EEMD方法及在機械故障診斷中的應(yīng)用

第1章 EMD方法
1.1 內(nèi)稟模態(tài)函數(shù)
1.1.1 EMD分解過程
1.1.2 EMD篩分終止條件
1.2 Hilbert變換和Hilbert譜
1.3 EMD的特點和存在的問題
1.3.1 EMD的特點
1.3.2 EMD存在的問題
1.4 端點效應(yīng)和信號延拓
1.4.1 波形匹配延拓法
1.4.2 極值延拓法
1.4.3 數(shù)據(jù)預(yù)測延拓法
第2章 EEMD方法
2.1 EEMD方法概述
2.2 EEMD方法的優(yōu)點及存在的問題
2.2.1 EEMD方法的優(yōu)點
2.2.2 EEMD存在的問題
2.3 EEMD方法改進效果的評價方法
2.3.1 仿真信號EEMD改進評價方法
2.3.2 實測信號EEMD改進評價方法
第2章 EEMD方法
3.1 EEMD降噪
3.1.1 EEMD閾值降噪
3.1.2 EEMD自相關(guān)降噪
3.1.3 EEMD奇異值差分譜降噪
3.2 基于頻率截止的EEMD算法改進
3.2.1 基于頻率截止的EEMD算法改進方法
3.2.2 仿真信號驗證
3.2.3 實測信號驗證
3.3 改進三次樣條插值的EMD（EEMD）方法
3.3.1 常用插值函數(shù)擬合效果分析
3.3.2 基于極值中心三次樣條插值的改進EMD（EEMD）方法
3.3.3 極值中心三次樣條插值的實例分析
3.3.4 包絡(luò)能量閾值法
3.4 EEMD的端點延拓方法
3.4.1 基于支持向量回歸機的EEMD延拓方法
3.4.2 基于極值點SVRM的EEMD延拓方法
3.4.3 基于極值波延拓的EEMD端點效應(yīng)處理方法
3.5 EEMD的虛假IMF分量識別
3.5.1 基于時域互相關(guān)系數(shù)的EEMD虛假IMF分量識別
3.5.2 基于頻域互相關(guān)系數(shù)的EEMD虛假IMF分量識別
3.5.3 能量熵增量的EEMD虛假IMF分量識別
第4章 SVRM延拓的影響分析
4.1 SVRM預(yù)測長度的影響
4.1.1 預(yù)測長度對預(yù)測精度的影響
4.1.2 預(yù)測長度對運算效率的影響
4.2 SVRM樣本點數(shù)的影響
4.2.1 樣本點數(shù)對預(yù)測精度的影響
4.2.2 樣本點數(shù)對運算效率的影響
4.3 信號采樣頻率的影響
4.4 信號復(fù)雜性的影響
第5章 EEMD方法的應(yīng)用
5.1 改進EEMD在信號趨勢分析中的應(yīng)用
5.1.1 改進的EEMD分解與小波分解提取趨勢項的比較
5.1.2 改進的EEMD分解與EMD、EEMD分解提取趨勢項的比較
5.2 改進的EEMD在調(diào)制信號分析中的應(yīng)用
5.2.1 改進的EEMD在調(diào)幅信號中的應(yīng)用
5.2.2 改進的EEMD在調(diào)頻信號中的應(yīng)用
5.2.3 改進的EEMD在幅頻調(diào)制信號中的應(yīng)用
5.3 改進的EEMD在信號奇異性檢測中的應(yīng)用
5.3.1 FFT時頻分析在信號奇異性檢測中的應(yīng)用
5.3.2 STFT時頻分析在信號奇異性檢測中的應(yīng)用
5.3.3 WVD時頻分析在信號奇異性檢測中的應(yīng)用
5.3.4 WT時頻分析在信號奇異性檢測中的應(yīng)用
……
第6章 SVM智能診斷理論及參數(shù)優(yōu)化
第7章 EEMD與SVM結(jié)合的智能診斷方法
參考文獻