针对实测爆破振动信号存在噪声和CEEMDAN方法在去噪过程中容易造成信息缺失的问题, 考虑聚类分析方法具有良好的数据处理能力, 依据分解-聚类-重构的思想, 提出了CEEMDAN-K-means算法的爆破振动信号去噪方法。首先, 该方法通过CEEMDAN方法分解爆破振动信号获得不同数量级的IMF分量;然后, 利用K-means聚类分析算法将IMF分量为五个不同类别并采用方差贡献率校核;最后, 剔除高频噪声类别的IMF分量, 获得重构的纯净爆破振动信号。以某露天矿爆破振动信号为例, 采用信噪比和均方根误差指标, 评价了CEEMDAN-K-means算法信号去噪性能。研究结果表明: 与CEEMDAN方法和EMD-小波阈值方法相比, CEEMDAN-K-means信号去噪方法信噪比(20.06 dB)最大, 分别提高了1.26 dB和7.7 dB, 均方根误差(0.22×10-3)最小, 说明该方法不仅具有良好的信号去噪效果, 也具有较好的保真度。通过对比分析不同方法信号去噪效果可知, 在有效保留真实信号成分的基础上, CEEMDAN-K-means方法可以有效去除实测爆破振动信号包含的高频成分, 在爆破振动信号去噪领域具有实用性和有效性, 为爆破振动信号去噪方法研究提供了新思路。

紫外-可见吸收光谱法测量水质化学需氧量(COD), 本质是对大量水质光谱数据建模, 以此模型为基础引入待测的水质光谱数据进行预测的过程。 而实测的邻苯二甲酸氢钾COD标准溶液在200～300 nm存在两个特征吸收峰, 标准溶液在不同浓度下的峰值也不同, 利用此特性对该波段进行特征波长的选择, 用其表征光谱信息, 降低数据冗余度的同时提高了预测精度。 针对实测水质光谱信号容易受到仪器本身和外界干扰, 光谱数据存在大量非平稳噪声, 且特征吸收峰及其临近信号频率较高, 常规去噪算法直接舍弃高频信号以及无法准确判断信噪分量界限, 导致有效信号缺失这一实际问题。 提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)和双树复小波变换(DT-CWT)的联合去噪算法。 该联合算法利用CEEMDAN将信号分解为本征模态函数(IMF), 并通过归一化自相关函数和互相关系数进行线性相关性分析, 得到各阶IMF分量之间的自相关性以及IMF分量与原始信号的互相关系数, 以确定高频含噪分量与低频信号分量的界限; 进而应用DT-CWT阈值去噪算法对含噪高频IMF分量进行处理, 将DT-CWT处理之后的IMF高频分量与CEEMDAN分解得到的IMF低频分量进行信号重构, 获得最终去噪后的水质光谱信号。 实验结果表明: 基于CEEMDAN联合双树复小波变换的去噪算法适用于紫外-可见光谱水质检测的数据处理。 对于化学需氧量COD标液为100 mg·L-1的邻苯二甲酸氢钾溶液, 将实测的紫外-可见光谱数据应用该算法去噪后的SNR=24.201 5 dB, RMSE=0.024 0, NCC=0.999 4, PSNR=37.573 6, 不仅去噪效果显著优于CEEMDAN和双树复小波阈值算法, 还有效地保留了原始COD标液的吸收特征峰, 遏制了平移敏感性现象, 提高了重构信号的平滑度, 改善了重构信号质量。 为紫外-可见光谱法检测水质COD提供了一种新的数据预处理方法。

为了处理爆破施工中采集的振动信号的趋势项和高频噪声问题，引入了一种基于CEEMDAN分解和小波阈值相结合的信号处理方法。首先，通过CEEMDAN分解爆破振动径向信号得到一组IMF分量，对各个分量进行FFT变换，通过频谱分析筛选出趋势项分量并去除，对剩余IMF分量进行互相关函数特性分析筛选出含噪IMF分量与纯净IMF分量，并用自相关函数进行校核。然后，利用小波阈值将含噪IMF分量进行滤波处理。最后，将小波阈值滤波处理后的IMF分量与纯净IMF分量重构即为处理后信号。结果表明：该方法在消除噪声和趋势项干扰方面优势明显；与目前广泛采用的处理方法（CEEMDAN法、小波阈值法、EMD-小波阈值法、EEMD-小波阈值法、CEEMD-小波阈值法）对比分析表明，CEEMDAN-小波阈值处理方法信噪比（SNR）为20.460，均方根误差（RMSE）为0.086，所用方法的客观评价指标均显示出更优的处理效果；从处理前后三维时间-频率-能量图反映了处理后信号充分保留了2~200 Hz频段的真实能量信息，进一步提高了爆破振动信号分析的准确性，可以应用于类似爆破振动信号的趋势项与噪声共同处理中。

现代社会新能源汽车的利用率越来越高，很多城市都开始推广新能源汽车，政府也开始重视新能源汽车的发展。对于整个配电网来说，对短期新能源汽车充电站的负荷的预测是很有必要的。文中提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN) 与量子遗传算法(QGA) -Elman 组合的模型对相似日新能源汽车充电站进行负荷预测。利用新能源汽车充电站所给的相似日的历史数据作为输入参数训练所建立的模型来预测次日的发电量。该组合模型在减小预测误差方面有所改进，研究的问题有一定应用价值。

针对相位敏感光时域反射仪(Φ-OTDR)信号信噪比较低的问题, 提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)的小波信息熵阈值去噪算法。该算法配合CEEMDAN分解, 通过小波信息熵阈值去噪, 提取扰动位置的高频信息, 从而提高系统的信噪比。首先, 采用Savitzky-Golay滤波算法对不同光脉冲间的信号进行预处理; 其次, 采用CEEMDAN将滑动差分后单个脉冲内信号分解为不同的固有模态函数(IMF), 并利用连续均方误差准则确定含噪较多的高频IMF分量; 然后, 采用小波信息熵阈值去噪算法对以上高频IMF分量进行阈值去噪处理; 最后, 将其与低频IMF分量以及残差分量进行重构。采用自行研制的相干Φ-OTDR系统实测数据进行了验证, 结果表明, 文中算法与两种传统去噪算法相比, 信噪比提升了3dB, 这对于系统的实际应用具有重要意义。