针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。
2022-05-12 09:21:19
156KB
1
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。
2022-05-06 09:23:18
3.92MB
1
原创EMD和EEMD变换在信号去噪中的应用含EEMD程序-wigb.m
EMD：经验模态分解 ，具体参见 https://www.ilovematlab.cn/thread-65516-1-1.html
EEMD：总体经验模态分解，一种改进的EMD方法。步骤如下：
1）通过给目标信号加上一组白噪声来获得一个总体；
2）对进行EMD分解，得到各个IMF分量；
3）给目标信号加入不同的白噪，重复以上两步；
4）分解后得到各自的IMF分量组；
5）取相应IMF的均值作为最终的IMF组；
6）取相应的剩余分量的均值作为最终的IMF组。function eemd_emd_quzao
clear all;clear;clc;clf;
load data
for i=1:21;
b=eemd,0.4,100);
bb=b b b b b b;
end
wigb,title
for i=1:21;
c=emd);
c=c c c c c;
end
figure
wigb,title复制代码
未命名.jpg
未命名1.jpg
未命名2.jpg
欲了解更多关于EEMD方面的信息，可以参考网站：http://rcada.ncu.edu.tw/research1.htm（台湾中央大学数据分析方法研究中心）
2022-03-31 17:02:27
3KB
1
信号分解EEMD方法，EEMD 方法作为一种信号分析技术，在研究信号的局部特征方面具有独特的优越性，非常适合处理非线性、非平稳信号.
2022-03-17 09:10:56
2KB
1
信号处理中，频率是信号最重要的表示。传统的傅里叶变换分析方法并不能分析出信号的某一频率在甚么时刻出现，为此产生了能同时在时间和频率上表示信号密度和强度的时频分析，如短时傅里叶变换和小波变换等，但其基本思想都是根据傅里叶分析理论，对非线性非平稳信号的分析能力不足，受限于Heisenberg不确定原理。HHT ( Hilbert Huang Transform)是由N. E.Huang 等人在1998 年提出的一种崭新的时频分析方法，能够对非线性非平稳的信号进行分析，同时具有良好自适应性的特点。其本质是对信号进行平稳化处理，将具有不同时间尺度的信号逐级分解开来。
HHT 方法在各领域已得到了
2022-03-08 09:31:08
419KB
1