针对动态称量数据处理领域，传统的Fourier消噪方法由于无法同时提取信号的时频特性，因此在处理包含尖峰或突变的非平稳信号时，其消噪效果不佳。小波分析虽然可以同时进行时频分析，有效区分信号中的突变部分和噪声，但在提高信噪比的同时，未能摆脱Fourier变换基础带来的问题。而经验模态分解（EMD）是一种时域分析方法，它不需要选择基函数，能够提供多分辨率和自适应的特性。EMD方法已被证明在处理动态称量信号方面具有一定的优势，但由于其自身存在的边缘效应，严重污染了低频分量，导致测量结果出现较大误差。
针对上述问题，研究者们提出了一种新的数据延拓方法——次端点镜像延拓法。该方法能够有效抑制经验模态分解过程中的边缘效应。通过在定量加料动态称量的EMD试验中应用该延拓法，结果显示新的抑制边缘效应方法能获得较高的称量精度和效率，称量信号分解的最大误差可以控制在±0.8%以内。
动态称量系统的实时性和高精度要求，使其在生产实践中得到了广泛应用。在动态称量数据处理技术的研究中，噪声消除作为信号处理的重要内容，一直是一个研究重点。由于噪声的存在，对动态称量信号进行有效的滤波和消噪对于保证数据处理结果的准确性和可靠性至关重要。
经验模态分解（EMD）是一种时域内的分解方法，它基于数据自身的时间尺度特性，通过一种称为“筛选”过程的迭代算法来分解信号，得到一系列本征模态函数（IMF）。这些IMF具有频率和振幅随时间变化的特点，从而捕捉到了数据的局部特性。EMD方法因其独特的优势，已被应用于诸多信号处理领域，包括动态称量数据分析。然而，由于EMD方法在处理数据序列两端时，往往不能保证数据序列的两端点为极值点，这导致了在两端点附近会产生较大的波动，从而影响了筛选结果的准确性。
为了克服这种边缘效应，研究者们在EMD方法的基础上提出了多种改进措施，包括次端点镜像延拓法。此方法通过对数据序列进行特殊的延拓处理，使得在分解处理过程中能够减少因数据序列两端非极值状态所导致的边缘效应，从而提高了分解精度。通过这种方法，可以在不增加对数据量要求的同时，有效减少分解误差，提高动态称量的准确度。
动态称量经验模态分解数据处理方法的研究，对于提高动态称量系统的精度和效率具有重要意义。次端点镜像延拓法作为改进EMD算法的一种有效手段，对于抑制边缘效应，提升动态称量的精确度，具有重要的应用价值和研究意义。这项研究不仅对动态称量技术的发展具有推动作用，也为其它领域的信号处理提供了一种新的思路和方法。
VIP享7折，此内容立减4.47元 
