LIBS技术优点众多, 但由于光谱噪声干扰和基体效应等因素, 影响了分析的准确度［1］; EEMD方法能清晰的将LIBS信号中的不同特征成分自适应的分解开来。 MRA方法能够补偿元素信号之间的互干扰, 可进一步提高LIBS信号的准确性。 通过自行搭建的测试系统获得了标准样品的原始信号, 使用EEMD-MRA方法进行处理后, 元素浓度曲线的决定系数R2得到了极大的提高, 大大的提高数据的准确性, 为LIBS信号的处理提供了一种全新的方式。

为消除激光语音传输系统中激光器输出功率不稳定对探测信号的影响, 提出了一种结合集合经验模态分解(EEMD)与相关系数的方法对信号进行处理。该方法将信号分解为不同的分量, 算出不同分量和原信号间的相关系数, 再设置固定判定阈值来区分真实信号和趋势项分量。该方法可以克服传统处理方法中存在的模态混叠和需要主观判断趋势分量的缺点, 从而达到避免主观判断失误和准确提取趋势的目的。仿真及实验结果表明, 使用该方法后再去噪效果优于直接去噪, 此外该方法能有效去除激光器功率线性变化和频率小于15Hz的正弦起伏变化导致的趋势。

三维荧光光谱法在研究多环芳烃（PAHs）类物质的荧光信息时起到了重要作用。 多环芳烃类物质具有致癌性, 难降解性, 多由尾气排放, 垃圾焚烧产生, 危害着人类健康及环境, 因此人们不断探索对多环芳烃检测的方法。 实验选取多环芳烃中的苊和萘作为检测物质, 利用FLS920荧光光谱仪, 为避免荧光光谱仪本身产生的瑞利散射影响, 设置起始的发射波长滞后激发波长40 nm, 设置扫描的激发波长（λex）范围为： 200~370 nm, 发射波长（λem）范围为： 240~390 nm, 对多环芳烃进行荧光扫描获取荧光数据, 采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。 实验选用的苊和萘均购于阿拉丁试剂官网, 配制浓度为10 mg·L-1的一级储备液, 再将一级储备液稀释, 得到苊和萘浓度为0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4和4.5 mg·L-1的二级储备液, 并将苊和萘进行混合。 在进行光谱分析前需要对苊和萘的光谱进行预处理, 采用空白扣除法扣除拉曼散射的影响, 并采用集合经验模态分解（EEMD）消除干扰噪声。 实验测得苊存在两个波峰, 位于λex=298 nm, λem=324/338 nm处, 萘存在一个波峰, 位于λex=280 nm, λem=322 nm处。 选用的PARAFAC算法对组分数的的选择很敏感, 因此采用核一致诊断法预估组分数, 估计值2和3的核一致值都在60%以上, 分别对混合样品进行了2因子和3因子的PARAFAC分解, 将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理, 并绘制光谱图, 与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。 同时将PARAFAC得到的混合样本的预测浓度, 通过计算回收率（R）和均方根误差（RMSEP）来判定定量分析的准确度。 选择2因子时, 各混合样品中苊和萘拟合度为95.7%和96.7%, 平均回收率分别为101.8%和98.9%, 均方根误差分别为0.018 7和0.031 6； 选择3因子时, 各混合样品中苊和萘拟合度为95.3%和95.8%, 平均回收率分别为97%和102.5%, 均方根误差分别为0.033和0.116, 由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。 分析实验结果表明, 基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析, 能够有效的判定混合样品的类别, 同时能够成功的预测出混合样品的浓度。

拉曼光谱信号是一种基于分子振动的散射信号, 拉曼光谱仪的激光源波长一般为纳米级, 考虑到散射频移, 拉曼光谱有效信息主要集中在较高频段。 拉曼信号是典型的非平稳信号, 并且由于拉曼散射比较弱, 信号很容易被高频噪声和荧光背景干扰, 想获取较为全面的拉曼信息, 需要对信号进行处理, 小波变换对拉曼信号的分析结果取决于小波基的选择, 不同小波基处理结果有差异； 经验模态分解（EMD）方法可以自适应的分析信号, 不需要设置参数, 但存在模态混叠的问题； 集合平均经验模态分解（EEMD）, 有效的解决了EMD方法中存在的模态混叠问题, 能更加清晰的将信号中的不同频率成分划分开来, 因此更加适合频率成分丰富的拉曼信号的特征分析和处理。 采集了市面上常见的大豆油、 花生油、 玉米油和葵花籽油样本, 通过拉曼光谱仪获得了各自的拉曼光谱信号。 使用集合经验模态分解对食用油拉曼光谱信号进行自适应分解和处理, 一共获得了10阶固有模态函数（IMF）, 根据信号的能量分布以及幅值特性, IMF1和IMF2表征为信号中的噪声部分, IMF3-IMF7表征为拉曼特征信号部分, 最后一阶IMF10表征为荧光背景成分, IMF8和IMF9为其他物理意义的频率成分。 通过对有效信号段的特征增强并重构拉曼信号, 使拉曼信号的信噪比获得了2～5倍的提升, 其中, 难以探测的酯键羰基伸缩振动位于1 745 cm-1的谱峰得到了显著的增强。 最后, 将原始信号和经过特征增强的信号通过基于连续小波变换的惩罚最小二乘法进行了二次处理, 并将获得的信号进行主成分分析后, 可知： 没有增强的不同类数据样本相互有重叠, 不存在明显的类间距, 很难完整的区分类型； 基于特征增强的数据样本各自聚集, 每种类型都可以相互鉴别, 可为拉曼光谱信号处理提供一种新的途径。

北斗载波信号在传播和接收过程中都会耦合噪声, 这些噪声直接影响北斗定位等有效数据的处理。在EEMD算法的基础上, 针对IMF重构分量数人为设定影响降噪精度的问题, 综合考虑了信号的形状细节、SNR、相关系数R等衡量降噪效果的参数, 设计了EEMD分解重构分量数的寻优指标, 并基于此提出了一种自适应指标寻优的EEMD算法(AIO-EEMD)。使用该算法对实测北斗载波信号进行了降噪实验, 并分析了实验效果, 结果证明, 所设计的AIO-EEMD算法能够有效地对北斗载波信号进行降噪, 提高其信噪比。

为了实现甲烷浓度的测量, 设计了基于差分吸收检测原理的甲烷浓度检测系统。检测系统中的气室部分使用了全反射棱镜配合凹面镜的方法来增加光程, 使光能够被气体充分吸收, 达到了提高测量精度的效果。在测量过程中, 受到环境因素的影响, 使得接受的信号中存在大量的噪声, 为此提出利用小波优化EEMD的方法对接收的信号进行去噪处理, 得到的信噪比为16.9925, 均方根误差为1.5447×10-4。实验结果表明相比于EEMD或小波的去噪方法, 使用小波优化后的EEMD具有更好的噪声抑制效果, 方法适用于甲烷收发谱信号的去噪处理。

为监测无人机舵面系统的工作状态，提出一种集合经验模态分解和后验概率下多分类支持向量机相结合的诊断方法。该方法将飞机方向舵的正常状态、松浮状态、损伤状态、卡死状态以及反向状态等5种典型工况下的输出信号作为研究对象，首先将采集到的信号进行集合模态经验分解，得到一系列成分简单的固有模态函数，然后分别计算各阶分量的能量值并以此构成信号特征矢量，最后以此作为输入信息建立基于后验概率的多分类支持向量机，进而判定飞机舵面系统的故障类型。仿真实验结果表明，该方法可以有效地应用于舵面系统的故障诊断。

对某些探测信号，如激光测距回波、雷达回波等，在传输过程中会耦合进大量的噪声，导致信噪比下降，通常采用小波变换、导数法、插值、多项式拟合等算法进行降噪处理，以便获取真正需要的有用信号。针对基于劈尖干涉测量激光波长的实验系统中，CCD输出信号因含有噪声而影响FFT变换精度的问题，建立了一种基于归一化指标寻优的自适应EEMD（ensemble empirical mode decomposition，总体经验模态分解）降噪模型，并将其应用到基于劈尖干涉的波长测量实验系统中CCD输出信号的降噪中。实验结果表明，该方法能有效提高CCD信号的降噪精度，简化降噪过程及操作难度。

针对传统稻种发芽率检测效率低、 精度差、 专业化要求高等问题, 通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。 首先, 将连粳7号和武运粳均分别老化0~7 d后, 以5 min为间隔在纯净水中分别浸泡5~30 min。 然后用荧光光谱仪检测浸泡液的荧光光谱, 光谱数据经中心化后用集合经验模态分解(EEMD)去噪, 并通过主成分分析法提取441.5 nm的特征荧光波长。 最后, 利用偏最小二乘回归(PLSR), 反向传播神经网络(BPNN), 径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。 比较后得出, DBN模型在少数据、 弱信号情况下的预测精度最高, 预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。 同时, 通过分析混合稻种荧光数据Rp的变化趋势, 得到最佳浸泡时间为22.1 min, 实际上, 精确度超过0.95(Rp)需要5 min左右。 研究结果表明, 结合荧光光谱法和EEMD-DBN模型, 非破坏性地预测水稻种子发芽率具有可行性和高准确性, 并且适用于不同颜色和污染水平的水稻种子的检测。

针对目前临床上应用的便秘诊断措施有创且诊断效果不理想的问题, 开展了基于无创检测设备获得胃肠道生理信息的研究。利用非线性分析方法分析人体结肠动力并找出正常人和便秘病人之间的区别, 为临床诊断便秘提供参考。对8个正常人和10个便秘病人的结肠压力数据进行了分析。首先, 通过阈值和集合经验模态分解(EEMD)有效滤除了结肠压力数据中的呼吸, 咳嗽, 电磁干扰等噪声; 然后, 提取了表征结肠动力的特征参数如结肠收缩频率, 动力指数, 平均收缩波峰值; 最后, 通过t检验比较了正常人和便秘病人结肠特征参数。结果显示: 正常人和便秘病人的收缩频率, 动力指数有明显统计不同 (p<0.05); 然而, 正常人和便秘病人的平均收缩波峰值没有明显统计差别。分析表明, 收缩频率、动力指数可以区分正常人和便秘病人。