|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于多项式拟合算法的EMD端点问题的处理显示文摘经验模态分解(EMD)是由Huang等发展的一种新的数据分析方法,但是在利用样条插值获得上下包络过程中存在着棘手的端点问题。文章在解决该问题已有算法的基础上,提出了多项式拟合算法。它利用多项式来拟合临近端点处的极值点序列,再由此多项式求出极值点序列在端点处的近似取值,使得对极值点进行插值的三次样条在端点处不会发生大的摆动。通过对三种算法进行比较,证明了多项式拟合算法可以有效地抑制端点效应。 | 刘慧婷 张旻 程家兴 | 2004 | 计算机工程与应用2004，40，16： | 119 |
| 2 | 基于EMD的能量算子解调方法及其在机械故障诊断中的应用显示文摘为了提取多分量的AM-FM信号的频率和幅值信息,提出了基于EMD(Empirical mode decomposition)的能量算子解调法,并将它应用于机械故障诊断中。该方法首先采用EMD将多分量的AM-FM信号分解成若干个IMF(Intrinsic mode function)分量之和,然后对每一个IMF分量进行能量算子解调,从而提取多分量的AM-FM信号的幅值和频率信息。对机械故障振动信号的分析结果表明,基于EMD的能量算子解调法能有效地提取机械故障振动信号的特征。 | 程军圣 于德介 杨宇 | 2004 | 机械工程学报2004，40，8： | 85 |
| 3 | 基于EMD与神经网络的滚动轴承故障诊断方法显示文摘针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition ,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳 的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析, 由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神 经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以 EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有 更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。 | 杨宇 于德介 程军圣 | 2005 | 振动与冲击2005，24，1： | 136 |
| 4 | Boundary-processing-technique in EMD method and Hilbert transform显示文摘By virtue of neural network, a series of signals is extended forward and backward, as a result, two additional maxima and two additional minima are obtained at both ends of the original data set, with which the EMD decomposition can be exactly achieved with cubic spline interpolation. Meanwhile, by using of neural network every IMF component can also be extended forward and backward, which effectively restrains the end effect, thus the veracious Hilbert spectra are achieved. Verifications of the sample signals and the actual surface elevation of sea waves show that the present extension method is relatively accurate. | DENG Yongjun, WANG Wei, QIAN Chengchun, WANG Zhong & DAI DejunNetwork Center, Ocean University of Qingdao. Qingdao 266003, China Physical Oceanography Laboratory, Ocean Universily of Qingdao, Qingdao 266003, China | 2001 | Chinese Science Bulletin2001，46，11： | 91 |
| 5 | 改进的EEMD算法及其应用研究显示文摘总体平均经验模态分解(Ensemble EMD,EEMD)虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD(Complementary EEMD,CEEMD)成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法(Modified EEMD,MEEMD),MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。 | 郑近德 程军圣 杨宇 | 2013 | 振动与冲击2013，32，21： | 201 |
| 6 | 希尔伯特-黄变换的端点延拓显示文摘希尔伯特-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. | 黄大吉 赵进平 苏纪兰 | 2003 | 海洋学报2003，25，1： | 122 |
| 7 | 旋转机械振动信号基于EMD的希尔伯特变换和小波变换时频分析比较显示文摘基于经验模态分解(Empirical Mode Decomposition, EMD)的希尔伯特变换(Hilbert Transformation,HT),是先把一列时间序列数据通过经验模态分解,然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于小波变换(Wavelet Transformation,WT)的时频分析在时域、时频域和频域进行了比较研究,研究结果说明,旋转机械振动信号基于EMD的HT时频分析方法比基于WT的有效。 | 杨世锡 胡劲松 吴昭同 严拱标 | 2003 | 中国电机工程学报2003，23，6： | 182 |
| 8 | Hilbert-Huang变换方法在谐波和电压闪变检测中的应用显示文摘将一种新的非平稳信号处理方法,即HHT(Hilbert-HuangTransform)方法用于检测与时频分析典型的电能质量扰动信号,如谐波、电压闪变与波动信号。该方法由经验模态分解法(EMD)及Hilbert变换两部分组成,先用EMD提取信号的固有模态函数(IMF)分量,再对IMF作Hilbert变换求瞬时频率和幅值。该方法可以从时域和频域两方面同时对信号进行分析,能够准确检测出突变、非平稳谐波和电压闪变信号的时间、频率和幅值信息。仿真分析结果表明了该方法检测非平稳电能质量扰动信号的有效性。 | 李天云 赵妍 韩永强 赵健波 | 2005 | 电网技术2005，29，2： | 76 |
| 9 | HHT方法在电力系统故障信号分析中的应用显示文摘论文应用HHT方法来进行电力系统故障信号的分析。该方法利用经验模态分解法(EMD)将复杂的故障暂态信号分解成有限个固有模态信号(IMF),从而使Hilbert变换(HT)的瞬时频率具有实际物理意义。通过瞬时频率和进一步得到的Hilbert边际谱,对故障暂态信号进行了分析。仿真结果表明:该方法可以从时频两方面同时对故障信号进行分析;能够实现对故障时刻的准确检测;能够提取、区分电力系统谐波分量;Hilbert边际谱的分辨率优于傅里叶谱。 | 李天云 赵妍 季小慧 李楠 | 2005 | 电工技术学报2005，20，6： | 76 |
| 10 | 一种基于SVM和EMD的齿轮故障诊断方法显示文摘支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。 | 于德介 杨宇 程军圣 | 2005 | 机械工程学报2005，41，1： | 55 |
| 11 | 一种EMD改进方法及其在旋转机械故障诊断中的应用显示文摘针对经验模态分解(Empirical Mode Decomposition,EMD)中存在的端点效应问题,提出一种波形特征匹配延拓与余弦窗函数相结合的改进方法。首先对信号进行波形特征匹配延拓,实现延拓数据与原信号交界处的光滑过渡,避免边界处瞬时频率的跳跃;其次针对该延拓方法存在延拓误差的问题,对信号加余弦窗处理,将延拓误差控制在信号两端,使其无法(或以较慢速度)向数据内部发展,保证信号有效数据的正确分解,提高信号的分解精度,实现EMD算法的改进。通过仿真分析和不对中故障诊断实例研究表明,该方法能较好地抑制EMD端点效应,实现旋转机械故障的有效诊断。 | 时培明 丁雪娟 李庚 韩东颖 | 2013 | 振动与冲击2013，32，4： | 60 |
| 12 | Hilbert-Huang变换发展历程及其应用显示文摘Hilbert-huang(希尔伯特黄)变换是20世纪90年代末兴起的一种重要的非平稳信号处理方法,其中的经验模态分解(EMD)算法更是近年来的研究的热点之一。回顾了EMD算法近十余年来的发展历程,介绍了EMD算法的改进算法及其在工程领域中的运用,包括目前最新的演化算法BEMD、EEMD、CEEMD、MEMD、DEMD等,并结合作者的相关研究介绍了该算法在去噪及盲分离中的一些运用。讨论了EMD算法存在的不足和需要进一步研究的工作。 | 苗晟 王威廉 姚绍文 | 2014 | 电子测量与仪器学报2014，28，8： | 53 |
| 13 | 基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用显示文摘针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。 | 杨宇 于德介 程军圣 | 2005 | 振动与冲击2005，24，2： | 47 |
| 14 | 基于颜色直方图的图像检索技术显示文摘讨论了基于颜色直方图的图像检索中颜色空间和直方图距离的选择问题,提出了利用颜色直方图来检索图像的一般框架,建立了基于两种颜色空间(RGB和HSV)和四种直方图距离共八种图像检索算法,并且采用了两种客观评价标准对所建立算法的有效性进行评价。结果证明,在基于颜色直方图的应用中,HSV空间比RGB空间更有效,EMD距离在所有四种距离量度中性能较好,但计算量稍大,与EMD距离相比,虽交集距离性能稍有不足,但所需计算量较小。 | 窦建军 文俊 刘重庆 | 2005 | 红外与激光工程2005，34，1： | 39 |
| 15 | HHT方法及其在地震信号处理中的应用显示文摘介绍了HHT方法和它的基本特点,并且在应用时与Fourier变换和小波分析法作了比较,说明其具有优于其他方法的明确物理意义、高度精确性和自适应性。并且通过对地震资料的处理,以实验结果说明,HHT适合应用于地震信号处理,值得进一步研究与推广。 | 段生全 贺振华 黄德济 | 2005 | 成都理工大学学报(自然科学版)2005，32，4： | 40 |
| 16 | 基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法显示文摘提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和散度指标的滚动轴承故障诊断方法。该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数(Intrinsic Mode Function,IMF)进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback-Leibler divergence)来判断故障类型和描述故障程度。通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性。 | 郭艳平 颜文俊 包哲静 杨强 | 2012 | 电力系统保护与控制2012，40，17： | 38 |
| 17 | 基于EMD和支持向量机的滚动轴承故障诊断研究显示文摘为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。 | 付大鹏 翟勇 于青民 | 2017 | 机床与液压2017，45，11： | 36 |
| 18 | 方向EMD分解与其在纹理分割中的应用显示文摘提出了方向 EMD(Directional Empirical Mode Decomposition, 简写为DEMD)的定义和框架并用来进行纹理分割. EMD 是由 Huang 等人提出的新的时频分析工具. 这种工具使用筛法对信号分解, 再对成分的瞬时频率进行分析. 虽然已有文章讨论将一维 EMD 推广到二维情况, 但有两个方面还没有考虑: 一方面是从二维EMD中提取特征, 另一方面是考虑图像固有的方向性在二维EMD分解中的作用. 文中考虑到这两方面, 提出了 DEMD 的方法. 这种方法在分解框架中考虑了图像的方向性, 并从分解的每个成分中对每个点提出三个特征以进行图像处理. 使用 DEMD 分解提取的特征进行纹理分割的实验说明了这种方法对于纹理处理的有效性. 此外, 给出了关于 DEMD 区分纹理在视觉上的解释. | 刘忠轩 彭思龙 | 2005 | 中国科学(E辑)2005，35，2： | 34 |
| 19 | 基于EMD的Prony算法在低频振荡模态参数辨识中的应用显示文摘Prony算法对分析数据的噪声非常敏感,对输入信号要求较高,鉴于此,提出将EMD和Prony算法有机结合的电力系统低频振荡模式的辨识方法。该方法以广域测量信号作为输入,首先利用EMD对非平稳、非线性信号的能力进行分解,通过能量权重比找出含有主导振荡模式的IMF;最后利用Prony算法对其进行分析后获得电力系统低频振荡模态参数,扩展了Prony法应用范围。通过对PSASP仿真轨迹的算例分析,验证了此方法提取非轴对称振荡信号主导模式的有效性,并通过与特征根分析进行比较,表明了此法能相对精确地进行振荡模式辨识,同时又有很好的复合模式分离能力和良好的抗噪能力。 | 赵礼杰 | 2009 | 电力系统保护与控制2009，37，23： | 34 |
| 20 | 采用EMD的管道泄漏声信号增强显示文摘在管道泄漏检测中,采集信号中的噪声会影响泄漏检测的准确性和泄漏定位误差。已有的管道泄漏去噪方法依赖经验参数的设置,去噪效果受管道条件和环境影响大。本文提出使用不依赖经验参数的EMD用于管道泄漏声信号增强。现有的EMD去噪方法需要知道有用信号或者噪声的特征,不适用于特征随管道工程条件及环境变化较大的泄漏信号的去噪增强。提出改进的EMD信号增强方法,该方法不需要知道泄漏信号和噪声特征就可以提取与泄漏信号相关的IMF。在改进的EMD信号增强方法的效果分析中,信噪比提高可达16 d B。在大量实际工程管道泄漏信号处理中,使用改进的EMD信号增强方法之后得到的时延峰值更明显,漏点定位精度更高。 | 郭晨城 文玉梅 李平 文静 | 2015 | 仪器仪表学报2015，36，6： | 32 |
您所在的机构暂未开通此部分的功能，请联系管理员