独立分量分析方法在经验模式分解中的应用.pdfVIP

独立分量分析方法在经验模式分解中的应用 陈建国 张志新 郭正刚 王奉涛 李宏坤 （大连理工大学机械学院，振动工程研究所, 大连，116023） 摘 要：若信号间的能量和频率比例过大，经验模式分解不能分解出正确的单一模式分量。针对这 种状况提出一种经验模式分解与独立分量相结合的信号分析方法。该方法能分离出 IMF 分量的固有特性， 消除 EMD 分解过后各 IMF 之间信息混淆问题，恢复各个单分量所丢失的信息特性，改善了经验模式分解能 力不足所带来局限性，保障经验模式分解的有效性。通过仿真信号和实际工程信号研究，验证了该方法的 可行性。表明该方法对信号分解和故障诊断具有很好的前景。 关键词：独立分量分析，经验模式分解，FastICA 算法，信息特性 中图分类号：TN912, TH133 文献标识码: A ICA(Independent Component Analysis) 是盲信号处理的相对成熟的一种方法，主要 针对混叠信号进行独立源信号的分离，在实 际应用中相当于消除各个传感器采集信号 的 数 据 冗 余 [1] 。 EMD (Empirical Mode Decomposition,)是把复杂信号分解成若干 IMF (Intrinsic Mode Function)。每个IMF 都是任意时刻的单一振荡模式，每个时刻具 图1瞬时混合分离模型示意图 有单一瞬时频率。但是受到采样频率，边界 量的样本数据参与运算。下面给出FastICA [4][5] 效应，曲线拟合的影响，当信号之间的频率 算法步骤 ： 比和能量比超出一定值时，EMD无法分解出 1. 对观测数据x 进行中心化，使它的均值 正确IMF。本文利用ICA与EMD方法结合，改 为 0；对数据进行白化,使白化向量相互正交 善EMD分解能力带来的局限性，使每个IMF能 且能量都为 1； [2] 完整的表达各个振荡模式的特性 。 2. 选择估计分量的个数 m ，设迭代次数 1.独立分量分析（ICA） p ←1 ； 3. 选择一个随机的初始权矢量W ； 1.1 独立分量分析的模型 p T T 假设随机数据变量x ,满足模型: 4.令 W E Zg W Z =−E g W Z W ； p { ( p )} { ( p )} p −1 5. T ，W W / W ； x As =+n （1） W W =− W W W p p p p p ∑( p j ) j