检索结果-内蒙古大学图书馆

作者：谭波李凌 611731 四川省成都市高新区(西区)西源大道2006号

本发明公开了一种基于本征模函数相干分析的事件诱发电位提取装置，该发明的主要技术特点包括：通过脑电测试系统采集包含自发脑电和事件刺激下诱发脑电混合信号；将脑电混合信号经过预处理后输入本征模函数序列获取单元进行分解并获得... 详细信息

标准号: CN113662564B

本发明公开了一种基于本征模函数相干分析的事件诱发电位提取装置，该发明的主要技术特点包括：通过脑电测试系统采集包含自发脑电和事件刺激下诱发脑电混合信号；将脑电混合信号经过预处理后输入本征模函数序列获取单元进行分解并获得合格的IMFs序列；然后将上述IMFs分量序列输入到IMFs相干分析及筛选单元，并结合刺激前自发脑电信号的特性，计算每个IMFs分量与该信号刺激前自发脑电的相干值，筛选并排除与自发脑电信号相干性最大的IMF分量；再将剩下的分量进行重组，所得重组信号即为事件诱发信号。本发明是基于脑电信号自身的局部特征来快速有效地提取到高质量的ERP信号，对先验知识和重复刺激次数无固定要求，相对传统叠加平均方法提取更高效和更准确。

关键词：相干脑电自发脑电信号本征模函数混合信号自发脑电刺激预处理事件诱发电位测试系统方法提取固定要求技术特点局部特征脑电信号筛选单元提取装置先验知识信号刺激序列获取序列输入诱发信号重组信号相干性有效地叠加诱发分析采集筛选分解重复

来源：评论

学校读者我要写书评

暂无评论

一种基于本征模函数相干分析的事件诱发电位提取装置

一种基于本征模函数相干分析的事件诱发电位提取装置

引用

作者：谭波李凌 611731 四川省成都市高新区(西区)西源大道2006号

标准号: CN113662564A

来源：评论

学校读者我要写书评

暂无评论

基于本征模函数和广义回归网络的刀具声发射信号诊断

引用

制造技术与机床 2015年第6期 80-83页

作者：王宇喻俊馨钟雯刘小莹宋春华西华大学机械工程与自动化学院四川成都610039

针对刀具加工声发射信号非平稳特点,提出基于本征模函数和广义回归神经网络的刀具切削声发射信号故障诊断方法。该方法对刀具声发射信号进行经验模态分解,抽取本征模函数,并计算各阶模函数能量分布,提取特征向量作为神经网络的输入,利... 详细信息

针对刀具加工声发射信号非平稳特点,提出基于本征模函数和广义回归神经网络的刀具切削声发射信号故障诊断方法。该方法对刀具声发射信号进行经验模态分解,抽取本征模函数,并计算各阶模函数能量分布,提取特征向量作为神经网络的输入,利用果蝇算法优化广义回归神经网络径向基函数分布系数。试验结果证明了该方法的有效性和稳定性。

关键词：声发射果蝇算法广义回归神经网络本征模函数刀具故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于EMD-PSO-BP模型的短期潮流流速预测

引用

中国海洋大学学报（自然科学版） 2024年第11期54卷 134-141页

作者：邵萌潘正中孙金伟邵珠晓伊传秀中国海洋大学工程学院山东青岛266100

针对潮流流速的随机性和波动性,本研究基于经验模态分解(Empirical mode decomposition,EMD)和粒子群优化(Particle swarm optimization,PSO)算法,改进了反向传播(Back propagation,BP)神经网络的短期潮流流速预测模型。该模型首先对原... 详细信息

针对潮流流速的随机性和波动性,本研究基于经验模态分解(Empirical mode decomposition,EMD)和粒子群优化(Particle swarm optimization,PSO)算法,改进了反向传播(Back propagation,BP)神经网络的短期潮流流速预测模型。该模型首先对原始流速序列进行EMD分解,得到多个本征模函数(Intrinsic mode function,IMF)和残差。然后,利用PSO改进BP神经网络,对分解所得的IMF和残差分别进行预测。最后,将各个预测结果相结合,得出流速的最终预测结果,从而提高潮流流速的预测精度。本文以江苏省潮流流速为例,分别建立BP、PSO-BP、EMD-BP以及EMD-PSO-BP四类预测模型,以对潮流流速进行预测和对比分析。结果表明,相较于其他模型,EMD-PSO-BP预测模型在潮流流速的预测方面具有更高的精度,为潮流能开发提供重要的数据支撑。

关键词：潮流流速预测经验模态分解反向传播神经网络粒子群优化算法本征模函数

来源：评论

学校读者我要写书评

暂无评论

基于参数优化的VMD与TEO融合的微电网电能质量检测方法

引用

电气工程学报 2023年第2期18卷 164-173页

作者：王玉梅郑义河南理工大学电气工程与自动化学院焦作454000

针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动... 详细信息

针对变分模态分解(Variational mode decomposition,VMD)检测微电网中多类电能质量扰动信号时,其实时性差及多类信号难以统一处理的问题,提出一种参数优化的VMD与Teager能量算子(Teager energy operator,TEO)融合的微电网电能质量扰动检测方法。针对VMD方法参数难确定的问题,利用天牛须搜索(Beetleantennaesearch,BAS)对VMD方法的最佳参数进行优化搜索。搜索过程以VMD分解后各本征模函数的包络熵极小值与VMD迭代次数的结合作为适应度函数。根据搜索结果设定VMD方法的最佳分解层数K和惩罚因子α,并运用参数优化VMD对扰动信号进行分解。针对扰动信号经分解后本征模函数的筛选问题,以包络熵为指标,选取包络熵较小值的本征模函数进行TEO解调分析,提取扰动信号的特征信息。仿真结果表明,融合算法能实现对微电网电能质量扰动的准确检测,并具有良好的抗噪性。

关键词：变分模态分解天牛须搜索电能质量扰动 Teager能量算子包络熵本征模函数

来源：评论

学校读者我要写书评

暂无评论

基于EMPC-BCGRU的云虚拟机CPU负载分析预测

引用

计算机科学 2023年第8期50卷 243-250页

作者：谢同磊邓莉尤文龙李锐龙武汉科技大学计算机科学与技术学院武汉430065 智能信息处理与实时工业系统湖北省重点实验室武汉430065

云平台资源预测对于云资源管理和节能具有非常重要的意义。云虚拟机技术是云平台为了充分利用物理资源而实施的一种虚拟化手段,但是有效的云虚拟机负载预测仍具有挑战性,因为云虚拟机负载具有周期性和非周期性的变化模式以及突变的负载... 详细信息

云平台资源预测对于云资源管理和节能具有非常重要的意义。云虚拟机技术是云平台为了充分利用物理资源而实施的一种虚拟化手段,但是有效的云虚拟机负载预测仍具有挑战性,因为云虚拟机负载具有周期性和非周期性的变化模式以及突变的负载峰值,云虚拟机负载受到用户随机提交作业的影响。为了准确分析云虚拟机负载的变化模式,提升云虚拟机CPU负载预测性能,提出了一种基于分解-预测的云虚拟机负载预测方法。通过经验模态分解和主成分分析的云虚拟机负载模式分解,得到不同尺度的特征波动序列;预测模型的卷积层能够充分提取分解后的特征,并通过双向门控循环神经网络双向学习序列的前向和后向依赖关系,提高了预测模型学习云虚拟机负载变化模式的能力。最后,在真实云环境微软Azure产生的2019 VM数据集上进行单步和多步预测实验,验证了所提预测方法的有效性。

关键词：云虚拟机分解模式本征模函数负载预测神经网络模型

来源：评论

学校读者我要写书评

暂无评论

基于自适应滤波的无人机视觉导航误差补偿方法研究

引用

中国安全生产科学技术 2023年第6期19卷 193-198页

作者：袁丁王艳红雒旭峰中国民航大学飞行分校天津300300 中国民用航空局航空事故调查中心北京101399

为精确校准复杂自然环境下无人机的导航误差,提出基于自适应滤波的无人机视觉导航误差补偿方法。通过对视觉图像信号采取经验模态分解,构建无人机视觉导航图像的本征模函数,运用自适应滤波消除本征模函数噪声;采用长短期记忆网络构建无... 详细信息

为精确校准复杂自然环境下无人机的导航误差,提出基于自适应滤波的无人机视觉导航误差补偿方法。通过对视觉图像信号采取经验模态分解,构建无人机视觉导航图像的本征模函数,运用自适应滤波消除本征模函数噪声;采用长短期记忆网络构建无人机视觉导航误差的线性预测模型;考虑空变性残留误差和运动误差,运用子图像划分策略将图像分割成若干个迭代块,引入校准比例指数,利用最小熵自聚焦法完成无人机视觉导航的误差补偿任务。研究结果表明:基于自适应滤波的无人机视觉导航误差补偿方法具备良好的图像去噪效果,可以精确校准无人机视觉导航误差且鲁棒性较强。

关键词：自适应滤波无人机视觉导航经验模态分解本征模函数最小熵自聚焦法

来源：评论

学校读者我要写书评

暂无评论

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

引用

微特电机 2024年第1期52卷 20-25,30页

作者：王子豪王硕关博凯鲍晓华合肥工业大学电气与自动化工程学院合肥230009

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始... 详细信息

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。

关键词：轴承故障诊断经验模态分解故障特征提取改进形态滤波本征模函数

来源：评论

学校读者我要写书评

暂无评论

基于CEEMD和优化KNN的离心泵故障诊断方法

引用

机电工程 2022年第11期39卷 1502-1509页

作者：杨波黄倩付强朱荣生江苏大学流体机械技术研究中心江苏镇江212001 中国核电工程有限公司北京100840 核电泵及装置智能诊断运维联合实验室江苏镇江212013

卧式离心泵实际测量中背景噪声含量较大,故障特征常被淹没,导致机械故障诊断效果较差,为了实时、精准地获得其运行状态,或对其进行故障诊断,提出了一种基于互补集合经验模态分解(CEEMD)和优化最邻近(KNN)算法的卧式离心泵机械故障诊断... 详细信息

卧式离心泵实际测量中背景噪声含量较大,故障特征常被淹没,导致机械故障诊断效果较差,为了实时、精准地获得其运行状态,或对其进行故障诊断,提出了一种基于互补集合经验模态分解(CEEMD)和优化最邻近(KNN)算法的卧式离心泵机械故障诊断方法。首先,采集了卧式离心泵机械故障加速度信号,使用CEEMD对信号进行了一次分解,得到了本征模函数(IMF),采用相关系数法得到了IMF相关系数,确定了相关分量与不相关分量;其次,通过改进小波阈值去噪方法对不相关分量进行处理,提取了重构信号可分析的时频故障特征;最后,搭建了离心泵实验台,采用上述故障诊断方法对离心泵机械故障进行了分类诊断。研究结果表明:经CEEMD降噪后,信号评价指标信噪比(SNR)为2.2571,比原来的去噪方法提升了0.4381;优化后KNN分类对于卧式离心泵的机械故障诊断准确率可达96.7%,能够有效识别离心泵故障,达到智能诊断的目的。

关键词：叶片式泵故障信号分解互补集合经验模态分解改进小波阈值降噪优化最邻近算法分类本征模函数相关分量/不相关分量

来源：评论

学校读者我要写书评

暂无评论

基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

引用

电子科技 2024年第4期37卷 30-37页

作者：高典张菁上海工程技术大学电子电气工程学院上海201620

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm... 详细信息

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)误差指标相比于BiLSTM模型分别提高了48.54%、51.32%和44.78%,显著低于其他对比模型。

关键词：短期负荷预测预测精度完全集成经验模态分解本征模函数被囊群算法参数寻优双向长短期记忆神经网络误差指标

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：