针对分布式光纤传感系统所采集含噪信号, 提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法, 引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构; 将含噪信号和重构信号求差得到虚拟噪声, 构造虚拟通道; 然后使用ICA对含噪信号和虚拟通道进行信噪分离, 得到最终结果。通过实验验证, 该方法与EMD-ICA, EEMD-ICA, MELMD相比, 能更好地消除信号中的噪声, 保留信号的特征信息。

爆破网路延时识别易受EMD模态混淆的影响，得到混有虚假分量的IMF。而Hilbert变换受Bedrosian定理的约束在处理此类分量会产生负值瞬时频率，造成巨大的识别误差。为解决传统HHT在爆破网路延时分析时遇到的问题，提出了CEEMD-MPE-NHT爆破网路延时分析算法。该算法通过改进EMD得到补充集合经验模态分解-多尺度排列熵(CEEMD-MPE)算法，实现EMD模态混淆抑制。再对CEEMD-MPE得到IMF进行归一化Hilbert变换，解除Bedrosian定理对Hilbert变换的约束。对蕴含能量最大的IMF分量进行包络求解，包络峰值对应的时间间隔即为爆破网路实际延时。最后通过分析实际延时和理论延时之间的差值，可判断雷管是否处于正常服役状态。进一步通过干扰降震法得到本工程最合理爆破网路延时为54.51~59.75 ms，研究结果表明:基于CEEMD-MPE-NHT的爆破网路延时分析对爆破安全控制具有重要的现实意义。

为了准确识别分布式光纤预警系统中的入侵信号类型，提出了一种基于傅里叶分解方法（FDM）与排列熵降噪方法的光纤入侵信号特征提取与识别算法。首先，用FDM将光纤入侵信号分解为若干个固有频带函数（FIBF）。然后，计算各FIBF分量的排列熵，利用排列熵对噪声的敏感特性筛选出符合条件的FIBF并重构信号。最后，计算重构信号的近似熵与能量并构造二维特征向量，将其送入支持向量机进行训练后识别光纤入侵信号。实验结果表明，该算法可以有效识别敲击、小跑、过车三类光纤入侵信号，平均识别准确率为93.33%。

提出一种变分模态分解-排列熵的去噪方法,分析并设定排列熵中关键参数和阈值,进而通过排列熵来确定变分模态分解的分解层数值,将分解的各模态进行重构以实现对振动信号的去噪。通过仿真测试来验证该方法在正交性、完备性、信噪比和效率方面的优越性,最后对系统采集的实际振动信号进行去噪处理。实验结果表明,与现有的经验模态分解-相关系数和完全经验模态分解-相关系数方法相比,所提方法对触网、车轮碾压和雨淋三种振动信号具有最优的去噪信噪比(含噪信号与降噪值之比),分别为32.5358 dB、30.5546 dB和29.3435 dB,耗时也较少,分别为1.4432,1.6320,1.2349 s,信号模式识别准确率最高,均在99%以上。

利用外腔反馈的半导体激光器产生的混沌激光作为熵源,理论模拟和实验研究了不同强度和带宽的量子噪声注入对混沌激光熵含量的增强效果,利用反馈时延τ_ext、τ_ext/2和τ_ext/3处的排列熵均值,量化了混沌激光的复杂度,并利用不同维度排列熵增,判别了混沌噪声的主导过程。实验上通过平衡零拍探测系统制备了量子散粒噪声,测量了100,300,500 MHz不同量子噪声带宽注入下混沌激光熵增随量子噪声强度的变化。结果表明,窄带量子噪声可有效提高宽带混沌激光的熵含量,强度为15 dBm、带宽为100 MHz的量子噪声将3.8 GHz带宽的混沌激光熵值增至0.998,随着量子噪声强度的增大,混沌激光的熵含量增至最大时的量子噪声带宽降低,并获得噪声主导的混沌激光熵源。

对混沌激光在放大过程中的随机特性进行了实验研究。基于光纤中的非线性克尔效应，通常采用环形腔结构来产生混沌激光。通过控制泵浦源电流实现了不同功率混沌激光的输出，并利用掺镱光纤放大器进行放大。然后，利用排列熵、偏度和峰度对混沌激光放大过程中的随机特性进行了定量分析。结果表明：排列熵随光纤放大器泵浦电流的增大而减小并趋于一个稳定值；在排列熵相近时，偏度和峰度随光纤放大器泵浦电流的增大呈先增大后减小的趋势，即放大过程中混沌激光的随机特性先减小后增加。

针对滚动轴承故障识别准确率较低的问题, 本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上, 进一步分析故障的严重程度。首先, 通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量, 突显故障信号的冲击特征; 然后, 利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性, 计算不同时间尺度下的幅值感知排列熵作为故障特征向量, 改善了多尺度分析中的粗粒化过程, 提升了故障特征提取的稳定性; 最后, 利用故障特征集构建随机森林多分类器, 实现对滚动轴承不同故障类型的识别及严重程度分析, 具有较强的泛化能力。实验结果表明, 与现有滚动轴承故障诊断方法相比, 平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。

在生物体拉曼光谱快速采集或低功率采集过程中, 往往会获得低信噪比拉曼光谱。 针对低信噪比光谱数据, 提出应用补充总体经验模态方法(CEEMD)分解拉曼光谱, 并且依据特征模态分量的归一化排列熵值(NPE)按比例扣除噪声成分的方法, 称为局部补充总体均值经验模分解方法(LCEEMD)。 LCEEMD方法不仅解决了经验模态(EMD)分解中高频信号与噪声的模态混叠问题, 还有效降低了总体经验模态分解法(EEMD)中的残留噪声。 仿真数据实验显示, LCEEMD方法在处理10db信噪比模拟光谱时获得了39.615 0 db信噪比, 0.001 17标准差和0.999 9相关系数。 在人体皮肤拉曼光谱试验中, LCEEMD方法滤波后数据准确呈现出角质层脂质酰胺I带激发拉曼强谱峰以及甘油三酸酯中(CO)酯微弱谱峰。 在水稻叶片可溶性糖定量预测模型中, LCEEMD方法取得了0.871 7预测相关系数和0.912 0预测标准误差, 优于EMD和EEMD软阈值去噪(0.511 4, 1.647 8和0.638 2, 1.508 8)。 LCEEMD方法实施过程中, 根据去噪性能指标反馈调整归一化排列熵阈值, 直至获得最佳去噪效果, 滤波过程无需参数设置, 可以自适应实现。

实验研究了滤波对光反馈混沌半导体激光器输出信号中时延特征的抑制。在100 MHz和500 MHz低通滤波条件下, 利用在反馈时延附近的自相关峰值和排列熵峰值量化提取混沌信号的时延特征。测量了不同偏置电流下时延特征随反馈强度的变化。结果表明,经过滤波, 在1.5Ith、-7.5 dB条件下, 时延附近的自相关从0.264降低到0.036, 排列熵从0.985上升到0.997, 同时随着反馈强度的增大, 反馈时延附近的自相关峰值与排列熵呈反比关系; 混沌激光的复杂度和混沌强弱随反馈强度的增大呈先增强后减弱的趋势。滤波作用使混沌复杂度在更低的反馈强度下趋于最大, 并随着反馈强度的增大保持混沌复杂度不变。此外, 在抑制时延特征的同时, 滤波作用有效改善了混沌信号强度分布的随机统计特性。

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。