没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法:首先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态混叠问题,将被测信号中不同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故障诊断。
资源推荐
资源详情
资源评论
Vo
l.
32
No.8
2013
集合经验模态分解的稳健滤波方法研究
刘海波赵宇凌
2
116023
;2.
东北财经大学实验教学中心,辽宁
KFi--2·JLLEiRLilli--1
振动与冲击
JOURNAL
OF
VIBRATION
AND
SHOCK
第
32
卷第
8
期
116025)
摘
要:为了消除野值和噪声信号对观测数据的影响,给出一种基于集合经验分解的具有稳健性的滤波算法:首
先用滑动中值滤波算法剔除原始数据中的野值,然后采用集合经验模态分解算法,抑制数据中的噪声。数值仿真和实际
工程应用表明,该方法不仅能剔除野值,抑制信号中的噪声,提高信噪比,还能够有效消除模态棍叠问题,将被测信号中不
同的频率成分独立分解在不同的固有模态函数中,从而得到更清晰的时频分布,有利于实际数据处理中的信号分析和故
障诊断。
关键词:振动与波;经验模态分解
;EEMD;
滤波
中图分类号
TB123
文献标识码
A
大连
大连
(1.
91550
部队
94
分队,辽宁
A
method
of
robust
filtering
based
on
EEMD
LIU
H
,
α
i-bo
1
,
ZHAO
Yu-lini
(1.
Section
94
,
PLA
Unit
91550
,
Dalian
116023
, China;
2.
Experiment
Teaching
Center
,
Northeast
University
of
Finance
and
Economics
,
Dalian
116025
, China)
Abstract:
In
order
to eliminate outliers
and
noise impact on observed
data
, a robust filtering algorithm
based
on
ensemble empirical mode decomposition
(EEMD)
was proposed. Firstly , with the sliding median
filteri
吨
the
outliers
in
raw
data
were removed.
Then
, EEMD algorithm was
used
to suppress noise
in
the data. Numerical simulations and actual
engineering applications showed that the method
can
not only eliminate outliers , suppress noise
and
improve signal to noise
ratio
,
but
also effectively solve the problem of modes aliasing , independently decompose a measured signal into different
IMFs to get a clearer time-frequency distribution
, so it is useful for signal analysis
and
fault diagnosis
in
actual
data
processmg.
Key
words:
vibration
and
wave; empirical mode decomposition
(EMD)
;
EEMD;
filtering
经验模态分解与传统的数据分析方法不同,具有
自适应的特定,元需先验信息和基函数,具有良好的自
适应性。但是
EMD
分解在处理实际的工程信号的时
候容易产生模态混淆的现象,对信号特征的识别产生
含有噪声,对
EMD
的分解效果产生影响,增加了额外
的频率分量,含噪信号在分解过程中带来的累积误差
也容易污染固有模态函数。集合经验模态分解
[7]
(Ensemble
Empirical Mode
Decomposition
,以下简称
EEMD)
是经验模态分解算法的最新改进,可以克服传
统
EMD
方法易受噪声影响出现模态混叠缺点。
本文根据外弹道数据处理的特点,将滑动中值滤
波算法与集合经验模态分解算法相结合,克服了传统
滤波算法对于野值敏感、易受噪声影响的缺点,具有良
好的自适应能力,更加合理地对数据信号进行时域分
析。通过仿真分析和实际工程应用验证了该算法的有
效性和稳健性。
基于
EEMD
的降噪方法
1
在实际的数据处理过程中,观测数据往往同时包
含噪声和野值,这就对滤波算法的稳健性提出了更高
的要求。经典的滤波去噪算法处理,如多项式滤波、平
滑与微分方法以及基于观测模型的
Kalman
滤波、滑动
空间的
Kalman
平滑等方法,都是在数据符合某种特定
的统计规律的前提下设计和提出的,缺乏抗扰动能力
和粗差数据容错能力,对野值比较敏感
[1]
。理论分析
和实际数据处理的结果证实,当测量数据中含有少量
野值时会导致上述算法的严重失真甚至崩惯
[2]
。
经验模态分解(
Empirical Mode
Decomposition
,以下
简称
EMD)
由
Huang[3]
提出一种新的时频域信号分析
方法,具有自适应性,元需预先确定基函数,适用于非
平稳、非线性信号的分析。文献
[4
-6
]分别使用
EMD
方法对弹丸激波信号、外弹道测量数据和振动信号进
行了处理,取得了较好的效果。但是实际的信号大都
收稿日期
2011
-12 -09
修改稿收到日期
:2012
-06-27
第一作者刘海波男,工程师,
1981
年生
资源评论
weixin_38654382
- 粉丝: 1
- 资源: 932
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功