationary signals.In addition,they are usually not able to accurately identify the damping ratio and damage.In this study,methods based on the Hilbert-Huang transform(HHT) are investigated for structural modal parameter identifi cation and damage diagnosis.First,mirror extension and prediction via a radial basis function(RBF) neural network are used to restrain the troublesome end-effect issue in empirical mode decomposition(EMD),which is a crucial part of HHT.Then,the approaches based on HHT combined with other techniques,such as the random decrement technique(RDT),natural excitation technique(NExT) and stochastic subspace identifi cation(SSI),are proposed to identify modal parameters of structures.Furthermore,a damage diagnosis method based on the HHT is also proposed.Time-varying instantaneous frequency and instantaneous energy are used to identify the damage evolution of the structure.The relative amplitude of the Hilbert marginal spectrum is used to identify the damage location of the structure.Finally,acceleration records at gauge points from shaking table testing of a 12-story reinforced concrete frame model are taken to validate the proposed approaches.The results show that the proposed approaches based on HHT for modal parameter identifi cation and damage diagnosis are reliable and practical.