期刊文献+
共找到268篇文章
< 1 2 14 >
每页显示 20 50 100
A novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise,minimum mean square variance criterion and least mean square adaptive filter 被引量:9
1
作者 Yu-xing Li Long Wang 《Defence Technology(防务技术)》 SCIE EI CAS CSCD 2020年第3期543-554,共12页
Underwater acoustic signal processing is one of the research hotspots in underwater acoustics.Noise reduction of underwater acoustic signals is the key to underwater acoustic signal processing.Owing to the complexity ... Underwater acoustic signal processing is one of the research hotspots in underwater acoustics.Noise reduction of underwater acoustic signals is the key to underwater acoustic signal processing.Owing to the complexity of marine environment and the particularity of underwater acoustic channel,noise reduction of underwater acoustic signals has always been a difficult challenge in the field of underwater acoustic signal processing.In order to solve the dilemma,we proposed a novel noise reduction technique for underwater acoustic signals based on complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN),minimum mean square variance criterion(MMSVC) and least mean square adaptive filter(LMSAF).This noise reduction technique,named CEEMDAN-MMSVC-LMSAF,has three main advantages:(i) as an improved algorithm of empirical mode decomposition(EMD) and ensemble EMD(EEMD),CEEMDAN can better suppress mode mixing,and can avoid selecting the number of decomposition in variational mode decomposition(VMD);(ii) MMSVC can identify noisy intrinsic mode function(IMF),and can avoid selecting thresholds of different permutation entropies;(iii) for noise reduction of noisy IMFs,LMSAF overcomes the selection of deco mposition number and basis function for wavelet noise reduction.Firstly,CEEMDAN decomposes the original signal into IMFs,which can be divided into noisy IMFs and real IMFs.Then,MMSVC and LMSAF are used to detect identify noisy IMFs and remove noise components from noisy IMFs.Finally,both denoised noisy IMFs and real IMFs are reconstructed and the final denoised signal is obtained.Compared with other noise reduction techniques,the validity of CEEMDAN-MMSVC-LMSAF can be proved by the analysis of simulation signals and real underwater acoustic signals,which has the better noise reduction effect and has practical application value.CEEMDAN-MMSVC-LMSAF also provides a reliable basis for the detection,feature extraction,classification and recognition of underwater acoustic signals. 展开更多
关键词 Underwater acoustic signal noise reduction empirical mode decomposition(EMD) Ensemble EMD(EEMD) complete EEMD with adaptive noise(CEEMDAN) Minimum mean square variance criterion(MMSVC) Least mean square adaptive filter(LMSAF) Ship-radiated noise
在线阅读 下载PDF
融合二次分解的深度学习模型在PM_(2.5)浓度预测中的应用 被引量:1
2
作者 江雨燕 黄体臣 +1 位作者 甘如美江 王付宇 《安全与环境学报》 北大核心 2025年第1期296-309,共14页
针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode De... 针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Variational Mode Decomposition-Temporal Convolutional Network-Bi-directional Long Short-Term Memory,CEEMDAN-VMD-TCN-BiLSTM)。该模型先由递归特征消除(Recursive Feature Elimination,RFE)进行特征筛选,随后使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将2013—2016年北京市PM_(2.5)质量浓度序列分解为一系列高低频模态分量并计算各分量样本熵,将样本熵由K-means聚类整合为新的分量,再由变分模态分解(Variational Mode Decomposition,VMD)方法进行二次分解。最后,将所有分量先经时间卷积网络(Temporal Convolutional Network,TCN)进行特征提取,并通过双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)预测,叠加各分量预测值即为最终预测结果。消融试验结果显示,该模型相比于单次CEEMDAN分解模型均方根误差E_(MAPE)降低19.312%,绝对误差E_(MAE)降低34.423%,百分比误差E_(MAPE)与希尔不等系数E_(TIC)分别减少40.465百分点和59.794%。由此可见,研究在引入VMD构成二次分解模型相比于单次分解模型的预测误差更小,精度更高,可为决策者在PM_(2.5)质量浓度预测与治理等工作提供一定参考。 展开更多
关键词 环境工程学 PM_(2.5)质量浓度预测 自适应噪声的完备经验模态分解 变分模态分解 时间卷积网络 双向长短期记忆网络
在线阅读 下载PDF
基于二次CEEMDAN与CCJC的滚动轴承故障冲击特征提取 被引量:1
3
作者 张亢 曹振华 +2 位作者 刘鹏飞 陈向民 牛晓瑞 《噪声与振动控制》 北大核心 2025年第1期112-118,247,共8页
滚动轴承故障振动信号的成分复杂多样,且受噪声和传递路径的影响,导致从中提取表征故障的周期性冲击成分难度很大。对此,利用自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEM... 滚动轴承故障振动信号的成分复杂多样,且受噪声和传递路径的影响,导致从中提取表征故障的周期性冲击成分难度很大。对此,利用自适应噪声完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)良好的非平稳非线性数据处理能力,首先将原始轴承振动信号中的各种成分予以分离,在此基础上,提出相关系数跳变准则(Correlation Coefficient Jump Criterion,CCJC)区别以故障周期性冲击成分为主的分量,以及以噪声和转频成分为主的分量,并通过二次分解二次重构的方式,最大限度去除噪声与转频相关成分,最终得到提纯的滚动轴承故障周期性冲击信号。通过对滚动轴承故障仿真信号和基准数据的分析,表明所提方法可以准确高效提取轴承故障周期性冲击成分;对滚动轴承实验振动信号进行分析,并与经典方法对比,验证所提方法的优势及其良好的工程应用前景。 展开更多
关键词 故障诊断 滚动轴承 振动信号 周期性冲击特征 自适应噪声完全集合经验模态分解 相关系数跳变准则
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
4
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
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
5
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
基于ICEEMDAN-PE-GDBO-LSSVM的风电功率预测
6
作者 汪繁荣 张旭东 《现代电子技术》 北大核心 2025年第10期57-62,共6页
随着可再生能源特别是风电的高比例接入,电网面临着前所未有的不确定性和波动性挑战。为准确预测风电功率,提出一种基于改进的自适应噪声完全集合经验模态分解(ICEEMDAN)-排列熵(PE)-改进的蜣螂优化算法(GDBO)-最小支持二乘向量机(LSSVM... 随着可再生能源特别是风电的高比例接入,电网面临着前所未有的不确定性和波动性挑战。为准确预测风电功率,提出一种基于改进的自适应噪声完全集合经验模态分解(ICEEMDAN)-排列熵(PE)-改进的蜣螂优化算法(GDBO)-最小支持二乘向量机(LSSVM)的组合模型。首先使用ICEEMDAN对风电数据进行分解,从而降低复杂度;之后根据PE对分解后得到的各分量进行聚合,再使用GDBO算法对LSSVM的关键参数进行寻优,以得到最佳预测模型;最后使用优化模型对各聚合分量分别进行预测和叠加,得到总的预测结果。基于国内风电场数据集进行实验验证,结果表明所提方法有较高的预测精度,均方根误差比单一的LSSVM模型低61.39%,在工程实践中具有更为广阔的应用前景。 展开更多
关键词 风电功率预测 自适应噪声完全集合经验模态分解 改进的蜣螂优化算法 排列熵 改进的完全集合经验模态分解 最小支持二乘向量机 分量聚合
在线阅读 下载PDF
基于SSA优化的Transformer-BiGRU短期风电功率预测
7
作者 包广斌 杨龙龙 +1 位作者 范超林 李焕 《电子测量技术》 北大核心 2025年第13期139-147,共9页
为提高风电功率预测精度,提出了一种基于SSA优化的Transformer-BiGRU组合模型。首先,采用CEEMDAN将原始序列分解为多个模态分量和残差分量,降低数据复杂性和不稳定性。然后,结合Transformer的自注意力机制与BiGRU的双向时序建模能力,构... 为提高风电功率预测精度,提出了一种基于SSA优化的Transformer-BiGRU组合模型。首先,采用CEEMDAN将原始序列分解为多个模态分量和残差分量,降低数据复杂性和不稳定性。然后,结合Transformer的自注意力机制与BiGRU的双向时序建模能力,构建了一个高效的组合模型。针对Transformer-BiGRU模型超参数优化困难的问题,引入SSA麻雀搜索算法对超参数进行优化,进一步提升预测精度。最后,以龙源电力风电预测数据集为例,通过对比实验和消融实验验证了该模型优于其他传统模型和模型中各组件的有效性,实验结果表明该方法的R 2达到了0.9810。 展开更多
关键词 风电预测 麻雀搜索算法 自适应噪声完备经验模态分解 双向门控循坏单元 自注意力机制
在线阅读 下载PDF
基于ICEEMDAN的微电网混合储能容量配置 被引量:1
8
作者 刘旭民 张彦 刘晓波 《南方电网技术》 北大核心 2025年第1期140-149,共10页
针对改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的微电网混合储能系统(hybrid energy storage system,HESS)容量优化配置方法,以解决并网型微电网中... 针对改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的微电网混合储能系统(hybrid energy storage system,HESS)容量优化配置方法,以解决并网型微电网中可再生能源出力和用电负荷波动导致的联络线功率波动问题。该方法通过对微电网中不平衡功率进行功率信号分解,并分析确定高频分量和低频分量,实现功率信号重构。针对不同储能系统技术特点,采用钠硫电池平抑低频分量,采用超级电容平抑高频分量。然后,通过建立以储能初始投资和维护成本最小为目标的HESS容量优化配置模型,利用商业求解器GUROBI求解混合储能配置方案。基于某并网型微电网进行算例分析,结果表明配置HESS能有效平抑微电网联络线功率波动,且该方法具有较好的经济性。算例分析结果验证了所提方法的有效性和可行性。 展开更多
关键词 改进自适应噪声完备集合经验模态分解(ICEEMDAN) 微电网 混合储能 容量优化配置 GUROBI
在线阅读 下载PDF
基于改进蜣螂优化算法和融合注意力机制的风电功率预测 被引量:1
9
作者 张旭东 汪繁荣 《广东电力》 北大核心 2025年第1期32-40,共9页
为进一步提高风电功率的预测精准度,提出使用自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)来对原始数据进行分解,并结合多策略改进蜣螂优化算法(multi-strategy enhan... 为进一步提高风电功率的预测精准度,提出使用自适应噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)来对原始数据进行分解,并结合多策略改进蜣螂优化算法(multi-strategy enhanced dung beetle optimization algorithm,MDBO)来优化融合了卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络的风电预测方法。首先,使用CEEMDAN分解算法对初始风力发电功率进行分解,以降低风电数据的非线性和随机性;之后,在预测模型中引入注意力机制(attention mechanism,AM),对分解得到的各分量分别使用经MDBO算法寻优得到的CNN-BiLSTM-AM模型进行预测;最后,把各子分量的预测值进行叠加聚合得到总的预测值,并采用皮尔逊相关系数计算环境特征对风电功率的相关性,保留相关性强的环境特征以进一步提升预测精度。使用所提CEEMDAN-MDBO-CNN-BiLSTM-AM算法进行风电功率预测,预测结果有着较高的预测精准度,其均方根误差较CNN和BiLSTM单一预测模型分别降低了65.12%和64.00%,相较于CNN-BiLSTM其均方根误差和平均绝对误差分别降低了53.20%和53.98%,其回归系数提升了7.581%。 展开更多
关键词 自适应噪声完全集合经验模态分解 风电功率预测 蜣螂优化算法 双向长短期记忆网络 卷积神经网络
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
10
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ICEEMDAN算法的高速双圆弧斜齿轮泵振动试验特性分析
11
作者 董庆伟 李博 +2 位作者 李阁强 韩帅康 皇甫科维 《机床与液压》 北大核心 2025年第4期151-157,共7页
针对双圆弧斜齿轮泵高速工况下引起的振动问题,以过渡曲线为正弦曲线的双圆弧斜齿轮泵为研究对象,搭建液压工作站,以转速与压力负载为变量,采集不同转速与压力负载下泵的进油口、出油口与泵体上侧的振动信号,然后对数据进行时、频域分... 针对双圆弧斜齿轮泵高速工况下引起的振动问题,以过渡曲线为正弦曲线的双圆弧斜齿轮泵为研究对象,搭建液压工作站,以转速与压力负载为变量,采集不同转速与压力负载下泵的进油口、出油口与泵体上侧的振动信号,然后对数据进行时、频域分析。在此基础上,基于增强型完全集合经验模态分解(ICEEMDAN)算法对数据进行特征提取,通过模糊熵与峭度构建的综合指标选取内在模态函数分量(IMF)进行分析,得到双圆弧斜齿轮泵在不同转速和压力负载工况下的振动特性。结果表明:在所测工况下,出油口区域的振动幅度普遍高于进油口和泵体上侧区域,而且压力负载对泵的振动分布具有一定影响;在恒定压力负载下,泵的振动幅值随转速的提高而增加,且这种增长随转速的提高而加剧;在恒定转速下,泵的振动幅度整体趋势随着压力负载的增加而上升,但在特定压力负载点出现下降。 展开更多
关键词 斜齿轮泵 高速工况 振动特性 增强型完全集合经验模态分解(ICEEMDAN)算法
在线阅读 下载PDF
基于CEEMDAN与改进一维多尺度卷积神经网络结合的滚动轴承故障诊断
12
作者 马宁 赵荣珍 郑玉巧 《兰州理工大学学报》 北大核心 2025年第1期45-54,共10页
针对滚动轴承信号微弱故障特征提取困难、故障诊断依靠大量专家经验和故障识别率低等问题,提出了融合自适应噪声完备集合经验模态分解与改进一维多尺度卷积神经网络的滚动轴承故障诊断方法.首先,采用自适应噪声完备集合经验模态分解对... 针对滚动轴承信号微弱故障特征提取困难、故障诊断依靠大量专家经验和故障识别率低等问题,提出了融合自适应噪声完备集合经验模态分解与改进一维多尺度卷积神经网络的滚动轴承故障诊断方法.首先,采用自适应噪声完备集合经验模态分解对轴承信号进行消噪处理,并利用皮尔逊相关系数法对所得IMF分量进行信号重构;其次,在网络首层将大尺寸卷积核与空洞卷积结合,并引入金字塔场景解析网络提出改进的一维多尺度卷积神经网络,对故障特征信息进行提取,采用PSO算法对卷积核进行参数寻优;最后,融合多尺度特征信息完成网络学习,并输入Sofmax分类器,实现滚动轴承故障诊断.采用西储大学轴承数据集和HZXT-DS-001型双跨综合故障模拟实验台的滚动轴承故障数据进行了验证.结果表明,相比传统故障诊断方法该方法可以得到良好的诊断结果. 展开更多
关键词 自适应噪声完备集合经验模态分解 一维卷积神经网络 多尺度特征提取 特征可视化 故障诊断
在线阅读 下载PDF
基于CEEMDAN⁃TCN的短期风电功率预测研究
13
作者 李敖 冉华军 +2 位作者 李林蔚 王新权 高越 《现代电子技术》 北大核心 2025年第2期97-102,共6页
风力发电作为可再生能源的重要组成部分,在电力系统规划和日常运行中扮演着重要的角色,准确的短期风电功率预测对于电网的稳定运行和优化调度具有重要意义。为提高短期风电功率预测的准确性,提出一种基于自适应噪声完备集合经验模态分... 风力发电作为可再生能源的重要组成部分,在电力系统规划和日常运行中扮演着重要的角色,准确的短期风电功率预测对于电网的稳定运行和优化调度具有重要意义。为提高短期风电功率预测的准确性,提出一种基于自适应噪声完备集合经验模态分解和时间卷积网络的短期风电功率预测方法。首先利用自适应噪声完备集合经验模态分解对初始风电功率数据进行分解,得到多个相对稳定的子数据序列;然后将其分别作为时间卷积网络的输入,利用时间卷积网络模型进行特征提取和功率预测;最后将所有预测值进行汇总,得到最终的功率预测值。使用宁夏某地区真实风电功率数据进行验证,并与传统预测模型比较,结果表明所提方法具有较高的预测精度,可为风电功率短期预测等相关工作提供相关参考。 展开更多
关键词 短期风电功率预测 自适应噪声的完备集合经验模态分解(CEEMDAN) 时间卷积网络(TCN) 特征提取 预测精度 时间序列分析
在线阅读 下载PDF
基于CEEMDAN与ISSA优化SVM的风电机组轴承故障诊断方法
14
作者 胡春祥 孟凡勇 +2 位作者 罗文江 周爽 许璇 《机械设计》 北大核心 2025年第4期109-119,共11页
风电机组轴承运行工况复杂多变,高效轴承故障诊断方法对确保风电机组安全稳定运行具有重要意义。文中针对风电机组轴承在强噪声背景下故障特征提取困难的问题,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和改进麻雀搜索算法(I... 风电机组轴承运行工况复杂多变,高效轴承故障诊断方法对确保风电机组安全稳定运行具有重要意义。文中针对风电机组轴承在强噪声背景下故障特征提取困难的问题,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和改进麻雀搜索算法(ISSA)优化支持向量机(SVM)相结合的风电机组轴承故障诊断方法。首先,利用CEEMDAN对轴承振动信息进行降噪和分解,得到多个本征模函数(IMF)分量,根据相关系数和峭度准则,筛选有效IMF分量进行信号重构并特征提取;其次,通过引入Sin混沌映射、自适应惯性权重及莱维(Levy)飞行策略对麻雀搜索算法(SSA)进行改进;最后,采用ISSA-SVM模型进行风电机组轴承故障的识别和诊断。研究结果表明:实际工程风电机组轴承故障识别准确率为95.8%,验证了所提方法的有效性和鲁棒性。 展开更多
关键词 自适应噪声完备集合经验模态分解 支持向量机 麻雀搜索算法 Sin混沌映射 自适应惯性权重
在线阅读 下载PDF
基于CEEMDAN-CPO-VMD的RV减速器故障诊断模型
15
作者 郭曼 徐建 蔺梦雄 《机电工程》 北大核心 2025年第8期1490-1501,共12页
针对强背景噪声下旋转矢量(RV)减速器故障诊断困难的问题,提出了一种自适应噪声完备集合经验模态分解(CEEMDAN)结合冠豪猪算法(CPO)优化变分模态分解(VMD)的RV减速器故障诊断方法。首先,利用自适应噪声完备集合经验模态分解对含噪声目... 针对强背景噪声下旋转矢量(RV)减速器故障诊断困难的问题,提出了一种自适应噪声完备集合经验模态分解(CEEMDAN)结合冠豪猪算法(CPO)优化变分模态分解(VMD)的RV减速器故障诊断方法。首先,利用自适应噪声完备集合经验模态分解对含噪声目标信号进行了降噪分解,得到了一系列固有模态分量(IMF),再根据峭度值原则,选取了目标模态分量;然后,以包络熵为适应性函数,利用CPO算法对变分模态分解中的分解参数K值和α值进行了寻优计算,得到了最后的[K,α]组合,并对VMD进行了最优参数设置;最后,分解后得到一系列本征模态函数分量,对分解后的目标分量进行了重构,再对重构后的目标分量进行包络谱分析并进行了故障诊断,为了验证CEEMDAN-CPO-VMD方法的优越性,进行了实验对比分析。研究结果表明:经CPO重构后的信号信噪比为9.38,均方根误差为0.036,计算时间为36.59 s;利用CEEMDAN-CPO-VMD方法有效地提取了RV减速器的故障特征;对比验证该方法的可行性,使用频谱包络分析得到的结果,有较多的边频干扰,不能有效地定位故障点;同时,对比麻雀搜索算法(SSA)优化的VMD,经SSA算法重构后的信号信噪比为8.57,均方根误差为0.042,计算时间为50.24 s,相比于SSA算法,CPO算法的信噪比结果提高了0.78 dB,均方根误差降低了0.006,迭代时间减少了13.65 s,有了更好的收敛性,验证了CEEMDAN-CPO-VMD法有更好的诊断效果。该研究成果可为强噪声干扰下的RV减速器故障诊断提供参考。 展开更多
关键词 旋转矢量减速器 变速器 自适应噪声完备集合经验模态分解 冠豪猪优化算法 变分模态分解 包络熵 故障分类识别方法
在线阅读 下载PDF
基于CEEMDAN-IASO-TCN组合模型的中长期径流预报 被引量:1
16
作者 徐军杨 罗远林 +3 位作者 刘月馨 陈冬强 张坚 张楚 《人民长江》 北大核心 2025年第4期128-135,共8页
准确预测月径流对流域水资源管理至关重要。为了增强中长期径流预测的准确性,提出了结合自适应噪声完备集合经验模态分解(CEEMDAN)、改进原子搜索算法(IASO)和时间卷积网络(TCN)的CEEMDAN-IASO-TCN组合模型。该模型首先使用CEEMDAN对月... 准确预测月径流对流域水资源管理至关重要。为了增强中长期径流预测的准确性,提出了结合自适应噪声完备集合经验模态分解(CEEMDAN)、改进原子搜索算法(IASO)和时间卷积网络(TCN)的CEEMDAN-IASO-TCN组合模型。该模型首先使用CEEMDAN对月径流序列进行分解,然后利用IASO对TCN模型的批量大小、学习率、丢弃因子进行寻优,得到最优的时间卷积网络结构并利用最优的IASO-TCN对分量进行预测,最后重构分量预测结果得到最终月径流预测结果;以岷江流域镇江关水文站1957~2019年的月径流数据为研究对象,将所提模型与其他模型进行对比。研究结果表明:CEEMDAN-IASO-TCN模型具有较高的预测精度,训练和测试阶段的纳什系数分别达到0.9191和0.8691。研究成果可为水资源可持续利用提供可靠依据。 展开更多
关键词 中长期径流预报 自适应噪声完备集合经验模态分解 原子搜索算法 时间卷积网络 岷江流域
在线阅读 下载PDF
基于CEEMDAN的矿山微震信号特征提取和分类方法
17
作者 赵云锋 陈林林 +3 位作者 罗忠浩 蒲源源 尚雪义 黄文祥 《矿业安全与环保》 北大核心 2025年第2期105-112,120,共9页
为获得有效的灾害前兆信息,微震事件分类是必要前提。针对岩体破裂信号与爆破振动信号自动识别准确率低的问题,提出了基于自适应噪声集合经验模态分解(CEEMDAN)的矿山微震信号特征提取及分类方法:采用CEEMDAN求取微震信号的多阶本征模态... 为获得有效的灾害前兆信息,微震事件分类是必要前提。针对岩体破裂信号与爆破振动信号自动识别准确率低的问题,提出了基于自适应噪声集合经验模态分解(CEEMDAN)的矿山微震信号特征提取及分类方法:采用CEEMDAN求取微震信号的多阶本征模态(IMF)分量,借助相关性系数筛选主分量,计算各主分量的方差贡献率和能量谱系数,以此作为分类学习的特征向量;利用鲸鱼算法(WOA)优化的卷积长短时记忆神经网络(WOA-CNN-LSTM)对岩体破裂和爆破振动信号进行分类。结果表明:CEEMDAN的主分量为PC1~PC8,随着分解层数的增加,岩体破裂信号的方差贡献率和能量谱系数平均值先增后减,而爆破振动信号呈下降趋势;与相关系数、方差贡献率相比,将特征向量能量谱系数作为WOA-CNN-LSTM、支持向量机(SVM)、BP神经网络3种方法的输入,分类准确率最高;WOA-CNN-LSTM的识别效果明显优于Bayes判别法、SVM和BP神经网络,且基于主分量能量谱系数的分类准确率达到了91.50%。 展开更多
关键词 微震信号分类 自适应噪声集合经验模态分解 鲸鱼算法 卷积长短时记忆神经网络
在线阅读 下载PDF
CEEMDAN改进的CNN-LSTM短期电离层TEC预测模型
18
作者 焦迎香 李克昭 岳哲 《导航定位学报》 北大核心 2025年第3期107-115,共9页
针对电离层总电子含量(TEC)值的时序变化通常呈现非线性和随机性的问题,提出一种结合完全集合经验模态分解(CEEMDAN)和基于卷积神经网络和长短时记忆网络的时空网络(CNN-LSTM)神经网络的TEC预测模型:采用分解、预测和重构的方法,结合CEE... 针对电离层总电子含量(TEC)值的时序变化通常呈现非线性和随机性的问题,提出一种结合完全集合经验模态分解(CEEMDAN)和基于卷积神经网络和长短时记忆网络的时空网络(CNN-LSTM)神经网络的TEC预测模型:采用分解、预测和重构的方法,结合CEEMDAN在时间序列分解上和CNN-LSTM在预测精度上的优势,对电离层TEC值进行短期预测;然后利用国际全球卫星导航系统服务组织(IGS)中心发布的2019和2023年4个季节,以及分布在中高低纬度的6个格网点的TEC格网数据进行实验分析。实验结果表明,CEEMDAN-CNN-LSTM组合模型的预测结果能很好地反映电离层TEC的时间变化特性,在2019年太阳活动低年和2023年太阳活动高年的预测精度均方根误差(RMSE)相较于长短时记忆(LSTM)网络模型可分别平均提升2.62总电子含量单位(TECU)和10.44TECU,相较于CNN-LSTM模型可提升1.85TECU和7.23TECU。 展开更多
关键词 电离层总电子含量(TEC) 长短期记忆(LSTM)神经网络 卷积神经网络(CNN) 完全集合经验模态分解(CEEMDAN) 预测模型
在线阅读 下载PDF
基于CEEMDAN-LSTM的管道输送稀饲料浓度研究
19
作者 于慧泽 刘玉健 +1 位作者 刘涛 许少鹏 《饲料工业》 北大核心 2025年第10期8-18,共11页
为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题,提出一种基于完全自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆神经网络(LSTM)相组合的分类预测方法。该方法先通过CEEMDAN分解算法,将采集到的声音信号和振动信号分解为... 为解决管道输送稀饲料过程中稀饲料浓度难以检测的问题,提出一种基于完全自适应噪声完备集合经验模态分解(CEEMDAN)与长短期记忆神经网络(LSTM)相组合的分类预测方法。该方法先通过CEEMDAN分解算法,将采集到的声音信号和振动信号分解为多层具有不同特征的子序列分量本征模态函数(intrinsic mode function,IMF),然后分别建立LSTM网络模型进行单步预测,最后通过叠加预测结果得出管道输送稀饲料浓度最终预测值。结果表明:CEEMDAN分解算法优于经验模态分解(empirical mode decomposition,EMD)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)算法,可克服EMD模态混叠现象和EEMD带来的冗余噪声影响。CEEMDAN-LSTM模型分类预测振动信号的平均绝对误差(mean absolute error,MAE)指标为0.001、均方根误差(root mean square error,RMSE)指标为0.001,分类预测声音信号的MAE指标为0.036、RMSE指标为0.044。相较神经网络(back propagation,BP)、长短期记忆网络、支持向量回归(support vector machines,SVM)等分类预测模型具有更高的准确性。该方法可在管道输送稀饲料时精确预测其浓度提供理论依据,具有一定的实际应用意义。 展开更多
关键词 管道输送 浓度 完全自适应噪声完备集合经验模态分解(CEEMDAN) 长短期记忆神经网络(LSTM) 分类预测
在线阅读 下载PDF
考虑相关性的新能源电力系统风光功率短期联合预测模型
20
作者 沈赋 刘思蕊 +3 位作者 蔡子龙 王哲 杨光兵 翟苏巍 《太阳能学报》 北大核心 2025年第5期203-212,共10页
为提高新能源电力系统(NEPS)风/光功率预测的精确度以降低新能源并网对电网稳定性的影响,考虑风/光功率影响因素的相关性、NEPS分布式电源的特殊性以及模型预测误差的自适应优化能力,提出一种考虑相关性的新能源电力系统风光功率短期联... 为提高新能源电力系统(NEPS)风/光功率预测的精确度以降低新能源并网对电网稳定性的影响,考虑风/光功率影响因素的相关性、NEPS分布式电源的特殊性以及模型预测误差的自适应优化能力,提出一种考虑相关性的新能源电力系统风光功率短期联合预测模型。通过自适应噪声的完全集合经验模态分解(CEEMDAN)对原始数据进行处理,利用基于混沌鲸鱼算法(CWOA)优化的双向长短期记忆神经网络(BILSTM)模型对风/光功率初步预测获取预测误差,将分解后的风/光功率预测误差与原始输入特征融合,对光/风功率交叉联合预测。通过华东地区某新能源场站实际数据进行试验验证,结果表明,与传统预测模型相比,该文所提联合预测模型对NEPS风/光功率预测精度均有所提升。 展开更多
关键词 风力发电 光伏发电 功率预测 双向长短期记忆神经网络 新能源电力系统 自适应噪声的完全集合经验模态分解 混沌鲸鱼算法
在线阅读 下载PDF
上一页 1 2 14 下一页 到第
使用帮助 返回顶部