论文研究-基于EEMD残差的故障诊断方法 .pdf

基于EEMD残差的故障诊断方法，王尊，顾祥柏，总体平均经验模态分解（EEMD）有效解决了传统希尔伯特-黄变换（HHT）中经验模态分解（EMD）模态混叠的问题，利用分解结果求得希尔伯�

论文研究-基于EEMD和进化KPCR的复杂时间序列自适应预测建模.pdf

论文研究-基于EEMD和进化KPCR的复杂时间序列自适应预测建模.pdf,  针对具有非线性、非平稳、多尺度特性的复杂时间序列， 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法， 按原始时间序列信号的构成特点将其分解到不同尺度， 然后对不同尺度序列采用 C-C方法重构相空间， 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时， 针对不同 尺度序列预测模型的优选问题， 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数， 最后将不同尺度预测结果集成， 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析， 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述， 自适应获取优 化的预测模型. 与现有方法相比， 具有较强的自适应建模能力和较高的预测精度.

论文研究-基于EEMD的投资者情绪与股指波动的关系研究.pdf

论文研究-基于EEMD的投资者情绪与股指波动的关系研究.pdf,  基于集成经验模态分解（ensemble empirical mode decomposition， EEMD）对非线性、非平稳性金融时间序列的有效 处理， 运用EEMD方法分别将投资者情绪和股指价格序列分解成若干个独立的、不同尺度的IMF分量和一个残余项， 提取出 序列在不同时间尺度下的波动特征， 并将得到的IMF分量和残余项按照高低频重构为序列的短期波动项， 中期重大事件 影响项和长期趋势项， 进一步结合计量模型考察投资者情绪和股指价格序列在不同时间尺度下的波动关联性. 实证结 果表明， 投资者情绪与股指价格波动在不同时间尺度下呈现出不同的波动关系： 短期投资者情绪与股指价格波动存 在双向影响， 中期投资者情绪波动领先于股指价格波动， 而长期则转变为股指价格领先投资者情绪波动.

论文研究-基于EEMD和ICA的单通道列车信号盲分离.pdf

针对列车混合故障的诊断，提出了一种基于集合平均经验分解（EEMD）和独立分量分析（ICA）的盲分离诊断方法。通过EEMD算法将混合信号分解为包含不同源信号特征的本征模态函数（IMF），组成新的多维信号；用主成分分析准确估计源信号个数，解决了单通道信号盲分离的欠定问题；利用快速独立分量分析（Fast-ICA）算法实现了信号的盲分离。实验信号分别采用仿真信号和列车实验信号进行实验，实验结果表明，该算法可以有效地分离出列车的单故障信号。

论文研究-基于EEMD的激光超声信号去噪方法研究 .pdf

基于EEMD的激光超声信号去噪方法研究，郭华玲，郑宾，基于总体经验模态分解（EEMD）解决模态混叠问题算法特点，将其应用于激光超声信号消噪处理。给出了EEMD算法的思路和实现步骤，搭建�

论文研究 - 基于EEMD-PCA-RobustICA的单通道盲分离算法在轴承故障诊断中的应用

针对ICA只能被限制在观察信号的数量大于源信号的数量的问题； 提出了一种结合EEMD，PCA和RobustICA的单通道盲源分离方法。 通过单通道机械振动观测信号的eemd分解，获得了多维IMF分量，并对这些IMF分量的矩阵进行了主分量分析（PCA）。 确定主成分的数量，并生成一个满足超限盲源分离条件的新矩阵，即新矩阵输入RobustICA，以实现源信号的分离。 最后，通过包络谱分别分析隔离信号，提取故障频率，并根据先验知识判断故障类型。 利用模拟信号和机械信号进行了实验。 结果表明，该算法是有效的，可以准确诊断机械故障的位置。

论文研究-基于EEMD和自相关函数特性的自适应降噪方法.pdf

在机械设备早期故障中，反映故障特征的冲击信号非常微弱，容易被噪声淹没，使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量，其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同，提出了利用能量集中比找到噪声分量分界点的自适应降噪方法，并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理，结果表明，该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。

论文研究-基于EEMD 的抗扰动心血流参数提取方法 .pdf

基于EEMD 的抗扰动心血流参数提取方法，刘光达，查雨彤，心血流参数是评估血流循环系统代偿功能的关键指标，在重大心脑血管疾病前期预防及术后介入治疗中有着重要参考价值。当前临床无创

论文研究-基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法.pdf

针对列车高速运行时易出现蛇行失稳这一问题，提出了一种改进的集合经验模态分解（modified ensemble empirical mode decomposition，MEEMD）香农熵—最小二乘法支持向量机（least squares support vector machine，LSSVM）的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330～350 km/h时转向架构架的横向振动信号进行分解，得到固有模态函数（intrinsic mode function，IMF），再通过Hilbert变换（HT）分析其时频聚集性，同时提取IMF分量的香农熵特征，最后用LSSVM进行训练和识别。结果表明，转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好，并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法，识别率达到96.67%。

论文研究 - 基于EEMD-DBN的Google趋势预测旅游量需求

准确地预测旅游需求对制定有效的旅游管理政策起着重要的作用。 它有助于合理地分配资源，避免旅游拥堵。 本文考虑了噪声干扰，提出了结合经验模型分解（EEMD），深度信念网络（DBN）和谷歌趋势的混合模型，用于旅游需求预测。 该模型首先应用位错加权综合方法将Google趋势组合到搜索综合索引中，然后使用EEMD对序列进行去噪。 EEMD从原始系列中提取了高频噪声。 搜索综合指数的低频序列将用于预测低频旅游量序列。 以上海入境旅游为例，对该模型进行了训练，并预测了未来12个月的入境人数。 结论表明，EEMD-DBN模型的预测误差明显低于ARIMA，GM（1,1），FTS，SVM，CES和DBN模型的基线。 这表明必须进行噪声处理，EEMD-DBN预测模型可以提高预测精度。

CN109141884A-基于EEMD-AR模型和DBN的轴承故障诊断方法-公开.PDF

提供了一种轴承故障的诊断方法。木发明提供一种基于EEMD-AR模 型和 DBN的轴承故降诊断方法，由于轴承振动信 号非线性变化，将其先通过聚合经验模态分解（简称EEMD)方法分解为多个IMF，选择其中前数个IMF，建立自回归（简称AR)模 型 ，对每一个 AR模 型计符出自回归系数和对应的方差

论文研究-基于白噪声统计特性与EEMD的高速列车横向减振器故障诊断.pdf

针对高速列车横向减振器故障信号非线性非平稳的特点，提出了基于白噪声统计特性与聚合经验模态分解（EEMD）相结合的故障诊断算法。利用经验模态分解（EMD）对故障信号进行去噪，然后对去噪后的信号进行EEMD分解，最后对用相关系数求得的最能反映振动信号的本征模态函数（IMF）计算排列组合熵。在240 km/h速度下，对高速列车横向减振器七种工况进行诊断，识别率达到91.8%。实验结果表明，与基于小波熵特征分析的算法相比，该算法具有更高的识别率和更强的抗噪性能。

论文研究-一种基于EEMD的过程数据混合去噪方法.pdf

针对化工过程数据的特点，提出一种基于集成经验模式分解（EEMD）滤波的过程数据混合去噪方法，以新秩一阶差分法抑制数据粗差干扰，以EEMD分解抑制脉冲干扰，分层滤波消除噪声成分。与传统的滤波方法相比，基于EEMD的混合滤波方法无须预先确定滤波器参数，是一种完全的数据驱动型方法，具有较好的自适应能力。仿真实验结果表明，对过程数据的滤波预处理可以增强对异常突变数据的检测处理，提高故障检测效果。

论文研究-基于筛选参量的EEMD方法及其在轴承故障实时诊断中的应用 .pdf

基于筛选参量的EEMD方法及其在轴承故障实时诊断中的应用，陈芬，刘泉，集成经验模式分解（EEMD，Ensemble Empirical Mode Decomposition）是通过加入白噪声改善经验模式分解（EMD，Empirical Mode Decomposition）方法中模式混

基于EEMD的齿轮故障诊断方法研究

采用基于EMD改进的总体经验模式分解算法(EEMD)对齿轮箱进行故障诊断。首先利用Matlab进行仿真实验,验证了具有自适应特性的EEMD分解方法在消除基本模式分量之间相互混叠现象方面的有效性。然后利用该方法对故障试验台模拟的齿轮点蚀信号进行分解,并对反映故障信息的本征模式分量进行Hilbert包络解调分析。分析结果表明,EEMD方法可以有效地应用于齿轮故障诊断。

eemd的程序和论文

eemd的程序和论文，使用方法，都能很全，很不错 文件列表： EEMD\dist_value.m EEMD\eemd.m EEMD\extrema.m EEMD\ifndq.m EEMD\significance.m EEMD\集合经验模式分解在旋转机械故障诊断中的应用.pdf EEMD\集合经验模式分解在柴油机机械故障诊断中的应用.pdf EEMD\EMD CODE\dist_value.m EEMD\EMD CODE\eemd.m EEMD\EMD CODE\extrema.m EEMD\EMD CODE\ifndq.m EEMD\EMD CODE\significance.m EEMD\EMD CODE\代码简介.doc EEMD\EMD CODE\代码简介.txt EEMD\EEMD\eemd.m EEMD\EEMD\extrema.m EEMD\EEMD\ifndq.m EEMD\大型旋转机械非平稳振动信号的EEMD降噪方法.pdf EEMD\eemd_emd_quzao.m EEMD\eemd_emd_quzao.asv EEMD\EMD CODE EEMD\EEMD EEMD

基于EEMD的奇异谱熵

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用内容详实、网上很少见、心血

论文研究-EEMD与RBF神经网络的太阳黑子月均值预测.pdf

太阳黑子月均值是典型的混沌时间序列，具有较强的非线性和非平稳特征，能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）与径向基函数（Radial Basis Function，RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function，IMF）分量，并对这些分量进行建模预测，再将各分量的预测值重构得到原始时间序列的预测值，这样不仅降低了算法的复杂性，而且有利于提高模态分量包含信息的物理意义。仿真结果表明，与经验模态分解（Empirical Mode Decomposition，EMD）结合RBF神经网络的模型相比，该模型具有较高的预测精度。

基于EEMD-Hilbert谱的气液两相流钝体绕流流型识别.pdf

基于EEMD-Hilbert谱的气液两相流钝体绕流流型识别.pdf,为了有效识别气液两相流的流型，以水和空气为实验介质，以涡街流量计为元件诱发钝体绕流，通过管壁差压法获取气液两相流钝体绕流的尾迹波动信号，采用集总经验模态分解对信号进行分解，通过Hilbert变换得到Hilbert边际谱，利用最大互相关系数法对固有模态函数进行筛选，选取特征固有模态函数能量比分别与体积含气率、两相雷诺数构建流型图。结果表明，构建的两类新流型图对单相水、泡状流、塞状流、弹状流等典型流型的识别率分别可达91.67%和88.89%，能较好地满足工程实际应用的需求。