“eemd”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果426个，建议您升级VIP下载更多相关专利

[发明专利]一种基于EEMD能量熵和WVD的轨道波磨故障检测方法-CN201810845238.2在审
发明人：朱士友;龙静;杨玲芝;陶涛;徐胜运;杨毅;李兆新;邓军 -专利权人：广州地铁集团有限公司
申请日： 2018-07-27 - 公布日： 2018-12-25 - 主分类号： B61K9/08 文献下载
摘要：本发明公开了一种轨道波磨故障检测方法，其基于EEMD能量熵和WVD时频分析，包括以下步骤：对采集到的车辆轴箱振动的初始加速度信号进行EEMD分解，得到多个IMF分量信号；计算每个IMF分量信号的EEMD能量以及所有IMF分量信号的信号总能量；根据IMF分量信号的EEMD能量分布计算IMF分量信号的EEMD能量熵；进行轨道波磨故障诊断：将EEMD能量熵值与设定阈值比较，若EEMD能量熵值不小于设定阈值，则轨道不存在波磨故障；若EEMD能量熵值小于阈值，此时存在波磨故障，则进入下一步骤；对每个IMF分量信号分别进行WVD时频分析，并将WVD时频分析的结果线性叠加，得出振动信号的时频图；依据时频图定位波磨故障的位置
能量熵时频分析故障检测轨道时频加速度信号信号总能量车辆轴箱故障诊断结果线性能量分布实时性好振动信号阈值比较叠加估算采集分解检测

[发明专利]一种基于EEMD-SVD的地震流体识别方法-CN201711333698.9在审
发明人：杨巍;杨应;郑鸿献;朱仕军 -专利权人：西南石油大学
申请日： 2017-12-14 - 公布日： 2018-06-12 - 主分类号： G01V1/30 文献下载
摘要：本发明公开了一种基于EEMD‑SVD的地震流体识别方法，本发明利用EEMD分解原始地震信号，并根据SVD算法消除地震信号在EEMD分解过程中的残余在各层IMF分量中的高斯噪声，提高振幅保真性，消除无效冗余信息本发明利用EEMD‑SVD的算法优势，既有效克服模态混叠与端点效应，又能够有效抑制EEMD在分解过程中产生的随机噪声，保证地震信号分解过程中的振幅保真性，有利于提高地震流体预测精度。
分解地震信号流体识别保真性地震原始地震信号端点效应高斯噪声模态混叠冗余信息随机噪声有效抑制流体算法预测保证

[发明专利]基于小波变换及改进EEMD的心电信号综合滤波方法-CN201910246351.3在审
发明人：李国权;李必禄;刘乐乐;庞宇;林金朝 -专利权人：重庆邮电大学
申请日： 2019-03-29 - 公布日： 2019-07-26 - 主分类号： A61B5/00 文献下载
摘要：本发明请求保护一种基于小波变换及改进EEMD的心电信号综合滤波方法。针对心电中噪声特点，将主要噪声源分为低频干扰和高频干扰。高频干扰包括工频及肌电干扰，设计小波阈值法实现高频干扰的消除；低频干扰即基线漂移干扰，针对EEMD算法的不足，给出EEMD算法中重要参数加入辅助噪声的大小和集合平均次数确定的依据，然后使用改进EEMD算法消除基线漂移干扰针对心电信号中多种干扰同时存在的情况，设计了基于小波变换及改进EEMD的心电信号一次性综合消噪算法。本发明能够提高信噪比，减小均方差，保持心电波形特征。
心电信号算法高频干扰小波变换低频干扰基线漂移滤波改进噪声肌电干扰心电波形重要参数均方差信噪比一次性噪声源阈值法工频减小消噪小波心电集合

[发明专利]一种钢铁生产过程数据的降噪方法-CN202111490619.1在审
发明人：孙杰;单鹏飞;丁肇印;李梦琴;乔继柱;李树;刘云霄;李霄剑;彭文;张殿华 -专利权人：东北大学
申请日： 2021-12-08 - 公布日： 2022-03-08 - 主分类号： G06K9/00 文献下载
摘要：首先建立EEMD‑WT降噪模型，对含有噪声的钢铁生产过程数据进行EEMD分解，然后采用连续均方误差的方法(CMSE)计算噪声能量突变点b，计算出b值后，将前面相应的高频IMF分量进行小波变换降噪处理，除去高频中的噪声，保留高频信号段的剩余信息，最后与低频其余的IMF分量重构，完成EEMD‑WT降噪模型的建立；将含噪的钢铁生产过程数据导入到EEMD‑WT降噪模型中，得到最后的降噪后数据。本发明提出的EEMD‑WT降噪方法降噪效果好，相比于SVD降噪方法和均值降噪方法能更好地还原出原始数据，可以广泛地投入到钢铁生产过程当中。
一种钢铁生产过程数据方法

[发明专利]基于EEMD的M‑Z干涉仪型机场周界预警系统模式识别方法-CN201510252488.1有效
发明人：蒋立辉;盖井艳;王维波;熊兴隆;庄子波 -专利权人：中国民航大学
申请日： 2015-05-18 - 公布日： 2017-06-16 - 主分类号： G08B13/22 文献下载
摘要：本发明涉及一种基于EEMD的M‑Z干涉仪型机场周界预警系统模式识别方法，该方法的步骤如下信号采集M‑Z干涉仪型机场周界预警系统采集光信号并将其转化为原始电信号s(n)；预处理对原始电信号s(n)进行滤波、放大等处理得到电信号s′(n)；EEMD分解；EEMD能量熵；事件检测；特征提取；入侵分类。本发明相对现有的时域、小波、短时频率‑时间等方法的局限性，采用具有自适应性的EEMD算法，依据入侵信号能量不同的性质，提出EEMD能量熵的方法消除非人为入侵，并建立双重支持向量机区分入侵类型，提高识别率
基于 eemd 干涉仪型机场周界预警系统模式识别方法

[发明专利]一种微电网电能质量扰动识别方法-CN202310915459.3在审
发明人：张涵;常政威;陈明举;张凌浩;吴杰;梁晖辉;熊中兴 -专利权人：国网四川省电力公司电力科学研究院;四川轻化工大学
申请日： 2023-07-25 - 公布日： 2023-10-24 - 主分类号： G06F18/2411 文献下载
摘要：为了端到端地解决电能质量扰动的识别问题，包括：利用集合经验模态分解方法将电能质量扰动序列在时频域进行分解，得到若干重组的本征模态函数序列和残差分量；将所述若干重组的本征模态函数序列拼接，得到拼接后的数据；将所述拼接后的数据作为EEMD‑Transformer‑SVM模型的输入数据，以训练所述EEMD‑Transformer‑SVM模型，得到训练好的EEMD‑Transformer‑SVM模型；利用所述训练好的EEMD‑Transformer‑SVM模型进行电能质量扰动识别
一种电网电能质量扰动识别方法

[发明专利]一种基于EEMD和LSTM的短期风速预测方法-CN201910781174.9在审
发明人：陆冰鉴;周鹏;王兴;薛丰昌;苗春生;周可;詹少伟;张越 -专利权人：南京信大气象科学技术研究院有限公司
申请日： 2019-08-22 - 公布日： 2019-12-10 - 主分类号： G06N3/04 文献下载
摘要：一种基于EEMD和LSTM的短期风速预测方法，基于集合经验模态分解EEMD与长短期记忆神经网络LSTM相结合的风速预测模型，通过EEMD对风速序列进行分解，得到较为平稳的子序列，较好的保留了原始数据的性质
预测模型集合经验模态分解短期风速预测风速预测模型记忆神经网络传统经验模态混叠预测误差原始数据传统的滞后性子序列模态风速分解保留优化

[发明专利]一种基于小波和ICA改进EEMD的结构模态参数识别方法-CN201911412954.2在审
发明人：付春;刘娟;姜绍飞;王昆;付丽丽;王文武;贾冯睿;范影;管海伟;陆春光;郝帅;王卓 -专利权人：辽宁石油化工大学
申请日： 2019-12-31 - 公布日： 2020-04-28 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于小波和ICA改进EEMD的结构模态参数识别方法，利用小波中的小波软阈值去噪法消除经典EEMD分解后IMFs中的噪声残余，并利用ICA中的FastICA处理后得到新的IMFs去除模态混叠通过具备针对EEMD分解后的白噪声残余、模态混叠及有效IMFs的筛选等问题，将小波变换中的小波软阈值去噪和ICA中的FastICA相结合对EEMD进行改进的优点，解决了经典EEMD过程中产生过多虚假模态
一种基于 ica 改进 eemd 结构参数识别方法

[发明专利]基于EEMD-FOA-GRNN的时间序列预测方法-CN202111079372.4在审
发明人：徐光宪;曹琦;陶志勇;高艳东;白立春 -专利权人：辽宁工程技术大学
申请日： 2021-09-15 - 公布日： 2021-12-03 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于EEMD‑FOA‑GRNN的时间序列预测方法，该方法包括以下步骤：S1、数据预处理；S2、对归一化处理后的数据集进行模态分解，将输入数据通过EEMD方法自适应分解成为一系列不同尺度的IMF分量，得到更平稳的数据；S3、数据经EEMD处理过后，利用果蝇算法对GRNN光滑因子进行寻优；S4、寻得最优光滑因子后，将此光滑因子输入到GRNN中并建立时间序列预测模型。本发明首先采用EEMD自适应分解的方法将非线性不平稳信号进行平稳化处理，得到更加稳定的数据集，然后利用果蝇优化算法具有的全局寻优特性可以对关键参数进行寻优的特点，结合广义神经网络的高精度逼近能力，建立了EEMD‑FOA‑GRNN时间序列预测模型，并以太湖含氧量为例，成功预测了水域中DO的未来变化趋势。
基于 eemd foa grnn 时间序列预测方法

[发明专利]基于EEMD-CNN-LSTM的短期风电功率预测方法-CN202211072086.X在审
发明人：王凤;尚若冰 -专利权人：昆明理工大学
申请日： 2022-09-01 - 公布日： 2022-12-23 - 主分类号： G06F30/27 文献下载
摘要：本发明公开基于EEMD‑CNN‑LSTM的短期风电功率预测方法，属于风力发电技术领域。所述的基于EEMD‑CNN‑LSTM的短期风电功率预测方法包括以下步骤：步骤一，对影响因素较大的属性进行EEMD分解以获得更多维度的特征；步骤二，CNN卷积层的功能对输入数据进行特征提取；步骤三，利用LSTM本发明通过构建一种结合经验模态分解EEMD、卷积神经网络CNN和长短时记忆神经网络LSTM的计算模型，利用EEMD对原始数据进行维度拓展，使用CNN对据进行特征提取，优化特征的质量同时加快运算速度，使用
基于 eemd cnn lstm 短期电功率预测方法

[发明专利]基于改进EEMD与MED的滚动轴承故障声发射特征提取方法-CN202110144425.X在审
发明人：王晓东;熊运涛;齐红元;范锐;叶华伦;岳志坚;侯东明;罗仁江;刘进 -专利权人：王晓东;齐红元;叶华伦
申请日： 2021-02-02 - 公布日： 2021-06-25 - 主分类号： G01M13/045 文献下载
摘要：本发明提供一种基于改进EEMD与MED的滚动轴承故障声发射特征提取方法，包括如下步骤：S1：进行基于敏感imf与归一化指标寻优的EEMD去噪，并得到去噪信号；S2：进行MED滤波，并得到冲击成分较强信号将改进的EEMD信号处理方法引入到声发射轴承信号中，实现现场复杂噪声的滤波处理。将MED信号处理方法引入改进EEMD滤波后的信号处理做频谱分析以实现对旋转设备故障频率、故障部件的精确识别与定位。
基于改进 eemd med 滚动轴承故障声发特征提取方法

[发明专利]基于最优参数集合经验模式分解的机械故障特征提取方法-CN201210290721.1无效
发明人：汤宝平;陈仁祥;邓蕾;张焱 -专利权人：重庆大学
申请日： 2012-08-15 - 公布日： 2012-11-14 - 主分类号： G01M13/04 文献下载
摘要：发明涉及到机械设备状态监测和故障诊断技术领域，提出了一种基于最优参数集合经验模式分解（EEMD，Ensemble empirical mode decomposition）的机械故障特征提取方法。该方法从白噪声幅值系数改变信号极值点分布均匀性的规律出发，寻找使信号极值点均匀性最好的白噪声幅值系数作为EEMD的k值，再通过设置期望分解误差计算得到M值（总体平均次数），从而完成EEMD参数的选取，以对故障信号进行EEMD分解并提取故障特征。
基于最优参数集合经验模式分解机械故障特征提取方法

[发明专利]一种基于EEMD的往复摩擦振动信号的降噪方法-CN202011455834.3在审
发明人：王鲲;魏海军;张子杨;曹辰;苟子晗 -专利权人：上海海事大学
申请日： 2020-12-10 - 公布日： 2021-03-19 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于EEMD的往复摩擦振动信号的降噪方法，包括以下步骤:设置实验参数，利用摩擦磨损试验机进行不同工况的试验，得到对应的摩擦振动信号及空载振动信号。本发明加入高斯白噪声信号的改进方法EEMD，可以很好地解决模态混叠等问题。EEMD降噪的关键是选取合适的IMF分量，达到最佳降噪效果。在EMD算法的基础上，提出了总体经验模态分解算法，解决了EMD模态混叠问题，EEMD方法得到了广泛的应用。
一种基于 eemd 往复摩擦振动信号方法

[发明专利]一种基于电机电流的有载分接开关机械故障在线监测方法-CN201811345233.X在审
发明人：张勇;马宏忠;陈冰冰;王梁;陈明;徐礼浩;刘宝稳;高沁;李勇;许洪华 -专利权人：国网江苏省电力有限公司南京供电分公司;河海大学;国网江苏省电力有限公司;国家电网有限公司
申请日： 2018-11-13 - 公布日： 2019-04-05 - 主分类号： G01R31/327 文献下载
摘要：本发明克服了EEMD分解过程中需要人为设定参数刷选IMF分量的问题，具有巨大的偶然性和局限性等缺点；利用互相关分析和EEMD算法相结合的原则很好的解决EEMD分解过程中模态混叠现象和有效的抑制工频以及谐波的干扰等问题
电机电流分接开关机械故障在线监测分解互相关分析采集信号模态混叠特征系数工频去噪谐波重构算法

[发明专利]基于二次EEMD分解结合GAFSA-LSTM的空气质量预测方法-CN202210856812.0在审
发明人：马志鹏;邱军林;邵鹤帅;高丽;蒋晓玲;陈礼青;周健;叶德阳;于金玉 -专利权人：淮阴工学院
申请日： 2022-07-20 - 公布日： 2022-11-22 - 主分类号： G01N33/00 文献下载
摘要：本发明公开了一种基于二次EEMD分解结合GAFSA‑LSTM的空气质量预测方法，将EEMD用于数据本身，并结合GAFSA优LSTM实现对空气质量数值的预测，使用获取到的T段时间长度的空气质量数据，预测下一个时间点将原始数据集中的AQI列作为二次EEMD的待分解信号列，通过二次EEMD分解，将原始AQI列分解为N列IMF分量以及1列残差分量；接着将残差分量进行二次EEMD分解，得到K列二次分解IMF分量以及1列残差分量
基于二次 eemd 分解结合 gafsa lstm 空气质量预测方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 426 条