排列熵

摘要： 针对目前电力系统低频振荡模态辨识的精确性和抗干扰性问题,提出了一种基于改进集合经验模态分解方法与矩阵束的电网低频振荡模态特征辨识新方法。首先利用改进集合经验模态分解方法将采集到的量测信号分解,从而获得若干个IMF分量序列及其残余量,再将剩余项去除后把其余本征模态函数进行重构,最后把重构信号通过矩阵束的分析来获知各个振荡模式信息。数值信号和EPRI-36节点系统的仿真验证了所提方法的有效性。

摘要： 针对传统线性模型拟合连续运行参考站(CORS)高程时间序列使测站运动趋势单一化的问题,提出一种基于CORS高程时间序列本身的非线性趋势项定量识别与估计方法。该方法首先用K均值聚类整体经验模态分解方法,对CORS高程时间序列进行分解;其次,基于排列熵理论对非线性趋势项定量识别,统计决策适合的趋势项模型,并估计模型参数。实验结果表明:基于排列熵的非线性趋势项定量识别方法避免了人为判别误差,准确地反映了序列自身的变化趋势;通过比较傅里叶、正弦函数、线性多项式三种模型的拟合效果,发现傅里叶模型拟合效果最佳。

摘要： 针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法。变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取。为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化。利用参数优化的VMD将轴承原始振动信号分解为若干本征模态分量,计算与原始信号相关性较高的部分模态分量的排列熵构成故障特征,利用t-SNE方法进行降维得到低维特征向量并将其作为支持向量机分类器的输入,实现故障类型的诊断。将该方法应用到轴承故障诊断中并与EMD+排列熵+t-SNE、EEMD+排列熵+t-SNE、LMD+排列熵+t-SNE、传统VMD+排列熵+t-SNE四种特征提取方法进行对比。实验结果表明:该方法能更准确地提取轴承的故障特征,有效实现轴承的故障诊断。

摘要： 文中提出了一种基于排列熵和支持向量机的轨枕病害诊断方法。该方法通过建立车辆-轨道耦合振动模型获取轨枕的振动加速度,利用排列熵算法提取轨枕不同病害下的振动响应特征指标,并以归一化后的排列熵特征指标集为输入。该方法基于遗传算法优化的支持向量机对轨枕服役状态进行诊断和分类,实现了对轨枕不同病害的诊断。数据仿真结果表明,该方法对轨枕病害识别准确率均能达到90%以上,对于部分轨道不平顺谱激励和列车速度下的服役状态,识别准确率能达到97.5%。该结果表明,文中所提方法能够有效地对轨枕病害进行诊断,为轨道结构服役状态的在线监测与智能预警提供了方法依据。

摘要： 针对EEMD阈值降噪处理方法时效性差且噪声难以准确估计问题,提出了基于CEEMD-排列熵的循环策略信号提取方法。原始信号经CEEMD处理,对信号叠加相反白噪声抑制白噪声引起重构误差的同时简化了计算方法,对分解得到的本征模态分量通过计算排列熵确定噪声分量和信号分量,考虑到信号中噪声先验知识未知,在奇异值分解的基础上,建立信号提取的循环策略,该方法不需要信号任何先验知识,在去噪同时,还可以减少有用细节失真。通过仿真信号和混沌信号降噪处理,结果表明所提方法不仅有效剔除了噪声干扰,而且减少了有用细节流失。

摘要： 航空发动机的健康状态,直接影响着飞行安全,因此有必要对航空发动机参数序列进行分析。由于飞行数据获取的复杂性,发动机气路参数样本呈现出短时间序列特征,难以构建准确的复杂程度分析模型。基于此,在排列熵(Per⁃mutation Entropy,PE)的基础上引入插值理论,对短时间序列进行延拓,并对重构后的序列进行复杂程度分析。以航空发动机排气温度参数及随机序列作为实验数据,结果分析表明,该方法可有效解决短时间序列复杂程度模型无法准确构建的问题,实现排气温度变化量参数序列的复杂程度分析。

摘要： 根据S700K转辙机动作功率曲线非线性、非平稳、能充分反映转辙机不同状态信息的特点,提出基于功率曲线时域特征和变分模态分解、排列熵和模糊聚类分析的S700K转辙机全周期状态诊断算法。获取典型功率曲线,计算其有效值、峰值因子和峭度因子作为时域特征值,用于描述功率曲线能量特征、冲击特性及概率密度;为弥补曲线类型中时域特征值差异不明显的特征表征,采用变分模态分解将功率曲线分解成具有不同频率特性的模态函数,计算不同模态函数的排列熵得到4个频域特征值;将时、频域共计7个特征值作为运行状态特征集,使用模糊聚类算法对特征集进行运行状态诊断,得到S700K转辙机的运行状态(正常、亚健康、故障和严重故障)。实例应用结果表明:对选取的60组曲线,本文算法诊断正确率为98.33%;故障库为30条曲线时,程序运行时间不超过1.3 s;采用该算法,无须对模型进行训练,便能准确有效地诊断S700K转辙机运行状态,适合S700K转辙机样本少的特点。

摘要： 短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解(CEEMDAN)的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。

摘要： 针对微机电系统(MEMS)加速度计输出信号存在误差,导致高压输电杆塔倾斜监测系统的输出倾角数据精确度不高的问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)联合奇异值分解(SVD)对杆塔的加速度计输出信号降噪方法。利用CEEMDAN对原始加速度计输出信号进行分解,得到一系列模态分量,分别计算其排列熵(PE),筛选出特征分量和含噪特征分量,然后再将需进一步降噪的特征分量通过SVD进行二次滤波,最后将降噪后的特征分量与未处理的特征分量进行叠加即得到降噪后的加速度计输出信号。仿真实验结果表明,所提出的方法可以有效地抑制噪声干扰,通过与扩展卡尔曼滤波和CEEMDAN-PE对比说明该方法滤波效果更好,有效提高了加速度信号分析精度和杆塔倾斜角测量精度。

摘要： 为解决S700K型电动转辙机正常、亚健康、故障和严重故障等全周期运行状态难以评估的问题,考虑其动作功率曲线和状态信息的一致性,结合局部均值分解(LMD)和排列熵(PE)理论,提出基于模糊聚类分析的S700K型电动转辙机运行状态评估算法。首先利用LMD分解将曲线分解成不同频率特性的乘积函数分量;其次结合PE算法量化不同分量复杂度,构建功率曲线的特征向量;最后用不同运行状态下的特征向量建立初始模糊矩阵,利用模糊聚类方法求得模糊相似矩阵和模糊等价矩阵。当置信因子从大到小变化时,由对应布尔矩阵得到动态聚类图,在置信因子取特定值时,测试集和样本集进行了匹配分类,从而实现了转辙机运行状态评估。实验结果表明,该算法模型具有结构简单、自适应和小样本的优势,更容易有效识别转辙机全周期运行状态。

摘要： 针对探地雷达(GPR)探测地下空洞时受到各类噪声干扰的影响,造成难以提取地下空洞目标的问题.为得到较好的去噪效果,便于探地雷达图像的后期处理,故提出一种新的基于互补集合经验模态分解(CEEMD)与排列熵(PE)相结合的去噪方法.本方法有两个核心,首先是以互补集合经验模态分解为核心,其次是以排列熵的差分进行自适应选取本征模态函数(IMF)分量为核心.总体的算法是首先将探地雷达图像信号逐道分解成不同的IMF分量,然后对各个本征模态函数分量进行排列熵值计算,进而计算排列熵的二阶差分,以此来获取分割阈值,从而选取出目标本征模态函数分量,从而对目标本征模态函数分量进行重构,最终可得到去噪后的探地雷达图像.为量化探地雷达图像的去噪效果,将选取均方根误差(RMSD)和信噪比(SNR)作为去噪效果评价指标.通过有限时域差分法(FDTD)正演模拟仿真结果表明,在本方法与传统的互补集合经验模态分解结合排列熵方法的比较下,本方法的均方根误差最小,信噪比最高,说明本方法的失真最小以及去噪效果最好.本方法不仅可以得到较优的去噪结果而且保留住探地雷达图像中的空洞目标信号的细节特征,还具备较强的自适应性,因此可以为探地雷达图像去噪方法研究提供可靠有效的依据.

摘要： 由于滚动轴承早期故障信号非常微弱特征不明显,再加之较易受到环境噪声影响,使得故障特征的早期识别变得困难.本文提出一种将自相关降噪方法与变分模态分解(Variational Mode Decomposition,VMD)排列熵相结合的滚动轴承故障诊断方法.首先对采集到的滚动轴承信号进行自相关分析,排除噪声信号的干扰;其次利用VMD方法对降噪后的信号进行分解,得到一系列的BIMF分量;然后计算得到的各BIMF分量的排列熵,将排列熵数据构造高维特征向量并作为支持向量机的输入,最后输出轴承的故障类型.实验结果表明,该方法可以有效的排除噪声干扰并且抑制模态混叠现象发生,而且故障识别精度好于直接用EMD分解求排列熵方法的对比组,继而验证了该方法的有效性.

摘要： 针对轴承振动信号的非线性、非平稳特征和难以获取大量故障样本的实际情况,提出了本征时间尺度分解(intrinsic time-scale decomposition,ITD)和排列熵的轴承故障诊断方法.采用ITD方法对滚动轴承振动信号进行分解,对得到的前4个有意义的合理旋转(Proper Rotation,简称PR)分量计算其排列熵,并将熵值作为特征向量输入支持向量机分类器,从而实现滚动轴承故障类别的诊断,实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.

摘要： 针对石油化工工业往复压缩机振动信号的非平稳、非线性和特征耦合特性,提出了基于LMD与排列熵的往复压缩机轴承间隙故障特征提取方法.利用具有优良保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度.利用该LMD方法将各状态振动信号分解为一系列PF分量,依据相关性系数选择其中代表故障状态主要信息的PF分量,计算其排列熵形成有效的特征向量.以平均样本距离为可分性标准,同LMD与近似熵方法所提取特征向量进行对比,结果表明本文方法具有更好的可分性.

摘要： 排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,因此在旋转机械状态监测中获得成功的应用.本文将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法.仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征.

摘要： 本文介绍了Lopez-Ruiz复杂性和排列熵的计算原理,在此基础上,将排列熵引入Lopez-Ruiz复杂性模型,建立了一种基于水文时间序列相空间重构与邻域值比较的水文系统复杂性度量模型。该模型从宏观概率层次上进行水文要素的熵、非平衡度和复杂性的描述。模型应用于渭河林家村水文站、泾河张家山站和洛河状头站年平均流量序列的复杂度计算。结果表明,进入20世纪70年代,渭河流域人类活动明显增强,使径流过程的复杂性增加。

摘要： 本发明公开一种基于符号化排列传递熵的癫痫脑电双向耦合分析方法。具体步骤为首先采用多尺度符号化排列传递熵的方法提取多通道癫痫脑电信号的耦合特征，并选择合适的尺度和频段构建脑电同步矩阵；其次基于显著性分析的方法筛选癫痫发作时的重要通道，进行通道间双向耦合分析；为了进一步研究整个大脑皮层区域整体的同步关系，本发明将多通道脑电信号划分为4个脑区，在δ，θ，α，β频段下使用S估计器进行多通道脑电信号同步性分析。本发明提高了癫痫脑电信号双向耦合以及同步性的特征，并做出更加科学合理的分析方法。

摘要： 本发明公开了基于排列熵算法的视频微小运动检测方法，排列熵算法具有计算简单、实时性高、能较好地反映时间序列微小变化等特点。本发明提出：首先，运用图像滤波对视频的每一帧平滑处理，减小环境、设备噪声对视频中运动信息的干扰；其次，在构成视频的每帧图片中根据时间顺序，将同一像素位置的每个像素值视为一维时间离散序列，运用排列熵算法计算所有时间序列的排列熵值。排列熵值越大，时间序列的复杂程度就越高，表明该像素位置在整个视频中存在运动。通过对整幅图像中每个像素点排列熵值的大小进行比较，熵值较大区域表明存在运动，实现对视频中微小运动检测。

摘要： 本发明公开了一种基于排列熵准测的CEEMD去噪重构信号方法及装置，该方法包括：步骤S1：对原始信号进行预处理，用以提高回波数据的信噪比；步骤S2：CEEMD重构；利用改进型CEEMD分解得到IMF分量，通过排列熵与最大类间方差法来确定IMF分界点，将IMF分界点及IMF分界点之后的IMF分量记作有用分量；步骤S3:重构信号；利用CEEMD重构之后的有用分量进行信号重构。该装置用来实施上述方法。本发明具有原理简单、效果更好、适用范围更广、能够提高信号去噪重构效果等优点。

摘要： 本发明公开了一种基于多尺度排列熵算法的电力设备状态识别方法，包括，分析电力设备的运行状态参数，根据运行状态参数生成电力设备的交叉组合分布式特征量；根据电力设备的交叉组合分布式特征量，辨识电力设备状态参量；对电力设备状态参量进行特征提取，并基于多尺度排列熵算法对提取的特征进行分析，识别电力设备状态，并计算电力设备状态监测的可靠性参数分布。本发明通过优化多尺度排列熵算法，实现对复杂电力系统的多重尺度运行状态信息进行分析与识别，有效提升电力设备状态识别精度和识别效率。

摘要： 本发明提供一种基于包络排列熵的滚动轴承故障诊断方法，其采集滚动轴承不同状态下的振动信号；借鉴包络极值思想，对采集到的振动信号进行上、下包络曲线及均值包络曲线求解，并计算各包络曲线的排列熵；将上、下包络曲线及均值曲线的排列熵作为滚动轴承振动信号特征向量；将采集到的不同状态滚动轴承信号分为训练集和测试集，使用支持向量机作为模式识别工具；根据预测结果完成对滚动轴承不同状态信号的识别。本发明针对常规排列熵算法和其他多尺度分析算法的局限，引入包络曲线思想进行滚动轴承故障特征提取并计算包络排列熵，所述方案能够从不同类型的振动信号中提取更加完备的特征信息，在滚动轴承故障识别中有更好的分类性能。

摘要： 本发明涉及一种改进经验模态分解排列熵的心磁信号去噪方法，包括如下步骤：(1)将基于超导量子干涉仪测量获得的心磁信号进行改进的CEEMDAN，得到系列从高频到低频的固有模态分量IMF；(2)计算各IMF排列熵，用排列熵定量检测保留含心磁信号特征的有效IMF分量；(3)根据排列熵，确定噪声的IMF分量与包含心磁信号特征的有效IMF分量；(4)对噪声IMF分量利用加窗函数作处理，去除噪声量，保留有效量。本发明能高效的分离心磁信号的有效成分和噪声成分，且能有效克服模态混叠现象。通过排列熵检测和加窗降噪处理有效地去除白噪声，从而降低干扰，实现人体心磁信号中的白噪声去除。

摘要： 本发明提供基于多尺度加权排列熵的运动想象脑电信号特征提取方法，所述基于多尺度加权排列熵的运动想象脑电信号特征提取方法包括S1、运动想象脑电信号预处理，通过CMWPE熵值变化确定最优时间段；S2、获取广义粗粒化序列；S3、广义复合多尺度加权排列熵的计算；S4、特征向量的构建。本发明提供的基于多尺度加权排列熵的运动想象脑电信号特征提取方法具有能够有效的提取脑电信号的特征，且能够提高脑电信号分类识别率的优点。

摘要： 本发明提出一种基于改进多尺度排列熵的振动信号识别方法和系统。其中，方法包括：采集不同工作状态下的振动信号，对采集到的不同工作状态下的振动信号进行基于滑动窗口和样本分位数的多尺度分析，得到多尺度分析后的序列；求取所述多尺度分析后的序列的排列熵，得到多尺度排列熵值，并以所述多尺度排列熵的值作为不同故障状态下振动信号的特征向量；将所述特征向量输入至基于机器学习的分类器，从而实现不同故障状态振动信号的识别，得到故障状态识别结果；根据故障状态识别结果，验证所述识别方法的合理性。本发明具有解决常规多尺度排列熵的故障诊断算法在故障特征提取上存在着能力不足的缺陷，并且计算时间短，提高了故障诊断效率。

摘要： 本发明提供了一种基于脑网络和多尺度排列熵的脑电信号情绪识别方法，对获取的脑电信号去除伪迹并进行降采样；对降采样的脑电信号利用小波包变换进行分解，根据分解结果，采用互信息与最小生成树构建脑网络，提取脑网络特征；对降采样的脑电信号采用快速变分模态分解与小波包变换进行模态和频带分解，利用遗传算法优化多尺度排列熵的参数选择，得到非线性多尺度排列熵特征；将提取出的脑网络特征与非线性多尺度排列熵特征进行特征的融合，得到融合后的特征向量；根据融合后的特征向量和随机森林分类模型，得到情绪状态识别结果；本发明结合脑网络特征与多尺度排列熵的融合，提高了脑电信号情绪识别的速度和精度。

摘要： 本发明公开了一种基于排列熵的自适应噪声完备集合经验模式分解方法，搭建机械轴承数据采集平台，利用加速度传感器采集轴承故障振动信号x(t)；在CEEMDAN对轴承故障振动信号分解过程中嵌入排列熵阈值检测，分离出间歇和噪声信号，对剩余信号直接进行经验模式分解(EMD)，不仅减少伪信号的产生、克服模态混淆现象，且提升了故障检测的效果。