乙醇含量拉曼光谱检测中, 拉曼光谱信号中的各种噪声及光谱荧光造成的基线漂移和样品池背景等, 影响了校正模型的预测精度。 利用总体平均经验模态分解, 将光谱信号分解成若干无模态混叠的内在模式分量, 根据排列熵的信号随机性检测判据判断出代表背景信息和噪声信息的内在模式分量, 将其置零即可同时消除拉曼光谱中的噪声与背景。 将总体平均经验模态分解与排列熵相结合的预处理方法应用于乙醇含量的拉曼光谱检测中, 并与小波变换和平均平滑滤波做了对比。 实验结果表明: 应用总体平均经验模态分解与排列熵相结合的方法能够有效的同时消除乙醇含量拉曼光谱检测中的噪声和背景信息, 提高校正模型的预测精度, 且使用简便, 无需参数设置, 对乙醇含量拉曼光谱检测具有实用价值。

针对光纤周界预警系统输出信号的非平稳特性，提出了一种基于总体平均经验模态分解(EEMD)的模式识别方法。预警系统基于Mach-Zehnder 干涉原理，利用4 条单模光纤构成分布式扰动传感器，实时监测周界入侵事件。该方法引用具有自适应性的EEMD 算法将振动信号分解成多个本征模态函数(IMF)。根据不同振动信号能量各异的特点，提出EEMD 能量熵的方法排除非入侵的干扰。最后建立双重支持向量机对入侵信号进行识别。实验结果表明：该方法可以有效排除非人为入侵的干扰，准确识别攀爬、敲击和其他虚警信号，平均正确识别率优于92%，提高了系统的报警识别率，降低了误报率。

针对近红外透射和吸收双光谱提出一种自适应的去噪方法.同步采集样品的近红外透射谱和吸收谱,在相同分解原则下总体经验模态法分解两组光谱,得到单组分特征模态分量.计算特征模态分量与原透射谱、吸收谱之间相关性,以及两组特征模态分量之间相关性,相关性最小模态分量初判为噪声分量.分析该分量在光谱中点处自相关性,若中点处很大,其他点几乎为零或很小,可以判断该分量为噪声.这种基于模态分量相关性的噪声判别方法称为“3R”法则.剔除噪声分量,重构光谱信号,循环上述分解过程,直到不满足“3R”法则,降噪过程结束.构造理想光谱,叠加噪声,“3R”法降噪效果优于EMD和EEMD低通滤波器,略逊于小波分解.真实光谱实验中,经过上述方法降噪处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型,“3R”法处理模型具有最大校正相关系数和预测相关系数,最小校正标准差和预测标准差.在四种降噪方法中,“3R”法对光谱谱峰位置和峰高的影响最小.实验表明,“3R”双谱去噪方法无需预设迭代次数,不用考虑分解层数,没有基函数,是自适应的,该方法适合近红外光谱去噪。

基线校正是光谱分析的重要环节, 现有算法通常需要设定关键参数, 不具备自适应性。 根据总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)残余量特点, 提出用残余量拟合光谱基线。 通过残余量与信号相关性、 残余量自相关和互相关性（称为残余相关准则）判断残余量是否是基线组成部分, 以此为基础提出一种自适应的EEMD残余相关基线校正算法。 对叠加曲线背景和线性背景的模拟光谱数据进行实验, 结果显示在已知基线数学假设情况下, EEMD残余相关法逊于多项式拟合, 同非线性拟合相差不多, 优于小波分解。 在没有光谱背景知识情况下, 对真实拉曼光谱数据进行试验。 经过上述方法预处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型, 经过残余相关基线校正的模型具有最大校正相关系数和预测相关系数, 最小交叉验证标准差和相对分析误差。 各种基线校正方法中, 残余相关基线校正对特征峰峰位、 峰强和峰宽影响最小。 实验表明, 该算法可用于拉曼谱图基线校正, 无需分析样品成分的先验知识, 无需选择合适的拟合函数、 拟合数据点、 拟合阶次以及基函数和分解层数, 也无需基线信号分布的数学假设, 自适应性很强。

二代小波是公认较好的降噪手段, 但是降噪效果依赖于基函数、 分解层数和阈值等参数设置。 经验模态分解(empirical mode decomposition, EMD)无需参数设定, 按照频率特性将信号分解成本征模函数(intrinsic mode function, IMF), 对IMF滤波, 实现了信号自适应去噪。 拉曼光谱中信号和噪声交叠集中在极高频段, EMD产生模态混叠问题, 影响去噪效果。 应用总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)拉曼光谱克服了模态混叠, 有效区分出高频信号和噪声, 获得了与小波函数相似去噪效果。 文中首先对一段非线性非平稳豆油脂拉曼光谱EMD分解, 可见模态混叠, EEMD分解出清晰模态的特征分量。 然后分别用快速傅里叶变换(fast Fourier transform, FFT)、 小波变换(Wavelet)、 EMD和EEMD处理含噪光谱, 信噪比、 均方根误差、 相关系数三个方面指标表明FFT高频去噪效果最差, 其次是EMD, 恰当的Wavelet同EEMD效果相当, EEMD的优势是降噪过程的自适应。 最后提出光谱时频分析方法和IMF噪声属性判别准则研究趋势。