.png){kind=icon}
返回
Cohesive mode decomposition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2026.114625.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脉冲信号广泛应用于各种工程和科学领域。然而，由于混合信号具有复杂的时间和频率结构，从混合信号中提取脉冲分量仍然具有挑战性。大多数现有方法依赖于强烈的先验假设（例如窄带或周期性）和经验性设置，这限制了它们的普遍性和适应性。虽然像EMD这样的数据驱动方法可以自适应地提取振荡模式，但它们通常无法捕捉瞬态脉冲特征。为了克服这些局限性，本文提出了一种新颖的、完全自适应的脉冲分解方法，称为凝聚力模式分解（CMD），专门设计用于根据模糊定义的凝聚力概念提取脉冲模式。CMD完全在时域中运行，通过主导-极值排除插值方案构建非对称滤波器，无需预定义基或模式数量。它依次从混合信号中分离出凝聚力脉冲，最终得到一个残余趋势线或载波。对合成信号和真实信号进行的实验表明，CMD能够高效且稳健地准确提取脉冲分量，为实际应用中的瞬态信号分析提供了一个强大的工具。
Keyword:
Cohesive mode decomposition
Self-adaptive impulse decomposition
Impulse mode
Signal cohesiveness
期刊
IF:
8.9
论文数:
1.3W
被引数:
8.0W
机构
引用论文
An online stress monitoring strategy based on Wigner-Ville time-frequency energy extraction of single-frequency dual mode Lamb waves.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏COMPLEMENTARY ENSEMBLE EMPIRICAL MODE DECOMPOSITION: A NOVEL NOISE ENHANCED DATA ANALYSIS METHOD互补集合经验模态分解: 一种新的噪声增强数据分析方法
PREAI
分享收藏Multi-channel neural blind deconvolution:A physically interpretable network for impulsive mode extraction多通道神经盲去卷积：一种用于脉冲模式提取的具有物理可解释性的网络
PREAI
分享收藏Empirical Fourier-Bessel heuristic denoising and its application to gear fault diagnosis经验傅里叶-贝塞尔启发式去噪及其在齿轮故障诊断中的应用ISA Transactions
ISA TransactionsIF6.5
PREAI
分享收藏Convolution Type of Metaplectic Cohen’s Distribution Time-Frequency Analysis Theory, Method and Technology卷积型拟幺正科恩分布时频分析理论、方法与技术
PREAI
分享收藏
查看更多内容