基于小波包分解的 EMD 方法
结合emd与小波算法优点的数据滤波方法研究
结合emd与小波算法优点的数据滤波方法研究摘要：emd算法在处理非线性、非平稳信号方面具有独特优势，其能根据信号本身的特点进行自适应分解，得到一系列只包含单一分量的本征模态函数imf；小波算法在单一分量信号的滤波过程当中效果显著，因此将二者算法优点结合起立，滤波效果显著。
关键词：emd；小波；数据滤波；信噪比1 引言经验模态分解方法(Empirical Mode Decomposition，EMD或emd)是一种新的信号时频分析方法，它被认为是以线性、平稳假设为前提条件的傅里叶变换和小波分析方法的重大突破[1]。
emd方法具有自适应特性，能够根据信号自身的特征来进行分解，把信号所包含不同尺度的波动逐级分解开来，因此在处理非线性、非平稳信号方面具有独特优势。
小波分析方法具有多分辨率的特性，在时域与频域方面都能达到良好的分解效果，而且由于有用信号与干扰信号在不同的尺度下会呈现不同的时频特性，所以根据这些特征差异可以将有用信号与干扰信号区别开来，实现滤波功能。
[2]。
但是用emd和小波算法来做滤波处理时，不可避免的会存在一些问题。
用emd算法处理得到的一系列单分量信号可能同时包含噪声和有用信号，即为模态混叠现象[3]。
小波阈值滤波必须实现选择小波基函数与阈值，选择不同的基函数与阈值，滤波效果不尽相同[4]。
本文将二者算法优点结合进行数据滤波，仿真实验表明，这种滤波方法效果最佳。
2 emd单独滤波分析emd算法的本质是将一个非线性非平稳信号按其自身特点进行逐级分解，得到一系列只包含单一振动模态的本征模态函数；而且Huang等人在研究这些函数时，提出用计算imf分量平均周期的的方法来验证emd算法的滤波特性。
对于一个imf分量，其平均周期为整个数据系列的采样点数与imf分量极大值点个数或极小值点个数的比值[5]。
通过对大量不同长度的白噪声进行试验，结果表明第i 个imf分量的平均周期大致为第i+1个imf平均周期的一半，即先分解得到的一些imf频率较高，一般含噪声信号较多，剩下低频成分含有用信号较多。
基于EMD和小波阈值去噪的声发射信号处理
设备管理与维修2019翼10（上）基于EMD 和小波阈值去噪的声发射信号处理刘婷（中山火炬职业技术学院，广东中山528400）摘要：为了提取更加准确的声发射信号的信息，基于断铅试验，利用EMD 对声发射信号进行特征提取，并且对提取后的特征信号再进行小波去噪处理。
结果表明，该方法能够保持原信号特征不变，并且使信号特征更加明显，有助于后续声发射信号处理。
关键词：EMD ；小波；声发射信号中图分类号：TN911.4文献标识码：BDOI ：10.16621/ki.issn1001-0599.2019.10.130引言声发射检测是一种通过声发射仪器，接收和分析材料或者结构由于损伤导致应变能快速释放而产生的声发射信号，继而评定材料性能以及结构完整性的无损检测方法。
作为一种监测预报技术，声发射检测技术是工程无损检测应用研究的有力手段。
它几乎适用于各种工况及各种工件，对工件表面状态要求很低，不仅能够实现高精度的静态检测，而且在动态损伤检测方面十分优秀[1-3]。
序，检查每个运动点P 的实际值与设定值的偏差。
用户程序坐标如图2所示，所有P 点位置的坐标值均无偏差，且不经过任何关节坐标的奇异点。
测试通过。
3模拟仿真运行排查通过3Donsite 软件[3]，仿真机器人正常工作时的用户程序。
用户程序运动轨迹如图3所示，在运动过程中发现，按照正常速度运行的程序与示教器慢速运行程序时的坐标位置有偏差，其表现为：机器人以正常工作速度的10%执行用户程序时，由A 点经B 点至C 点，并经过关枪点b忆、刷子设置点c忆、开枪点d忆，以直线方式运行；随着工作速度的增加，执行用户程序，在A 点与C 点的直线运动，逐渐变成了弧线运动，转折点B 的角度越来越小；机器人以正常工作的速度执行用户程序时，由A 点到C 点的运动轨迹将不经过B 点，而是由关枪点b忆以弧线轨迹延伸到C 点；当传送带速度编码器脉冲信号输入时，随着脉冲信号的变化，调整运动速度，在脉冲信号波动较大时，由关枪点b忆至C 点的弧线轨迹就跨过B 点和d忆点，这时仿真运行中断，出现高压报警的故障。
基于小波变换去噪预处理的EMD谐波检测方法
文章编号 ：１６７４—３８１４（２０１６）０６—００５８—０４
电网 与 清 洁 能 源
Ｐｏｗｅｒ Ｓｙｓｔｅｍ ａｎｄ Ｃｌｅａｎ Ｅｎｅｒｇｙ
中图分类号 ：ＴＭ９３５
Ｖｏｌ＿３２ Ｎｏ．６ Ｊｕｎ．２０１６
文献标志码 ：Ａ
基于 小波变 换去 噪预 处理 的ＥＭ Ｄ谐波 检测 方法
基金项 目：青 海省光伏并 网技术重点实验 室项 目 （２０１４一Ｚ— Ｙ３４Ａ） 、
Ｐｒｏｊｅｃｔ Ｓｕｐｐｏｒｔｅｄ ｂｙ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｇｒｉｄ Ｃｏｎｎｅｃｔｅｄ Ｐｈｏｔｏｖｏｈａｉｃ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｑｉｎｇｈａｉ Ｐｒｏｖｉｎｃｅ（２０１４一Ｚ—Ｙ３４Ａ）．
ＡＢＳＴＲＡ ＣＴ ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｔｈｅ ｅｍｐｉｒｉｃａｌ ｍ ｏｄｅ ｄｅｃｏｍ ｐｏｓｉｔｉｏｎ （ＥＭＤ）ｉｓ ｔａｋｅｎ ａｓ ａ ｍｅｔｈｏｄ ｏｆ ｈａｒｍｏｎｉｃ ｄｅｔｅｃｔｉｏｎ．Ｔｈｒｏｕｇｈ ＥＭ Ｄ ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ｔｈｅ ｓｉｎｕｓｏｉｄａｌ ｓｉｇｎａｌ ｃｏｎｔａｉｎｉｎｇ ｈａｒｍｏｎｉｃｓ ｉｓ ｄｅｃｏｍｐｏｓｅｄ ｉｎｔｏ ｔｈｅ ＩＭ Ｆ ｃｏｍｐｏｎｅｎｔ ａｎｄ ｐｏｗｅｒ ｆｒｅｑｕｅｎｃｙ ｃｏｍｐｏｎｅｎｔ ｃｏｎｔａｉｎｉｎｇ ｈａｒｍｏｎｉｃｓ ｏｆ ａｌｌ ｏｒｄｅｒｓ ｔｏ ｄｅｔｅｃｔ ｈａｒ— ｍ ｏｎｉｅｓ ｆｒｏｍ ｔｈｅ ｐｏｗｅｒ ｇｒｉｄ．Ｔｈｅ ｓｔｕｄｙ ｆｉｎｄｓ ｔｈａｔ ｔｈｅ ｓａｍｐｌｉｎｇ ｎｏｉｓｅ ｉｎ ｔｈｅ ｓｉｇｎａｌ ｈａｓ ａ ｇｒｅａｔｅｒ ｉｍｐａｃｔ ｏｎ ｔｈｅ ＥＭＤ ｄｅｃｏｍ － ｐｏｓｉｔｉｏｎ ａｎｄ ｐｒｏｐｏｓｅｓ ｉｓ ａｎ ＥＭ Ｄ ｈａｒｍｏｎｉｃ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ Ｏｉｌ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｄｅｎｏｉｓｉｎｇ ｐｒｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｉｓ ｍｅ— ｔｈｏｄ ｆ ｉｒｓｔｌｙ ｕｓｅｓ ｔｈｅ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｈｅ ｒａｎｄｏｍ ｗｈｉｔｅ ｎｏｉｓｅ ｏｎ ｔｈｅ ｓｉｇｎａｌ， ｔｈｅｎ ｔｈｅ ｓｉｇｎａｌ ｃｏｎｔａｉｎ— ｉｎｇ ａ ｓｍ ａｌｌ ａｍ ｏｕｎｔ ｏｆ ｗｈｉｔｅ ｎｏｉｓｅ ｉｓ ｄｅｃｏｍｐｏｓｅｄ ｂｙ ＥＭ Ｄ．Ｔｈｅ ＭＡＴＬＡＢ ｓｉｍ ｕｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｓｕｇｇｅｓｔｓ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍ ｅｔｈｏｄ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｅｌｉｍｉｎａｔｅ ｔｈｅ ｉｎｆ ｌｕｅｎｃｅ ｏｆ ｔｈｅ ｒａｎｄｏｍ ｎｏｉｓｅ ｏｎ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｈａｒｍ ｏｎｉｅｓ ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ａｐｐｌｉｃａｂｉｌｉｔｙ ｏｆ ｔｈｅ ＥＭ Ｄ ｈａｒ ｍ ｏｎｉｃ ｄｅｔｅｃｔｉｏｎ． ＫＥＹ Ｗ ＯＲＤＳ：ｈａｒ ｍ ｏｎｉｃ ｄｅｔｅｃｔｉｏｎ； ｅｍｐｉｒｉｃａｌ ｍｏｄｅ ｄｅｃｏｍ ～ ｐｏｓｉｔｉｏｎ；ｍｏｄｅ ｍｉｘｉｎｇ；ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒ ｍ
基于小波EMD的柴油机油耗量测量信号去噪处理
基于小波EMD的柴油机油耗量测量信号去噪处理刘玉梅;袁文华;彭雨【摘要】提出基于小波经验模态分解的柴油机油耗量信号去噪处理算法.将柴油机油耗量测量信号进行经验模态分解(EMD)后,经阈值处理和尺度滤波,去掉主要干扰因素所对应的本征模函数(IMF)分量,然后对剩余IMF分量进行重构,得到去噪后柴油机油耗量测量信号的时间序列.测试结果表明:重构后的信号能反映柴油机油耗量信号的真实趋势,其相对误差约为0.72％.%A new method for denoising disposal of measurement signals of fuel consumption from diesel engine was proposed by using wavelet and empirical mode decomposition (EMD) fusion. The measurement signals were disposed by EMD, restricting soft threshold and scale filtering, and the IMF components responds to main interference factors were eliminated, the time sequence of measurement signals of fuel consumption from diesel engine was obtained by reconstructing the remaining IMF components. The results show that the reconstructed signals can reflect the true trend of measurement signals of fuel consumption and the relative error is about 0.72%.【期刊名称】《中南大学学报（自然科学版）》【年(卷),期】2012(043)002【总页数】6页(P516-521)【关键词】经验模态分解;小波;去噪处理;柴油机;油耗量【作者】刘玉梅;袁文华;彭雨【作者单位】邵阳学院机械与能源工程系,湖南邵阳,422004;邵阳学院机械与能源工程系,湖南邵阳,422004;邵阳学院机械与能源工程系,湖南邵阳,422004【正文语种】中文【中图分类】TK427油耗是柴油机的重要技术性能指标之一，有效油耗能直接反映柴油机的燃油经济性。
基于EMD和小波分解的管道泄漏声发射源定位
基于EMD和小波分解的管道泄漏声发射源定位吴旭景;杜斌;叶陈【摘要】由于管道泄漏声发射检测信号中含有大量噪声,因此在一定程度上影响了泄漏源定位的精准度.针对这一问题,首先将管道泄漏声发射信号进行经验模态分解(EMD),然后对其中高频分量进行小波分解去噪,保留有用的信号特征,最后对有效分量进行重构得到去噪后的管道泄漏声发射信号,并通过相关分析进行定位.结果表明:相比单一的信号处理方法,采用EMD和小波分解相结合的方法对声发射信号进行去噪重构,并进行相关分析计算,得到的泄漏源定位更精确.【期刊名称】《无损检测》【年(卷),期】2015(037)010【总页数】4页(P60-63)【关键词】声发射检测;EMD分解;小波分解;管道泄漏【作者】吴旭景;杜斌;叶陈【作者单位】浙江省特种设备检验研究院,杭州310020;浙江省特种设备检验研究院,杭州310020;沈阳特种设备检测研究院,沈阳110179【正文语种】中文【中图分类】TE973;TG115.28由于服役期较长、腐蚀、老化等原因，石油化工、天然气、医药、食品等行业中所用的管道不可避免地存在各种缺陷或隐患，若不及时发现这些缺陷或隐患，将带来不堪设想的后果。
声发射作为一种新兴的动态无损检测技术[1-2]，以其动态性、整体性、实时性、高效性和经济性等特点，在管道检测中的应用日益广泛[3-6]。
然而，管道检测现场环境一般都比较复杂，采集到的信号极易受到噪声的干扰，且信号及其干扰信号都属于非稳态信号，因此，如何从信号中剔除干扰噪声并有效提取管道泄漏声发射信号,一直是人们研究的热点。
经验模态分解(EMD)和小波分解都可以对非平稳信号进行分解，被广泛应用于声发射信号的去噪处理[7-12]。
然而EMD虽然是根据信号本身的局部特征信息进行自适应多分辨率地分解，但其分解出来的IMF(本征模函数)分量中，高频部分出现噪声分量，低频部分出现虚假分量；小波分解虽也可对信号实现多分辨率分析，其算法简单且计算速度快，但分解尺度一旦选定其分辨率大小也就确定，也就不具备自适应的分解特性。
小波EMD神经网络信号处理
小波分析小波变换的基本原理离散小波变换z通过小波变换对某给定的信号进行分解，对信号小波包分解•小波包分解:不仅对信号的低频分量连续进行分解，而且对高频分量也进行连续分解，这样不仅可得到许多分辨率较低的低频分量，而且也可得到许多分辨率较低的高频分量.•对信号在整个频域范围内分解，不仅提高低频部分的频域分辨率，而且可提高高频部分的频域分辨率。
•小波包分解示意图采用小波包分解可以将原始信号分解到相邻的不同频率段上，并且可以用重构算法，提取某一频率段信号加以重构。
三级小波包分解树1332S A AAD DAD DD=+++33333333+ADAS AAA DAA DDA AAD DAD ADD DDD =++++++频域分析方法比较：–傅立叶分析小波分析具体步骤•小波分析技术在时域和频域均具有局部分析功能，所以适合•②确定小波基的阶数小波变换问题所在例：对白噪声信号noissin进行3层小波分解，所用小波函数为‘db4’。
load noissin; 读入白噪声信号s=noissin(1:1000); 取信号的前1000个采样点[c,l]=wavedec(s,3,’db4’); 对信号做3层多尺度分解[cd1,cd2,cd3]=detcoef(c,l,[1,2,3]);[cd1,cd2,cd3]detcoef(c,l,[1,2,3]);得到三个尺度的细节系数ca3=appcoef(c,l,’db4’,3); 得到尺度3的近似系数figure;subplot(511);plot(1:1000,s);title(‘s’); 绘制原始信号subplot(512);plot(ca3);title(‘ca3’); 绘制尺度3的近似系数subplot(513);plot(cd3);title(‘cd3’); 绘制尺度3的细节系数subplot(514);plot(cd2);title('cd2'); 绘制尺度2的细节系数subplot(515);plot(cd1);title('cd1'); 绘制尺度1的细节系数中，各层分解后的长度存到数组l中；[nc,nl]=upwlev(c,l,‘sym1’);通过第四层小波系数重建第三层小波近似系数，把三层的系数存放在数组nc中，三层分解的长度存放到数组nl中figure;subplot(311);plot(s);title(‘原始信号’); 绘制原始信号subplot(312);p();plot(c);title('做4层wavedec得到的结果');subplot(313);plot(nc);title('做3层wavedec得到的结果');lev=5;lev5;[c,l]=wavedec(x,lev,wname); 用sym6小波对信号x做5层分解sigma=wnoisest(c,l,1); 通过第1层的细节系数估算信号的噪声强度σ；alpha=2; 选择参数α＝2thr1=wbmpen(c,l,sigma,alpha); %使用penalty策略确定降噪的阈值xd1=wdencmp(‘gbl’,c,l,wname,lev,thr1,’s’,1);%重建降噪信figure;subplot(411);plot(x);title(‘原始信号’);subplot(412);plot(xd1);title(‘使用penalty阈值降噪后信号’);小波工具箱的在前面的介绍中，都是用命令行的方式来利用小波工具箱菜单提供如下的功能：一维小波分析工具类，包括：一维小波变换、一维小波包变换等。
基于小波包和改进EMD的脑电信号消噪研究
基于小波包和改进EMD的脑电信号消噪研究郑佳佳;郭滨【摘要】由于采集到的脑电信号含有噪声,提出了总体经验模态分解(EEMD)的希尔伯特黄变换(HHT)结合小波包分析的脑电信号去除噪声的方法.含噪脑电信号经EEMD分解可以得到一定数量的IMF分量,而且可以解决经验模态分解(EMD)时的模态混叠问题,然后,对IMF分量进行Hilbert变换,分析Hilbert谱,把含噪的IMF 部分进行小波包处理,最后,把各IMF相加,可得处理过噪声的脑电.经验证得,单独使用小波包方法消噪和改进EMD消噪,都没有小波包结合改进EMD方法的信噪比高,提高了去噪效果,有利于更精确的诊断医学疾病.%Since the collected EEG signals contain noise,a method based on the Hilbert-Huangtransform(HHT) of Ensemble Empirical ModeDecomposition(EEMD)combined with the wavelet packet is proposed to remove noise from EEG. The EEMD decomposition can get a certain number of IMF components of noisy EEG signals and solve the modal aliasing problem in empirical mode decomposition(EMD). Then,Hilbert transform is used to analyze IMF components,Hilbert spectrum is analyzed,IMF part of the wavelet packet processing,and finally,the IMFs are add-ed,have been dealt with noise EEG. It has been verified that using the wavelet packet method alone to denoise and improving the EMD denoising,no wavelet packet combined with the improved EMD method has a high sig-nal-to-noise ratio,which improves the denoising effect and is more accurate for the diagnosis of medical diseases.【期刊名称】《长春理工大学学报（自然科学版）》【年(卷),期】2018(041)002【总页数】4页(P110-113)【关键词】HHT;EEMD;小波包去噪;脑电信号【作者】郑佳佳;郭滨【作者单位】长春理工大学电子信息工程学院,长春130021;长春理工大学电子信息工程学院,长春130021【正文语种】中文【中图分类】TP391.4把大脑皮层或头皮表面的微弱的生物电通过脑电图描记仪画成曲线图，这个曲线图反映了脑电的活动情况，也叫做脑电图［1］（electroencephalogram，EEG）。
小波_形态_EMD综合分析法及其应用
振 动 与 冲 击第27卷第5期JOURNAL OF V I B RATI O N AND SHOCKVol .27No .52008 小波-形态-E MD 综合分析法及其应用基金项目:国家自然科学基金资助项目(No .50605065);重庆市自然科学基金资助项目(No .2007BB2142)收稿日期:2007-08-09 修改稿收到日期:2007-09-11第一作者柏 林男,博士,副教授,1972年生柏 林, 刘小峰, 秦树人(重庆大学机械学院测试中心,重庆 400044) 摘 要:在经验模态分解(E MD )的理论基础上,分析了随机白噪声及局部强干扰对E MD 分解质量的影响,结合小波消噪和形态滤波理论,提出了一种新型的小波-形态-E MD 算法模型。
该模型将小波形态变换作为E MD 前置滤波单元,可以减少不必要的分解层次,降低E MD 分解的边界积累效应,消除局部强干扰造成的模态裂解现象,有效提高E MD 的时效性和精确度。
利用仿真信号分析实例详述了这种综合分析方法的实施过程,并将该方法成功运用于齿轮故障的早期检测中。
实验结果证明该方法在机械故障诊断中切实可行,具有较好的应用价值。
关键词:经验模态分解;小波消噪;形态滤波;边界积累误差;模态混叠中图分类号:TG156 文献标识码:A 机械设备的复杂振动信号,不仅具有非平稳性而且呈非线性特点,对这些非平稳振动信号的分析已经成为信号分析和故障诊断领域的一个研究热点。
经验模态分解(E MD )是一种适合于非线性、非平稳信号的分析方法,其本质是对信号进行平稳化处理,把复杂的信号分解成有限个瞬时频率有意义的、幅度或频率受调制的高频和低频的本征模态分量(I M F )。
与小波分析方法相比,它是一种无需任何先验知识的自适应时频分析方法,其分解基依赖于信号本身,数据分解有真实的物理意义,且有较高的时频分辨率。
大部分文献对E MD 的应用多集中于对E MD 分解的后处理工作,即借助一般的时频分析工具对分解得到的I M F 分量进一步分析,给出原信号的时频分布特征。