搜索资源列表
小波分析--黄变换程序
- 首先，找出 上所有的极值点，然后用三次样条函数曲线循序连接所有的极大值点，得到信号 的上包络线 ，采用同样的方法连接所有的极小值点，得到 的下包络线 。循序连接上、下两条包络线的均值可得到一条均值线 ： （7－1） 再用 减去 得到 ： （7－2） 如果 满足IMF的两个条件，则 即为第一阶IMF，一般来说， 并不满足条件，此时，
multipointmanualprocess.rar
- 谐波小波程序变参数的积分程序多点人工生成地震波程序低通滤波程序经验模式分解降噪程序,Harmonic Wavelet programmed parameters points integration process of artificial seismic waves to generate low-pass filtering process procedures empirical mode decomposition noise reduction procedure
matlab
- 谐波小波程序变参数的积分程序多点人工生成地震波程序低通滤波程序经验模式分解降噪程序-Harmonic Wavelet programmed parameters points integration process of artificial seismic waves to generate low-pass filtering process procedures empirical mode decomposition noise reduction procedure
EMD-Toolbox
- EMD的Toolbox及使用方法 经验模态分解（Empirical Mode Decomposition, 简称EMD）是由美国NASA的黄锷博士提出的一种信号分析方法.它依据数据自身的时间尺度特征来进行信号分解, 无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点, EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上, 具有非常明显的优势。所以, EMD方法一经提出就在不同的
jingtaixiaoy
- 基于小波变换和经验模态分解的大地电磁信号静态效应消除源程序-Based on wavelet transform and empirical mode decomposition of the magnetotelluric signal source to eliminate the static effect of
emd
- 对于输入的时间序列，按照经验模式分解得到一系列基本模式分量和余项的和。经验模式分解是区别于傅里叶变换和小波变化的一种更一般的时间序列频率分解的方法- IMF = EMD(X) where X is a complex vector computes Bivariate Empirical Mode Decomposition of X, resulting in a matrix IMF containing 1 IMF per row, the last one being the
115
- 本文针对基于经验模态分解ＥＭＤ的时空滤波器存在的固有模态函数分量中频率混叠交叉导致有用信号与噪声一起被滤除的问题结合小波在时间尺度两域表征信号局部特征的特性提出了一种基于能量估计实现ＥＭＤ分解层数确定-In this paper, based on empirical mode decomposition EMD temporal filter mode functions inherent component of cross-frequency aliasing and noise toge
jingyanmotaifenjiehexiaoboyuzhiquzao
- 这是关于一篇基于小波阈值的经验模态分解的论文-This is about a wavelet and empirical mode decomposition papers
LMDYUANCHENXU
- 局部均值分解是继小波分解、经验模态分解之后的又一种新的信号处理方法，本文件提供了LMD的源代码，可供大家下载。-Local mean decomposition is a new signal processing method after wavelet decomposition and empirical mode decomposition. This paper provides the source code of LMD.
EWT
- 经验小波分解 在小波分解的基础上提出的一个拓展，具有自适应性，效果有提升-Experiential Wavelet Decomposition Based on Wavelet Decomposition, an extension is proposed, which is self-adaptive and the effect is improved.
Mechanical-fault-diagnosis-method
- 经验小波变换(EWT)是一种新的自适应信号分解方法, 该方法继承了EMD 和小波分析方法的各自优点, 通过提取频域极大值点自适应地分割傅里叶频谱以分离不同的模态, 然后在频域自适应地构造带通滤波器组从而构造正交小波函数, 以提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)成分。本文将该方法引用到机械故障诊断中, 提出了一种基于经验小波变换的机械故障诊断方法, 并与EMD方法进行了对比分析。仿真结果表明, 经验小波变换方法明显优于EMD方法, 能有效地分解出信号的固有模态。与EMD 相比较, 该
Empirical-wavelet-transform
- 最近的一些方法，如经验模式分解 （EMD），提出将信号分解 其包含的信息。尽管它的适应性似乎 对于许多应用程序，这种方法的主要问题 是它缺乏理论。本文提出了一种新的方法 建立自适应小波。主要的想法是提取不同 设计适当的小波滤波器组的信号模式。 这种结构导致我们到一个新的小波变换，称为 经验小波变换。许多实验 显示此方法相比经典的有用性 EMD-Some recent methods, like the Empirical Mode Decompositio
小波降噪与EMD混合
- 一种进行小波降噪后，对特征库的信号进行信号经验模态分解的例子(An example of signal empirical mode decomposition for signal of characteristic library after wavelet de-noising)
programe2
- 经验模态分解 小波变换 经验小波等信号处理方法，亲测可用(Empirical mode decomposition, wavelet transform, empirical wavelet and other signal processing methods, pro test can be used)
emd
- 该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比，这种方法是直观的、直接的、后验的和自适应的，因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性，因此具有自适应性。(The key of thi
emd加instfreq信号处理工具
- 经验模态分解，克服了小波分析的频率重叠效果不明显的问题。可以在欠定情况下进行信号分解。(Empirical mode decomposition, to overcome the wavelet analysis of the frequency overlap effect is not obvious problem. Signal decomposition can occur under undetermined conditions.)
EWT
- 经验小波变换，将信号分解为多个子特征的子序列。性能较EMD、EEMD、WD等有所提升。(Empirical wavelet transform decomposes the signal into sub sequences of multiple sub features. The performance is improved compared with EMD, EEMD, WD and so on.)
EWT
- 经验小波分解，通过ewt变换分解重构信号，实现对信号的降噪(Experience in wavelet decomposition, reconstruction signal by ewt transformation decomposition, realize the signal noise reduction)
wind power forecasting based on EWT-KELM
- 针对短期风电功率预测，提出一种基于经验小波变换预处理的核极限学习机组合预测方法。首先采用 EWT 对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量，针对每个分量分别构建 KELM 预测模型，最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值。(Aiming at short-term wind power prediction, a kernel-based learning machine combination predicti
EWT
- 此压缩文件包含经验小波分解与重构，以及频带划分方法的汇总(This compressed file contains empirical wavelet decomposition and reconstruction, and a summary of frequency band division methods.)