期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到159篇文章
< 1 2 … 8 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于完全自适应噪声集合经验模态分解和互相关分析的核电厂信号降噪研究 被引量：4
1
作者 刘琳琳 王振宇 +1 位作者 李露 陈嘉翊 《核科学与工程》 CAS CSCD 北大核心 2024年第1期80-90,共11页
针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分... 针对在强噪声背景中提取核电厂信号有效成分的问题,本文提出一种将完全自适应噪声集合经验模态分解与互相关分析法相结合的降噪方法并进行验证。该方法的主要步骤如下。首先,通过完全自适应噪声集合经验模态分解法对电站信号进行有效分解,得到全部的本征模态分量。然后,根据互相关系数将上述分量进行筛选,得到有用信号主导的分量,将其叠加、重构成降噪后信号。最后,使用降噪指标对降噪效果进行评价。结果表明:与基于经验模态分解、集合经验模态分解的降噪方法相比,本文所提方法得到的降噪后信号信噪比更高、均方根误差更小、相关系数更大、平滑度更好,具有更优的降噪效果。 展开更多
关键词 信号降噪 经验模态分解 集合经验模态分解 完全自适应噪声集合经验模态分解 互相关分析
在线阅读 下载PDF
基于互补自适应噪声的集合经验模式分解算法 被引量：17
2
作者 蔡念 黄威威 +2 位作者 谢伟 叶倩 杨志景 《电子与信息学报》 EI CSCD 北大核心 2015年第10期2383-2389,共7页
经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分... 经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。 展开更多
关键词 经验模式分解 集合经验模式分解 自适应噪声集合经验模式分解 模态混叠
在线阅读 下载PDF
改进的自适应噪声总体集合经验模态分解在光谱信号去噪中的应用 被引量：19
3
作者 李晓莉 李成伟 《光学精密工程》 EI CAS CSCD 北大核心 2016年第7期1754-1762,共9页
针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先... 针对近红外无创血糖检测过程中噪声对血糖浓度模型精度和稳定性的影响,提出用自适应噪声总体集合经验模态分解方法实现近红外光谱信号的去噪;同时,根据原始信号曲率和分解后本征模态函数(IMFs)曲率间的离散弗雷歇距离选择相关模态。首先,将自适应噪声的总体集合经验模态分解方法引入近红外光谱去噪过程,介绍了经验模态分解、集合经验模态分解、互补集合经验模态分解及自适应噪声总体集合经验模态分解的基本原理及具体实现过程。然后,应用基于曲率和离散弗雷歇距离的自适应噪声总体集合经验模态分解改进算法对仿真信号和光谱信号进行去噪,并将其标准差和信噪比作为评价指标。实验结果表明:应用提出的方法得到的血糖浓度近红外光谱数据其标准差为0.179 4,信噪比为19.117 5dB,实现了信号与噪声的分离,改善了重构信号质量,具有良好的自适应性,可以有效识别并提取有用信息。 展开更多
关键词 无创血糖检测 近红外光谱 信号去噪 自适应噪声总体集合经验模态分解 曲率 离散弗雷歇距离
在线阅读 下载PDF
改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用 被引量：5
4
作者 阮荣刚 李友荣 +1 位作者 易灿灿 肖涵 《机械设计与制造》 北大核心 2019年第1期153-157,共5页
在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improv... 在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。 展开更多
关键词 自适应噪声总体集合经验模式分解 本征模态函数 故障诊断 特征提取
在线阅读 下载PDF
数控车床主轴热误差完全自适应经验模态分解与小波阈值变换分离方法
5
作者 陈庚 丁强强 +2 位作者 苏哲 郭世杰 唐术锋 《航空制造技术》 北大核心 2025年第6期104-114,共11页
数控车床主轴热误差是影响车床加工精度的主要因素之一。为提高热误差测量准确度,降低测量技术要求,提出一种基于完全自适应噪声集合经验模态分解(ICEEMDAN)和经验小波变换(EWT)的车床热误差信息分离方法。首先,使用ICEEMDAN算法对原始... 数控车床主轴热误差是影响车床加工精度的主要因素之一。为提高热误差测量准确度,降低测量技术要求,提出一种基于完全自适应噪声集合经验模态分解(ICEEMDAN)和经验小波变换(EWT)的车床热误差信息分离方法。首先,使用ICEEMDAN算法对原始信号进行分解,将获得的低频模态分量重构后作为EWT算法的输入进行分解,使用离散系数评估EWT算法每次迭代的分解效果。其次,通过对一组仿真信号进行分解,验证该方法的准确性,与ICEEMDAN算法相比,ICEEMDAN-EWT算法的均方根误差(RMSE)降低了5.2%。最后,在CKA6 163A型车床上进行试验,使用五点法辨识热误差,将ICEEMDAN-EWT分离算法与傅里叶变换(FFT)算法进行对比。结果表明,与FFT算法相比,使用ICEEMDAN-EWT算法分离出的5项热变形信号与机床温度的Pearson相关性提高了3.8%,Spearman相关性提高了6.6%,准确度更高。 展开更多
关键词 数控车床 主轴 热误差 完全自适应噪声集合经验模态分解-经验小波变换(ICEEMDAN-EWT) 误差分离
在线阅读 下载PDF
基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法 被引量：10
6
作者 毛世榕 史水平 +5 位作者 玉壮基 苏梅艳 李莎 何嘉 幸符 衡张清 《地震学报》 CSCD 北大核心 2023年第2期258-270,共13页
在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经... 在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解(CEEMDAN)算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数(IMF),然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。 展开更多
关键词 地震数据去噪 地磁数据去噪 自适应噪声完全集合经验模态分解 HURST指数
在线阅读 下载PDF
基于CEEMDAN与自适应双阈值小波分析的心音去噪
7
作者 卢官明 唐瑭 +2 位作者 戚继荣 王洋 赵宇航 《南京邮电大学学报(自然科学版)》 北大核心 2025年第4期36-47,共12页
针对现有基于经验模态分解的心音去噪算法在进行模态分解后存在心脏杂音与噪声模态混叠的问题,提出了一种基于自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与自适应... 针对现有基于经验模态分解的心音去噪算法在进行模态分解后存在心脏杂音与噪声模态混叠的问题,提出了一种基于自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与自适应双阈值小波分析的心音去噪算法。首先,通过CEEMDAN方法,将含噪心音信号分解为不同时间尺度上的固有模态函数(Intrinsic Mode Function,IMF)分量;然后,采用去趋势波动分析(Detrended Fluctuation Analysis,DFA)方法将不同的IMF分量判定为含噪的心脏杂音IMF分量或心音IMF分量;接着,利用小波分析技术,滤除含噪心脏杂音IMF分量中的噪声,保留含有病理特征的心脏杂音;最后,将保留下来的心脏杂音与心音IMF分量进行重构,得到去噪后的心音信号。在Khan数据集上的实验结果表明,在不同噪声强度下,所提出的心音去噪算法均能明显提高心音信号的信噪比,降低均方根误差,优于其他现有方法。对临床采集的新生儿心音信号进行去噪的实验结果表明,所提算法具有良好的抑制噪声能力,并保留了含有病理特征的心脏杂音。 展开更多
关键词 心音去噪 自适应噪声完全集合经验模态分解 去趋势波动分析 小波分析 心脏杂音
在线阅读 下载PDF
基于二次分解与MAML-MHA-DELM的电力行业碳排放预测模型研究
8
作者 张新生 张红文 聂达文 《安全与环境学报》 北大核心 2025年第9期3386-3399,共14页
为了有效预测电力行业碳排放趋势,解决在碳排放预测中遇到的非线性、复杂性等问题,研究提出了一种新型电力行业碳排放预测模型。该模型基于二次分解方法,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decompos... 为了有效预测电力行业碳排放趋势,解决在碳排放预测中遇到的非线性、复杂性等问题,研究提出了一种新型电力行业碳排放预测模型。该模型基于二次分解方法,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)与变分模态分解(Variational Mode Decomposition,VMD),以处理数据的非线性和复杂性。此外,采用模型无关元学习(Model-Agnostic Meta-Learning,MAML)优化结合多头注意力机制(Multi-Head Attention,MHA)增强特征提取的分布式极限学习机(Distributed Extreme Learning Machine,DELM)构建预测框架,以提高模型的准确性和泛化性能。首先,根据政府间气候变化专门委员会(The Intergovernmental Panel on Climate Change,IPCC)中方法计算电力行业化石燃料在1991—2022年的碳排放情况;其次,采用广义灰色关联分析(Grey Relation Analysis,GRA)与皮尔逊相关系数(Pearson Correlation Coefficient,Pearson)对影响因素进行筛选,并筛选出一次能源生产总量、城镇化率和电力行业固定投资等11个相关性影响因素;再次,使用CEEMDAN-VMD二次分解将因变量电力行业碳排放量分解成4个多频模态,并将4个模态分别代入经MAML-MHA算法优化的DELM模型进行预测;最后,将各分解序列的预测值进行逆归一化相加,即可得到电力行业碳排放预测值,并进行消融试验。结果显示,CEEMDAN-VMD-MAML-MHA-DELM模型性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及决定系数(R^(2))分别为0.3494万t、0.3763万t、0.8383%和0.9893。这表明该模型在电力行业碳排放预测方面效果显著,能为电力行业低碳发展提供一定参考。 展开更多
关键词 环境工程学 自适应噪声完备集合经验模态分解 变分模态分解 分布式极限学习机
在线阅读 下载PDF
抵抗低频高能噪声影响的海上风电结构模态参数识别方法研究
9
作者 董霄峰 时泽坤 彭泓浩 《振动与冲击》 北大核心 2025年第9期214-222,265,共10页
模态参数是体现海上风电结构运行安全状态的关键指标,然而复杂多变的海洋环境会导致实测振动信号中混有大量低频高能噪声,严重影响模态识别精度。为实现海上风电结构模态参数的准确识别,提出一种能够抵抗低频高能噪声影响的模态参数识... 模态参数是体现海上风电结构运行安全状态的关键指标,然而复杂多变的海洋环境会导致实测振动信号中混有大量低频高能噪声,严重影响模态识别精度。为实现海上风电结构模态参数的准确识别,提出一种能够抵抗低频高能噪声影响的模态参数识别方法(CEEMDAN-VMD-SSI,CVS)。首先,利用完全自适应噪声集合经验模态分解法(complementary ensemble empirical mode decomposition with adaptive noise, CEEMDAN)滤除原始信号中的高频噪声;随后,通过麻雀优化算法(sparrow’s optimization algorithm, SSA)以最小包络熵作为适应度函数迭代计算自适应确定变分模态分解法(variational mode decomposition, VMD)的信号分解层数K和惩罚因子α,实现信号的VMD自适应优化分解以剔除低频高能噪声影响;最后,再采用随机子空间方法实现信号中模态参数的识别提取。研究分别针对构造仿真含噪信号和原型观测信号开展了识别效果对比验证。结果表明:相比于传统模态识别方法,CVS方法在信噪比、波形相似系数、相对误差等参数方面具有更好的有效性和精确性;同时,该方法对实测信号的处理能力强,降噪效果好,能够准确识别结构固有频率、叶轮转动频率(1P)和叶片扫掠频率(3P),具有良好的工程适用性,为后续基于实测数据开展海上风电结构模态参数识别与运行安全评价提供了新思路。 展开更多
关键词 海上风电 模态参数识别 低频高能噪声 完全自适应噪声集合经验模态分解(CEEMDAN) 变分模态分解法(VMD)
在线阅读 下载PDF
雨刮-风窗摩擦噪声声品质主动控制自适应均衡算法 被引量：1
10
作者 范会志 郭辉 +3 位作者 冯庆宝 孙裴 王岩松 陆仲辉 《振动与冲击》 EI CSCD 北大核心 2024年第8期263-271,共9页
雨刮-风窗摩擦噪声是影响车内声品质的重要因素之一,对其声品质主动控制有利于改善车内声学环境。为了实现对雨刮-风窗摩擦噪声声品质主动控制,提出一种基于集合经验模态分解的权重约束自适应噪声均衡(ensemble-empirical-mode-decompos... 雨刮-风窗摩擦噪声是影响车内声品质的重要因素之一,对其声品质主动控制有利于改善车内声学环境。为了实现对雨刮-风窗摩擦噪声声品质主动控制,提出一种基于集合经验模态分解的权重约束自适应噪声均衡(ensemble-empirical-mode-decomposition weight constrained adaptive noise equalizer,EWCANE)算法。首先通过集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法分解雨刮-风窗摩擦噪声得到非平稳度较低的固有模式函数分量,计算各分量的方差比以表征各分量对噪声的影响程度;然后基于输入信号和误差信号的欧式范数以自适应对滤波器权重进行约束来降低噪声的瞬态冲击;最后根据方差比调整声音增益因子以均衡各分量的声品质主动控制。经过仿真验证,实车雨刮-风窗摩擦噪声信号响度得到有效降低,改善了雨刮-风窗摩擦噪声的声品质。 展开更多
关键词 雨刮-风窗 声品质主动控制 集合经验模态分解(EEMD) 自适应噪声均衡(ANE)算法
在线阅读 下载PDF
中值互补集合经验模态分解 被引量：5
11
作者 刘淞华 何冰冰 +3 位作者 郎恂 陈启明 张榆锋 苏宏业 《自动化学报》 EI CAS CSCD 北大核心 2023年第12期2544-2556,共13页
针对经验模态分解(Empirical mode decomposition,EMD)系列方法存在的模态分裂(Mode splitting,MS)问题,提出中值互补集合经验模态分解(Median complementary ensemble EMD,MCEEMD)算法.通过概率模型量化互补集合经验模态分解(Complemen... 针对经验模态分解(Empirical mode decomposition,EMD)系列方法存在的模态分裂(Mode splitting,MS)问题,提出中值互补集合经验模态分解(Median complementary ensemble EMD,MCEEMD)算法.通过概率模型量化互补集合经验模态分解(Complementary ensemble EMD,CEEMD)的MS问题,证明了使用中值算子替代算术平均算子对抑制MS的有效性.为了兼具抑制MS和残留噪声的性能,MCEEMD算法首次在集合过程中结合了中值和平均算子.具体地,所提方法首先添加N对互补的白噪声至原信号中,并经过EMD分解得到2N组固有模态函数(Intrinsic mode functions,IMFs),然后分别对其中互补相关的IMFs两两取平均得到N组IMFs,最后使用中值算子处理上述N组IMFs得到输出结果.对仿真信号与两个真实案例的分析结果表明,本文提出的MCEEMD方法不仅有效抑制了CEEMD的MS问题,而且避免了单一使用中值算子的两个缺点:分解完备性差和IMFs中存在的毛刺现象. 展开更多
关键词 模态分裂 中值算子 互补白噪声 互补集合经验模式分解
在线阅读 下载PDF
一种改进的集合平均经验模态分解去噪方法 被引量：6
12
作者 屈中阳 李鸿光 《噪声与振动控制》 CSCD 2014年第5期171-176,共6页
针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解(EEMD)去噪方法,该方法根据本征模态函数(IMF)能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信... 针对现有非平稳信号去噪处理中的难点,提出一种改进的基于集合平均经验模态分解(EEMD)去噪方法,该方法根据本征模态函数(IMF)能量从被测信号中估计出噪声,使用估计的噪声代替EEMD方法中添加的噪声,最后将集合平均IMF分量累加得到去噪信号。使用相关性判据剔除了EMD分解产生的伪IMF分量,改进了噪声估计方法。仿真表明,改进的方法能够对调幅调频含噪信号进行有效的去噪处理。 展开更多
关键词 振动与波 集合平均经验模式分解 去噪 噪声估计 阈值处理
在线阅读 下载PDF
基于时序分解和软阈值时间卷积的交通流预测
13
作者 项新建 袁天顺 +1 位作者 何亚强 汪成立 《浙江大学学报(工学版)》 北大核心 2025年第7期1353-1361,共9页
交通流数据的高度非线性、强时间依赖性、特征冗余和噪声会降低模型的预测精度,为此提出融合自适应噪声完备集合经验模态分解(CEEMDAN)和软阈值时间卷积网络(STTCN)的短时交通流预测算法. CEEMDAN算法将历史交通流数据分解为高频和低频... 交通流数据的高度非线性、强时间依赖性、特征冗余和噪声会降低模型的预测精度,为此提出融合自适应噪声完备集合经验模态分解(CEEMDAN)和软阈值时间卷积网络(STTCN)的短时交通流预测算法. CEEMDAN算法将历史交通流数据分解为高频和低频成分.设计时间戳编码处理时间信息,使用最大信息系数(MIC)分析时间和天气特征与分解成分的相关性.将最相关特征与对应高、低频成分输入STTCN.引入软阈值机制增强高噪声数据的处理能力,软阈值参数由黏菌优化算法(SMA)调整,将预测得到的高、低频成分重构为交通流预测结果.在浙江省某高速公路数据集上,相较于基线模型,所提算法的均方误差、均方根误差和绝对偏差下降了54.97%、30.07%和34.39%.结果表明,所提算法能有效捕捉交通流的复杂动态. 展开更多
关键词 短时交通流预测 软阈值时间卷积网络 自适应噪声完备集合经验模态分解 时间戳编码 最大信息系数
在线阅读 下载PDF
基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法
14
作者 朱婷 颜七笙 《科学技术与工程》 北大核心 2025年第20期8514-8525,共12页
作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical... 作为一种清洁的可再生能源,风能在缓解日益严重的能源危机方面充当着重要作用。然而,风速的波动性和随机性给电力系统的稳定运行带来了严峻的挑战。针对该问题,提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与霜冰优化算法(rime optimization algorithm,RIME)-卷积神经网络(convolutional neural network,CNN)-双向长短期记忆网络(bidirectional long short-term memory network,BiLSTM)-注意力机制(attention mechanism,AM)的短期风速预测组合模型CEEMDAN-RIME-CNN-BiLSTM-AM。首先,对初始风速序列采用CEEMDAN算法,得到一系列较平稳的子模态,以降低风速序列的波动性;然后,采用RIME霜冰优化算法优化CNN超参数,建立CNN-RIME模型,对风速数据进行自适应提取和挖掘;接着,采用BiLSTM-AM模型对处理后的数据进行预测;最后,将各子序列的预测结果叠加,得到最终预测结果。以某地实际风速数据集进行对比试验,该模型在单步与多步预测中均展现出良好的预测性能,可以为制定调度计划提供参考,以最大程度地提高能源利用率和供电。 展开更多
关键词 风速预测 自适应噪声完备集合经验模态分解(CEEMDAN) 霜冰优化算法(RIME) 卷积神经网络(CNN) 双向长短期记忆网络(BiLSTM) 注意力机制(AM)
在线阅读 下载PDF
基于多尺度分解的微地震噪声压制与初至检测方法研究 被引量：8
15
作者 唐杰 温雷 +1 位作者 李聪 戚瑞轩 《石油物探》 EI CSCD 北大核心 2019年第4期517-523,共7页
地面微地震数据信噪比很低,严重影响了初至拾取的精度及反演结果的可靠性。为此,对基于改进的完备总体经验模态分解(ICEEMD)的去噪方法与初至检测方法进行了研究,首先利用ICEEMD将非平稳信号分解为一系列相对平稳的固有模态函数,然后提... 地面微地震数据信噪比很低,严重影响了初至拾取的精度及反演结果的可靠性。为此,对基于改进的完备总体经验模态分解(ICEEMD)的去噪方法与初至检测方法进行了研究,首先利用ICEEMD将非平稳信号分解为一系列相对平稳的固有模态函数,然后提出了一种自适应间隔阈值去除固有模态中噪声成分的方法,最后将去噪后的分量相加重构去噪后的信号。应用Hilbert变换计算每个分量的振幅,然后计算持续能量比,利用给定的阈值找到局部最大值,计算得到高能量的地震信号的到达时间。理论模型数据及实际微地震资料的处理结果表明,去噪后数据的信噪比得到了改进,相对于传统的空间域滤波与变换域阈值去噪,该去噪方法具有显著的优势及较好的应用价值,与Hilbert变换结合的初至检测方法可以有效地检测微地震信号初至。 展开更多
关键词 微地震 随机噪声压制 改进的完备总体经验模态分解 固有模态函数 自适应间隔阈值 重构 初至检测
在线阅读 下载PDF
基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法 被引量：3
16
作者 吴林斌 《大地测量与地球动力学》 CSCD 北大核心 2024年第4期429-435,共7页
结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量... 结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。 展开更多
关键词 SS-Y伸缩仪 随机噪声压制 改进的自适应噪声完备集合经验模态分解 分布熵 信噪比
在线阅读 下载PDF
基于ICEEMDAN分解与SE重构和DBO-LSTM的滑坡位移预测 被引量：4
17
作者 封青青 李丽敏 +2 位作者 陈飞阳 张碧涵 余兵 《电子测量技术》 北大核心 2024年第7期80-87,共8页
滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、样本熵(SE)以及蜣螂算法(DBO)优化的长短期记忆网... 滑坡位移预测是防灾减灾的一项重要工作,针对位移分解后趋势项和周期项重构的合理性问题以及周期项位移预测精度不高的问题,提出了一种改进的自适应噪声完备集合经验模态分解(ICEEMDAN)、样本熵(SE)以及蜣螂算法(DBO)优化的长短期记忆网络(LSTM)组合模型进行位移预测。以八字门滑坡为研究对象,利用ICEEMDAN方法将滑坡累计位移进行分解,并用样本熵值表征分解得到的子序列,将其重构为趋势项和周期项位移。之后利用LSTM模型预测趋势项和周期项位移;通过灰色关联度的方法确定周期项位移的影响因素。考虑到LSTM网络中超参数的随机性会影响模型预测精度,引入蜣螂优化算法获取LSTM最优超参数,最终将预测得到的趋势项和周期项位移叠加得到累计位移。本文所提的ICEEMDAN-SE-DBO-LSTM模型预测周期项位移的RMSE、MAE、R23项指标分别为1.803 mm、1.584 mm、0.988,相较于DBO-BP,LSTM,GRU和BP模型预测效果更优,证明了模型的有效性。 展开更多
关键词 滑坡位移 改进的自适应噪声完备集合经验模态分解 样本熵 蜣螂优化算法
在线阅读 下载PDF
基于二次模态分解的LSTM短期电力负荷预测 被引量：12
18
作者 张淑娴 江文韬 +3 位作者 陈玉花 杨晓东 金丰 白莉 《科学技术与工程》 北大核心 2024年第7期2759-2766,共8页
为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始... 为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。 展开更多
关键词 短期负荷预测 二次模态分解 自适应噪声的完全集合经验模态分解(CEEMDAN) 变分模态分解(VMD) 长短期记忆网络(LSTM)
在线阅读 下载PDF
基于二次分解和ATT-CNN-LSTM-MLR组合模型的短期电价预测方法 被引量：2
19
作者 张玉敏 孙猛 +2 位作者 吉兴全 叶平峰 张晓峰 《智慧电力》 北大核心 2024年第12期65-72,共8页
针对电力现货市场价格的强波动性,电价存在跳跃点、尖峰点的特点,提出基于二次分解和注意力机制(ATT)-卷积神经网络(CNN)-长短时记忆神经网络(LSTM)-多元线性回归(MLR)组合模型的短期电价预测方法。首先,为深度挖掘电价跳跃点和尖峰点... 针对电力现货市场价格的强波动性,电价存在跳跃点、尖峰点的特点,提出基于二次分解和注意力机制(ATT)-卷积神经网络(CNN)-长短时记忆神经网络(LSTM)-多元线性回归(MLR)组合模型的短期电价预测方法。首先,为深度挖掘电价跳跃点和尖峰点处的特征,采用自适应噪声完备集合经验模态分解和变分模态分解将原始电价序列分解为一系列模态分量;其次,针对分解后的低频与高频子序列,分别建立MLR浅学习模型和ATT-CNN-LSTM组合模型实现多频预测,重构各子模型输出得到最终预测结果;最后,采用具有强波动性特征的欧洲电力交易所数据进行算例分析,验证了模型的有效性。 展开更多
关键词 电价预测 注意力机制 完全自适应噪声完备集合经验模态分解 变分模态分解 多频组合
在线阅读 下载PDF
基于多层信号分解的混凝土拱坝变形监测模型 被引量：1
20
作者 王子轩 欧斌 +3 位作者 陈德辉 杨石勇 赵定柱 傅蜀燕 《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第6期1-9,共9页
为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模... 为了充分挖掘大坝变形监测数据的非线性和非平稳性特征,本文提出了一种大坝变形监测模型.首先,该模型通过自适应噪声完全集合经验模态分解(CEEMDAN)对变形监测数据进行分解处理.在分解过程中融入样本熵(SE)和K-均值聚类,以确保得到的模态分量(IMF)个数能够准确描述大坝变形.然后,对于高频IMF分量,采用变分模态分解(VMD)进行二次分解,并利用偏最小二乘法(PLS)分析变形序列影响因子,以提取最佳的IMF分量作为后续模型的输入因子.最后,利用改进的共生生物搜索算法(ISOS)结合长短期记忆神经网络(LSTM)进行大坝变形的准确预测.研究结果表明:相较于单层信号处理,本文通过二次信号处理可以显著提升模型的预测精度;对二次分解后的IMFs分量进行PLS筛选可以有效避免模型的冗余性,提高计算效率;相较于各对比模型,本文模型在各测点上均具有较好的预测精度和稳定性.本文提出的模型能够深入挖掘大坝监测数据中的拓扑关系,有效保留数据中的高频有用信息,从而提高预测的准确性和平滑性,展示出较好的预测精度和泛化能力. 展开更多
关键词 大坝变形 自适应噪声完全集合经验模态分解 样本熵 K-均值聚类算法 改进的共生生物搜索算法 变分模态分解
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 8 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部