EEMD

摘要： 水工金属闸门是水利工程中的关键设备,其运行状态优劣直接影响到整个水利工程,甚至引起安全事故。提出一种基于振动信号分析的水工金属闸门状态识别方法,采用集合经验模态分解(Ensemble empirical mode decomposition,EEMD)对水工金属闸门产生的振动信号进行自适应分解,获得一系列易于分析的本征模态函数(Intrinsic mode function,IMFs),采用功率谱熵对各IMFs进行特征量化,获得能够表征水工金属闸门状态的状态特征向量,进一步结合自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system,ANFIS)实现水工金属闸门状态识别。通过数据验证分析,证明所采用的基于振动信号分析的水工金属闸门状态识别方法具有较好效果。

摘要： 功率开关器件是逆变器的核心部件,但其易发生开路故障,故对其进行故障诊断方法研究很有必要;针对中点钳位型(NPC)三电平逆变器功率开关管器件的开路故障,提出一种基于总体经验模态分解(EEMD)模糊熵和粒子群算法(PSO)优化的核函数极限学习机(KELM)的故障诊断方法;首先采样功率开关器件的桥臂输出端的三相电压作为故障信号以区分各种故障类型,然后利用EEMD模糊熵提取故障特征向量,最后将其划分为训练集和测试集送入PSO-KELM中,识别故障类型并输出诊断结果;经Matlab平台仿真实验得到该方法的故障诊断率超过98%,通过与其他方法的对比实验分析,该方法的有效性与优势得到验证。

摘要： 运用A0模态Lamb波对罐内原油乳化层进行非浸入式液位检测。为滤去杂波,用信号EEMD分解得到的IMF1分量的能量值作为特征参数来衡量罐内不同液体介质对Lamb波能量泄漏的影响程度;为避免EEMD分解时频率失真,对信号进行EMD分解,用前4阶IMF分量的过零点数作为特征参数来衡量罐内液体介质对Lamb波频率分量的影响;针对EMD分解和EEMD分解的不足,对信号进行2阶VMD分解分离出A0模态Lamb波,用IMF分量的中心频率作为特征参数来表征罐内不同介质对A0模态和非A0模态频率分量的影响。用信号的特征参数和其对应的液体介质作为样本,建立BP神经网络液位识别模型,测试结果显示对水-乳化层界面和乳化层-原油界面的识别误差分别为0.2%和13.8%,达到较好的液位检测效果。

摘要： 太平洋是海表温度年际变化和年代际变化发生的主要区域,但对太平洋海洋热含量变化的研究相对较少。为此,本文分析了1980—2020年太平洋上层(0~300 m)热含量的时空变化特征。基于IAP数据,本文首先利用集合经验模态分解法(EEMD)提取不同时间尺度的海洋热含量信号,并利用正交经验分解法(EOF)对不同时间尺度的海洋热含量进行时空特征分析,得到了太平洋0~300 m海洋热含量的年际变化、年代际变化以及长期变暖的时空特征。结果表明,除了年际变化之外,热带西北太平洋上层热含量还存在明显的年代际变化和长期变暖趋势。在东太平洋和高纬度西太平洋,热含量的年代际变化特征并不突出。热带西北太平洋热含量的年代际变化在1980—1988年和1999—2013年较高,而在1989—1998年和2014—2020年期间较低。此外,针对热带西北太平洋热含量的经向、纬向和垂向特征分析,发现这种年代际变化主要发生在5°N—20°N,120°E—180°E,次表层50~200 m范围内。热带西北太平洋热含量的年代际变化对全球海表温度的年代际变化有着重要作用。

摘要： 随着模糊理论的不断发展与其在证券市场的广泛应用,越来越多的学者关注到参数模糊化对投资组合优化具有重要作用。本文利用集合经验模态分解(EEMD)和模糊线性回归相结合的预测方法,构建了基于对称三角模糊数的投资组合模型。并将提出的模型与集合经验模态分解和普通最小二乘结合的方法、单一模糊线性回归方法进行了对比分析,结果表明基于集合经验模态分解和模糊线性回归建立的投资组合模型最优,这对构建最优投资组合具有参考意义。

摘要： 针对目前基于模糊函数提取的几何学特征,在低信噪比时表征能力弱,导致识别准确率不高的问题,提出了一种基于EEMD降噪和模糊函数奇异值向量的识别方法。选取合适的EEMD参数,对时域信号进行降噪,提取模糊函数矩阵奇异值向量,求解其交叉熵作为特征,实现雷达辐射源信号识别。仿真实验表明,信噪比大于-5 dB时,所提方法对于BPSK、QPSK、MSEQ、BFSK、FMCW和LFM-BC六类典型调制信号,能达到大于90%的平均识别准确率,基本满足实际复杂电磁环境需求。

摘要： 为了克服因风速信号固有的震动性、非线性特性引起的预测精度不高的问题,本文提出了使用集合经验模态分解算法和门控循环单元两种方法相结合的组合模型对风速进行预测.该模型首先对数据进行归一化处理,使用孤立森林算法,剔除异常点,然后用EEMD (ensemble empirical mode decomposition)方法,将风速拆分成不同尺度的信号,消除数据的非平稳性,将分解得到的相对平稳的分量信号分别送入GRU (gated recurrent unit)模型进行训练,获得各自的预测结果,最终风速由所有分量各自预测的结果累加得到.实验中采用实地采集数据进行实验,结果证实, EEMD-GRU方法相较于目前主流的EEMD-LSTM、EMD-LSTM等方法,预测精度有明显提升.

摘要： 随着科学技术的进步,人们对情绪这一概念有了全新的认识,从过去认为情绪来源于“心”逐渐发展到了当下普遍认为情绪来源于“脑”。针对脑电信号所具有的诸多特性,首先通过去除心电、肌电噪声,滤波提取脑电信号中的有用波段;再利用集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对脑电信号进行特征提取,利用提取特征通过空间插值法绘制脑电地形图;接着利用LeNet-5算法开展具体情绪识别,并建立模型。最终通过不断地改进模型,显著提高了情绪识别准确率,准确率最高可达80.1%。

摘要： 以2008~2018我国A股上市公司实施的跨境并购交易为样本,运用EEMD模型从短期和长期两个时间尺度考察了宏观经济环境与跨境并购的关系.结果表明:近些年,我国宏观经济的持续高速发展是引发跨境并购长期波动的主要原因,国内经济政策不确定性上升也会对其产生促进作用;股票市场的短期波动和经济政策调整是驱动跨境并购短期波动的重要因素;无论长、短期,经济预期都对跨境并购波动起反向抑制作用.当国内股票市场指数居于高位、未来经济预期变差或经济政策不确定性上升时,我国企业越有可能进行跨境并购.

摘要： 随着雾霾问题逐渐加重,对其主成分之一PM_(2.5)的预测已成为广泛关注的问题。PM_(2.5)日浓度变化受多种因素影响,且具有非线性、时变性的特征,难以被准确预测。针对此问题,文中提出一种基于外界影响及时序因素的PM_(2.5)日浓度预测方法。该方法分离出PM_(2.5)日浓度的外界主要影响因素与时间因素,建立了基于外界主要影响因素的BP神经网络初步预测模型以及基于时间因素的EEMD-LSTM组合残差修正模型。使用杭州市2014年~2019年间的PM_(2.5)日浓度和其他相关因素数据进行仿真实验。结果表明,相比其他模型,文中所提出预测模型的均方根误差为2.74,预测准确率更高。

摘要： 本发明涉及化工故障处理领域，且提出了一种基于EEMD分解和轻量化神经网络的化工过程故障诊断方法，包括数据分解方法EEMD和故障检测模型AOS‑LSTM以及最后的模型剪枝三部分组成。化工故障诊断方法的具体步骤为：使用数据分解方法EEMD对采集到的化工故障数据进行数据分解并进行预处理，使用故障检测模型AOS‑LSTM来构建主干的分类网络。利用优化算法对LSTM进行改良，得到的AOS‑LSTM相比于原始的LSTM在分类性能上表现更佳。最后对网络模型进行压缩剪枝，使模型结构变得高效简单，有利于模型的迁移。与现有技术相比，本发明能方便快捷的诊断化工过程中产生的故障。

摘要： 一种基于EEMD‑RBF组合的分位数回归风速区间预测方法，采用结合集合经验模态分解的径向基函数神经网络的方法进行风速预测。首先基于EEMD对原始风速数据进行预处理，分解风速原始序列得到若干个频率不同的IMF分量和残量res；然后使用RBF神经网络对EEMD分解后的多个IMF分量和一个res残量进行训练和预测，得出对应的多个预测量值；再将各个IMF分量所得的预测数据进行累加重构得出风速点预测结果，实现更加精确的对风速分钟值进行实时预测；最后通过分位数回归方法对离散化风速预测点的概率分布进行表达，进一步进行风速区间预测，量化了预测的不确定性。

摘要： 本发明提供基于EEMD‑Isomap算法矿井突水水源识别方法，属于煤矿安全领域。包括以下步骤：获得矿井水的拉曼光谱信息；对拉曼光谱信号进行降噪处理；将拉曼光谱信号划分为训练集和预测集；利用对训练集和预测集降维处理；将训练集作为核K最近邻算法的输入，建立突水水源识别模型；将预测集输入到突水水源识别模型，得到预测结果；对比预测结果和模型中的实际结果获得识别准确率；将识别准确率和辨识时间作为突水水源种类的评价指标识别矿井突水类型。本发明提出的方法可以智能化识别突水水源类型，对于提前有效地进行水的预防和控制，从而预防和减少水害的发生，有着极大的参考价值。

摘要： 本发明提出一种结合EEMD‑LSTM及孤立森林算法的电力电缆接头温度异常预警方法，针对中低压配电网的温度热点电力电缆接头，进行温度异常预警；根据接头历史温度监测数据，建立EEMD‑LSTM的温度预测模型；使用EEMD将原始温度数据序列分解为多个量级更小的子序列，提取接头温度变化趋势信息；通过LSTM对各子序列进行预测，并将子序列的预测结果进行重构，输出接头温度未来时刻温度预测值；采用孤立森林算法对由EEMD‑LSTM预测得到的温度指标进行温度异常检测；建立多个子检测分类器，以接头表面温度、线芯温度、相对温差两两组合，得到三组分类器；最后实现接头温度预警。本发明所提方法能够及时预判接头潜在异常温度，对温度过高、温升过快的电缆接头进行温度预警。

摘要： 本发明公开了一种基于EEMD和离群点检测的月度售电量组合预测方法，该方法首先通过改进的EMD方法对原始信号进行处理，然后采用基于多组影响因素的多个单一方法得到多组预测结果，最后基于离群点检测技术，剔除异常点后将其余预测值取平均，作为最终的预测结果。改进的EMD方法通过在原始信号中加入均匀分布频率的白噪声以及计算独特信号残差克服了传统EMD不足而获得IMF，改变了原始信号的极值分布点，从而减少模态混叠的情况，使重建后的信号几乎与原始信号相同。该方法方法不仅克服了现有的EMD模式混合现象，而且通过增加分解次数减少了重构误差。

摘要： 本发明提供一种基于EEMD‑Prophet的电路故障预测方法，所述方法包括：利用集成经验模态分解(EEMD)对提取到的电路退化数据进行处理，计算该多个基态分量的能量作为特征提取向量，并将退化过程中的特征提取向量与原始状态下的特征提取向量的马氏距离作为电路的健康评估参数；将健康评估参数划分为训练集和测试集，利用Prophet模型获得电路参数的预测值与置信区间，以实现电路的健康状态评估和故障预测；计算预测值的相对误差，并将其作为预测方法精度的评价指标。本发明方法对模拟电路健康状态预测的效果较好，预测误差较小，因此具有较好的工程应用价值。

摘要： 本发明涉及一种基于EEMD‑HT‑峭度分析的工业机器人关节电流信号异常检测方法，首先获取工业机器人每个关节的U、V、W三相中的任意两相；然后使用自相关分析方法获取电流信号的周期后对信号分割；通过互相关的方法消除不同时刻信号间的相位差；分别对周期内的工业机器人关节电流信号进行EEMD‑HT进行处理得到IMF真分量包络信号；最后比较被监测工业机器人电流信号IMF真分量的包络信号峭度与工业机器人正常状态基准电流信号的IMF真分量的包络信号峭度波动范围完成异常检测。本发明所述的基于EEMD‑HT‑峭度分析的工业机器人关节电流信号异常检测方法，为解决工业机器人关节异常检测问题提供了新的有效方法。

摘要： 本发明提供一种基于EEMD与LSTM模型电动汽车电池寿命预测方法，本发明首先采集新能源汽车电池特征数据，将采集到的特征数据序列进行EEMD分解；再对分解后的多个分量进行分类处理，其中高频信号记作Za(t)，低频信号记作Zb(t)；放入LSTM模型训练，进行预测；经过LSTM模型预测得到的预测结果进行重构，以均方误差损失函数最小化为优化目标，采用优化器来更新调整模型参数，减少预测误差，并利用测试集进行测试，得到理想的预测模型。

摘要： 本发明公开了一种基于EEMD‑Hilbert变换的ECG去噪方法，先采用集成经验模态分解方法对原始ECGnoise进行模态分解，得到由多个固有模态函数构成的一组固有模态函数，然后然后基于得到的一组固有模态函数依次进行Hilbert变换、求解相位以及求解瞬时频率，基于每个固有模态函数对应的一组瞬时频率的中心瞬时频率对每个固有模态函数进行分类，将分类为以基线漂移噪声为主的固有模态函数舍弃，分别去除分类为以信号为主的固有模态函数和以高频噪声为主的固有模态函数中的肌电干扰噪声后进行重构得到最终去噪后的ECG；优点是能够对基线漂移噪声和肌电干扰噪声进行更加有效的降噪，得到的最终去噪后的ECG信号仍然保留着明显的ECG形态特征，去噪效果好。

摘要： 本发明申请公开了一种基于EEMD的局放信号降噪方法，包括：S1.对采集到的信号确定求集成平均的次数N和噪声的幅度A，原始的PD信号x(t)添加白噪声ni(t)得到含噪PD信号为xi(t)＝x(t)+ni(t)；S2.对xi(t)做EMD分解，得到IMF分量为并对N次IMF分量求平均得到最终的EEMD分解结果；S3.得到最后的残差为S4.利用折中的阈值处理函数对IMFs进行阈值处理获得去噪后的IMFs分量，然后再通过去噪后的IMFs分量和残差进行重构合成降噪后的PD信号；本基于EEMD的局放信号降噪方法，采用改进的EEMD算法在一定程度上减小了模态混叠效应；该方法不存在类似小波变换需要选择小波基及小波分解层数的难题；对各层IMF均进行阈值处理，降噪效果明显提高。