导读:本文包含了经验模式分解论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:分解,模式,经验,低频,波罗的海,紊乱,模态。
经验模式分解论文文献综述
苏安龙,孙志鑫,何晓洋,张艳军,王长江[1]（2019）在《基于多元经验模式分解的电力系统低频振荡模式辨识》一文中研究指出提出了一种辨识电力系统主导低频振荡模式的新方法。该方法结合了多元经验模式分解(Multivariate Empirical Mode Decomposition, MEMD)、Teager能量算子及预测误差法(Prediction Error Method,PEM),通过多元经验模式分解将含电力系统低频振荡特征信息的信号进行分解,得到多个本征模函数(Intrinsic Mode Function, IMF)分量;借助Teager能量算子的快速响应能力,筛选出含有主导振荡模式的主要IMF分量;最后采用预测误差法辨识出各主导振荡模式的振荡频率和阻尼。分别利用IEEE68节点测试系统和辽宁电网实测PMU数据对所提方法进行分析、验证。结果表明,该方法可有效从电力系统的广域量测信息中辨识出电力系统的主导振荡模式。(本文来源于《电力系统保护与控制》期刊2019年22期）
刘冬冬,郭丹,吴慧莉,孙汝山,Chung-Kang,Peng[2]（2019）在《基于经验模式分解的心肺耦合技术在儿童睡眠分析中的应用》一文中研究指出目的探讨基于经验模式分解的心肺耦合分析技术(Cardio-Pulmonary Coupling,HHT-CPC)对儿童睡眠呼吸紊乱(Sleep-Disordered Breathing,SDB)的诊断价值。方法回顾性分析整夜Hypno PTT监测的儿童患者数据63例,根据鼻气流呼吸紊乱指数(Respiratory Disturbance Index,RDI)区分不同严重程度SDB组。比较各组的Hypno PTT睡眠参数、OSA-18量表评分及心肺耦合指标,观察新方法与临床SDB诊断方法的相关性与一致性;应用ROC曲线评价HHT-CPC的SDB诊断效率。结果疾病程度增加导致HHT-CPC的低频耦合、升高式低频耦合指标显着升高,而高频耦合明显降低,这些指标与Hypno PTT睡眠呼吸参数均体现出较强的相关性。其中HHT-CPC的RDI与Hypno PTT的RDI、3%氧减指数的相关性最强(r=0.844和0.770,P<0.001),且Bland-Altman分析结果体现出较高的一致性。在疾病诊断方面,ROC曲线下面积0.93,敏感度与特异度分别为0.85和0.90。结论 HHT-CPC与Hypno PTT诊断儿童SDB具有较好的一致性,具有较高的诊断价值。(本文来源于《中国医疗设备》期刊2019年08期）
林女贵[3]（2019）在《基于集合经验模式分解的ARIMA行业售电量预测模型》一文中研究指出售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果迭加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的ARIMA模型具有良好的预测精度。(本文来源于《电力科学与技术学报》期刊2019年02期）
吴衍,马碧芳,李立耀,陈国钦[4]（2019）在《基于改进的互补因散经验模式分解法的谐波检测法》一文中研究指出提出了基于改进的互补因散经验模式分解(CEEMD)算法的谐波电流检测法。该方法能将电流信号分解成内在模式函数(IMF),并创新地在分解过程中加入正负成对的高斯白噪声,抵消噪声余量,抑制了模式混迭问题,同时在筛分过程中加入平滑处理这个改进措施。使用新方法设计谐波检测电路,并做了与EEMD算法的对比仿真实验,结果表明:两个算法都可以分解出电流信号的谐波和基波分量,但是改进的CEEMD算法抑制了模式混迭问题,分解出来的基波分量与原信号基本吻合,两者的相关系数(CORR)为0.997,相对均方根误差(RRMSE)为0.00411,说明该法能够准确有效地分解谐波电流信号,同时该算法做了平滑处理的改进,可满足有源电力滤波器(APF)的需要。(本文来源于《高技术通讯》期刊2019年05期）
陈根[5]（2019）在《广义经验模式分解的齿轮断齿故障分析》一文中研究指出在齿轮故障研究中,对信号进行自适应的分析能取得很好的效果。在振动信号上,经验模式分解(EMD)能够很好地满足信号分析方法的自适应性。但经验模式分解不够完善,该研究在经验模式分解的基础上提出了极值点等差分组的广义经验模式分解(Generalized Empirical Mode Decomposition,GEMD),并在齿轮断齿故障中进行试验分析,取得了一定的效果。广义经验模式分解(GEMD)包含了EMD,是对EMD的补充与完善。(本文来源于《机械工程师》期刊2019年05期）
孙志鑫[6]（2019）在《基于多元经验模态分解的电力系统低频振荡模式辨识》一文中研究指出电力系统低频振荡现象一直是威胁电网稳定安全运行的主要因素之一,若振荡现象未自发地平息且不能被及时抑制,持续的振荡极有可能造成电网崩溃,引发一系列的安全事故。对电力系统低频振荡进行快速准确地辨识,可以帮助电力运行人员确定产生低频振荡现象的成因,以便采取相应的抑制措施,同时也能为预防这种现象的再次发生提供参考依据,有利于维持电网的安全、稳定、可靠运行。随着同步相量测量单元(phasor measurement unit,PMU)在电网中大规模配置,基于广域量测信息的辨识方法已在低频振荡分析领域取得了长足进步,但是,目前此类方法大多只限于对单一通道量测信号进行辨识,其辨识结果易受振荡模式的可观性及量测噪声的影响,存在不同信号通道之间振荡模式难以校准的问题。针对这一不足,本文采用一种基于多元经验模态分解(multivariate empirical mode decomposition,MEMD)的电力系统主导振荡模式辨识方法。通过引入多元经验模态分解,实现对于多通道量测信号的同步分解,得到对应不同振荡模式的多个本征模函数(intrinsic mode function,IMF)分量;然后利用Teager能量算子,计算每个本征模函数的相对能量值,并以相对能量权重为判断依据,筛选出振荡辨识所关心的主导振荡模式对应的本征模函数;在此基础上,引入预测误差法(prediction error method,PEM),从算法原理上对目前基于量测数据的振荡参数计算方法作出改进,准确求解主导振荡模式的振荡频率和阻尼比,进而提高低频振荡的在线检测水平,从整体角度把握系统的低频振荡特性。最后,通过IEEE 68节点测试系统的仿真数据和辽宁电网PMU广域实测数据对本文所提方法进行分析、验证,分析结果验证了本文所提方法的准确性和有效性。(本文来源于《东北电力大学》期刊2019-05-01）
张后壮[7]（2019）在《基于凸优化的叁元经验模式分解方法及其在轴承故障诊断中的应用》一文中研究指出在旋转机械中,滚动轴承的正常运转影响了整个设备的运行状况。因此,研究滚动轴承的故障诊断技术具有重要的意义。在实际现场中,振动信号的强噪声干扰、非线性非平稳的特点成为了滚动轴承故障诊断的难点问题。本文正是从这一问题出发,以机械设备中故障频发的滚动轴承为研究对象,研究基于凸优化的稀疏表示降噪方法,并以此为基础,提出一种改进的叁元经验模式分解方法(ITEMD)。最后将此方法与多尺度排列熵相结合,提出一种基于改进的叁元经验模式分解(ITEMD)以及多尺度排列熵的轴承故障分类方法,实现了滚动轴承降噪、特征提取和故障分类。本文的主要工作包括:(1)针对故障特征提取过程中噪声的干扰问题,通过稀疏表示的方式来实现对滚动轴承振动信号噪声的抑制。在改进L1范数的基础上,引入了参数化的非凸惩罚函数,既保持了目标函数的稀疏正则化,又保证了稀疏近似解的完整性,进一步抑制了噪声,提高稀疏表示的降噪效果。(2)考虑到滚动轴承叁元振动信号各方向之间的联系,提出了一种基于凸优化的叁元经验模式分解方法。该方法首先针对叁元信号去噪,提出了一种基于凸优化框架的低秩矩阵逼近方法。然后,利用奇异值分解(SVD)算法获得的主分量来表示样本方向,提出满足高维空间数据分布不均匀性要求的非均匀采样方案。最后由多元经验模式分解(MEMD)估计局部均值,分解得到各方向上的IMF分量。(3)将ITEMD与多尺度排列熵、K-均值聚类相结合,提出一种基于ITEMD与多尺度排列熵的轴承故障分类方法。该方法首先利用基于凸优化的叁元经验模式分解对实测叁元信号分解重构,以达到抑制噪声、提取主要特征的目的。接着利用多尺度排列熵量化叁方向信号的复杂度信息,并作为特征样本集输入K-均值聚类中实现对滚动轴承的故障分类。(本文来源于《武汉科技大学》期刊2019-05-01）
张倩,曲晨蕊,曾庆成[8]（2019）在《基于经验模式分解的原油运价指数波动》一文中研究指出为分析原油运输市场波动特征,构建基于经验模式分解(Empirical Mode Decomposition,EMD)和BEKK-GARCH模型的原油运价指数分析方法。利用EMD对油船运价指数进行分解、重构,获得3个时间序列,并在此基础上,利用BEKK-GARCH模型分析不同船型的原油运输子市场之间的波动溢出效应。实证分析结果表明:不同船型油船运输市场之间不存在波动溢出效应,而阿芙拉型(Aframax)船型的原油运输子市场的高频序列对苏伊士型(Suezmax)船型运输市场存在单向的波动溢出效应。与仅利用原始序列的分析相比,基于EMD和BEKK-GARCH模型的方法有助于分析时间序列之间的潜在影响关系。(本文来源于《中国航海》期刊2019年01期）
堵伟鹏,王怡,申影[9]（2019）在《经验模式分解(EMD)在形变数据分析中的应用》一文中研究指出台站形变仪器观测到的地震动信号(下称形变数据)一般情况下是一条各种因素影响下的非线性非平稳的复杂曲线。选取海拉尔台形变数据,通过经验分析识别出有分析价值的形变数据,运用MATLAB对其进行经验模式分解(EMD),EMD分解得到的各分量从高频逐一向低频呈现,依次进行平稳化处理后,成功分解出不同频率的固有模态函数(IMF),与残余函数R,每一个IMF分量都代表形变数据的固有特征,残余函数R代表形变数据的趋势项,形变数据得以被重构提取,通过提取特定分量,更加直观、高效提取形变数据中所需信息,提高形变数据分析效率。(本文来源于《内蒙古科技与经济》期刊2019年01期）
阮荣刚,李友荣,易灿灿,肖涵[10]（2019）在《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》一文中研究指出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。(本文来源于《机械设计与制造》期刊2019年01期）
经验模式分解论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的探讨基于经验模式分解的心肺耦合分析技术(Cardio-Pulmonary Coupling,HHT-CPC)对儿童睡眠呼吸紊乱(Sleep-Disordered Breathing,SDB)的诊断价值。方法回顾性分析整夜Hypno PTT监测的儿童患者数据63例,根据鼻气流呼吸紊乱指数(Respiratory Disturbance Index,RDI)区分不同严重程度SDB组。比较各组的Hypno PTT睡眠参数、OSA-18量表评分及心肺耦合指标,观察新方法与临床SDB诊断方法的相关性与一致性;应用ROC曲线评价HHT-CPC的SDB诊断效率。结果疾病程度增加导致HHT-CPC的低频耦合、升高式低频耦合指标显着升高,而高频耦合明显降低,这些指标与Hypno PTT睡眠呼吸参数均体现出较强的相关性。其中HHT-CPC的RDI与Hypno PTT的RDI、3%氧减指数的相关性最强(r=0.844和0.770,P<0.001),且Bland-Altman分析结果体现出较高的一致性。在疾病诊断方面,ROC曲线下面积0.93,敏感度与特异度分别为0.85和0.90。结论 HHT-CPC与Hypno PTT诊断儿童SDB具有较好的一致性,具有较高的诊断价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
经验模式分解论文参考文献
[1].苏安龙,孙志鑫,何晓洋,张艳军,王长江.基于多元经验模式分解的电力系统低频振荡模式辨识[J].电力系统保护与控制.2019
[2].刘冬冬,郭丹,吴慧莉,孙汝山,Chung-Kang,Peng.基于经验模式分解的心肺耦合技术在儿童睡眠分析中的应用[J].中国医疗设备.2019
[3].林女贵.基于集合经验模式分解的ARIMA行业售电量预测模型[J].电力科学与技术学报.2019
[4].吴衍,马碧芳,李立耀,陈国钦.基于改进的互补因散经验模式分解法的谐波检测法[J].高技术通讯.2019
[5].陈根.广义经验模式分解的齿轮断齿故障分析[J].机械工程师.2019
[6].孙志鑫.基于多元经验模态分解的电力系统低频振荡模式辨识[D].东北电力大学.2019
[7].张后壮.基于凸优化的叁元经验模式分解方法及其在轴承故障诊断中的应用[D].武汉科技大学.2019
[8].张倩,曲晨蕊,曾庆成.基于经验模式分解的原油运价指数波动[J].中国航海.2019
[9].堵伟鹏,王怡,申影.经验模式分解(EMD)在形变数据分析中的应用[J].内蒙古科技与经济.2019
[10].阮荣刚,李友荣,易灿灿,肖涵.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[J].机械设计与制造.2019
论文知识图
