经验模式分解(EMD)
经验模式分解(EMD)的相关文献在2004年到2022年内共计81篇,主要集中在无线电电子学、电信技术、自动化技术、计算机技术、机械、仪表工业
等领域,其中期刊论文78篇、会议论文2篇、专利文献83886篇;相关期刊63种,包括安庆师范学院学报(自然科学版)、中南大学学报(自然科学版)、华中师范大学学报(自然科学版)等;
相关会议2种,包括第11届全国设备故障诊断学术会议、2006年全国振动工程及应用学术会议等;经验模式分解(EMD)的相关文献由209位作者贡献,包括徐晓刚、徐冠雷、王孝通等。
经验模式分解(EMD)—发文量
专利文献>
论文:83886篇
占比:99.90%
总计:83966篇
经验模式分解(EMD)
-研究学者
- 徐晓刚
- 徐冠雷
- 王孝通
- 平子良
- 杨志华
- 梁灵飞
- 王醇涛
- 秦绪佳
- 赵犁丰
- 陆金铭
- 马捷
- 高强
- 何正嘉
- 冷永刚
- 孟庆丰
- 张攀
- 张群
- 徐跃
- 朱涛
- 杜小山
- 王太勇
- 范虹
- 赵永韬
- 赵艳菊
- 雷亚国
- 严鹏
- 仲京臣
- 任伟新
- 任成祖
- 何洪英
- 余炜
- 全海燕
- 冯伟杰
- 刘世双
- 刘利秋
- 刘剑生
- 刘学坤
- 刘志刚
- 刘洪伯
- 历玉英
- 史坤鹏
- 史恒
- 吕林夏
- 吕艳新
- 吕陆
- 吴涵
- 吴立军
- 周劲松
- 周晨赓
- 堵伟鹏
-
-
赵勇;
苏丹
-
-
摘要:
为提高长短时记忆神经网络对畸形波预报精度,研究了长短时记忆神经网络与卷积神经网络(Convolution Neural Networks, CNN)、经验模式分解(Empirical Mode Decomposition, EMD)、差分自回归移动(Auto-Aggressive Integrated Moving Average, ARIMA)模型以及卡尔曼滤波(Kalman Filtering, KF)方法4种组合模型预报方法.基于两个单峰型畸形波和一个三姐妹组合型畸形波实验数据,经过数据归一化、模型参数设置及误差评估建立了组合预报模型和预报.结果表明:4种组合模型预报精度在所研究的3个畸形波序列预报中精度都得到了显著提高,其中与CNN组合模型的预报精度最高.组合模型方法为提高畸形波预报精度提供了可行方案.
-
-
-
-
刘剑生;
王细洋
-
-
摘要:
针对基于传统BP神经网络的齿轮故障诊断方法存在收敛速度慢,误差较大等问题,提出经验模式分解(EMD)与BP神经网络相结合的齿轮故障诊断方法.首先简述经验模式分解和BP神经网络的基本原理,然后采用EMD方法提取齿轮时域信号中的各个IMF分量,计算IMF分量中故障信号能量特征参数,将这些能量特征参数作为BP神经网络输入参数进行故障诊断.在齿传动故障实验台上采集足够的样本数据进行实验研究.结果表明:与传统的BP神经网络相比,可将训练误差从0.01降低至0.001左右.此外,训练迭代次数可减小至10次以内.
-
-
-
严鹏
-
-
摘要:
为了进一步降低桥梁健康监测采样信号的噪声水平,根据其信号特征,在传统EMD小波阈值降噪算法的基础上,提出一种改进的降噪算法,称为EMD小波相关降噪算法.该算法综合了EMD、小波变换和相关检测3种方法的优点,首先对各阶IMF小波降噪前后的分量分别进行整体和局部相关检测,并以前3阶整体相关系数的均值作为降噪阈值,最后进行局部相关阈值降噪,得到降噪后的信号.将该算法与EMD小波阈值降噪和小波默认阈值降噪算法进行数值仿真和有限元仿真试验对比.结果表明,提出的EMD小波相关降噪算法具有更好的降噪效果,能够用于桥梁健康监测采样信号降噪处理.
-
-
-
堵伟鹏;
王怡;
申影
-
-
摘要:
台站形变仪器观测到的地震动信号(下称形变数据)一般情况下是一条各种因素影响下的非线性非平稳的复杂曲线.选取海拉尔台形变数据,通过经验分析识别出有分析价值的形变数据,运用MATLAB对其进行经验模式分解(EMD),EMD分解得到的各分量从高频逐一向低频呈现,依次进行平稳化处理后,成功分解出不同频率的固有模态函数(IM F),与残余函数R,每一个IM F分量都代表形变数据的固有特征,残余函数R代表形变数据的趋势项,形变数据得以被重构提取,通过提取特定分量,更加直观、高效提取形变数据中所需信息,提高形变数据分析效率.
-
-
程卫东;
赵德尊
-
-
摘要:
针对经验模式分解(EMD)互相关系数-峭度准则降噪方法与小波阈值降噪方法的不足,提出EMD与小波软阈值降噪相结合的降噪方法.该方法主要包括以下4部分:1)对原始信号进行EMD分解得到固有模态函数(IMF)的集合;2)计算各个IMF与原始信号的互相关系数以及各IMF的峭度值;3)利用互相关系数-峭度准则选择需要降噪的IMF以及需要剔除的IMF;4)对选定的IMF进行阈值降噪后与剩余的IMF相加重构信号.利用仿真和实测的故障轴承信号对所提出算法以及EMD互相关系数-峭度准则降噪方法进行对比验证.结果表明:采用EMD软阈值降噪方法比采用EMD互相关系数-峭度准则降噪方法对信号进行预处理,更能确保轴承振动信号的完整性,突出信号的故障特征,降低瞬时转频估计的误差.
-
-
李精明;
魏海军;
梅立强;
许德志
-
-
摘要:
为提取和表征摩擦振动的特征信号,在摩擦磨损试验机上进行以船用柴油机缸套和活塞环为材质的摩擦副摩擦磨损试验.应用经验模式分解(Empirical Mode Decomposition,EMD)对非线性、非平稳的摩擦振动信号进行分解,获得若干个本征模式函数(Intrinsic Mode Function,IMF).从中选择反映摩擦振动特征的IMF重新合成摩擦振动特征信号,应用重标极差分析法对摩擦振动特征信号进行分析,得到线性回归谱和Hurst指数.结果表明,EMD能够实现摩擦振动特征信号的提取,重标极差分析法可以分析摩擦振动信号的渐变过程,提取摩擦振动信号的特征.该方法可为基于摩擦振动信号的机械摩擦副摩擦磨损行为的研究提供新的途径.
-
-
-
-
-
高强;
杜小山;
祁克玉;
雷亚国;
何正嘉
- 《2006年全国振动工程及应用学术会议》
| 2006年
-
摘要:
趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.
-
-
高强;
杜小山;
祁克玉;
雷亚国;
何正嘉
- 《2006年全国振动工程及应用学术会议》
| 2006年
-
摘要:
趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.
-
-
高强;
杜小山;
祁克玉;
雷亚国;
何正嘉
- 《2006年全国振动工程及应用学术会议》
| 2006年
-
摘要:
趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.
-
-
高强;
杜小山;
祁克玉;
雷亚国;
何正嘉
- 《2006年全国振动工程及应用学术会议》
| 2006年
-
摘要:
趋势分析是设备故障诊断中常用的方法,对研究较长时间范围内设备运行状态的变化具有重要意义.本文研究了一种基于经验模式分解(Empirical Mode Decomposition,EMD)的设备运行状态趋势分析方法,研究表明,与传统趋势分析方法(如最小二乘法)相比,经验模式分解能够更精确地提取信号趋势信息.应用于某炼油厂烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势变化,消除采样中随机因素对趋势分析的影响,为准确评估机械设备运行状态、诊断故障提供可靠依据,具有现场实用价值.
-
-
- 河南科技大学
- 公开公告日期:2022.02.11
-
摘要:
一种基于自适应多向经验模式分解的图像纹理分解方法:采用自适应多向经验模式分解对源图像I进行多尺度多向分解,获得源图像的内蕴模式函数分量imfj和剩余分量rj,其中j=1,2,…,n,n为分解得到的内蕴模式函数分量imf的级数。本发明有益效果:采用本发明分解方法分解过程继承了传统经验模式分解的优点,解决了传统经验模式分解算法出现频率混叠问题,对于后续图像处理具有重要意义和实用价值;利用本发明分解方法分解的结果细节清晰,无畸变,最优地分析出图像中的内蕴分量。
-
-
-
-
-
-
-
-
-