强噪声背景下的经验模式分解研究.pdfVIP

振动与冲击 SttOCK VIRRATION^ND 第28卷第3期 JOURNAI。OF 强噪声背景下的经验模式分解研究 赵艳菊，王太勇，任成祖，冷永刚，徐跃，张攀 (天津大学机械工程学院，天津300072) 摘 要：研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题，提出了一种基于随机共振降噪的EMD 分解方法。该方法利用随机共振在微弱信号检测方面的独特优势，首先对有噪微弱信号进行随机共振输出，微弱信号得 到降噪和加强后，再进行EMD分解。在仿真实验中，对随机共振输出前后的信号分别进行EMD分解，分析结果表明该方 法不仅能够提高原始信号的信噪比，有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量，同时减少了EMD 分解的层数，提高r运算效率。 关键词：随机共振；经验模式分解(EMD)；微弱信号 中图分类号：TN911．23；TP206．3文献标识码：A 经验模式分解方法是由Huang…在1999年提出的 1 EMD算法 一种新的信号处理方法，该方法可以根据信号中不同 时间尺度的波动自适应的逐级分解，产生一系列具有 EMD分解是一种新的非平稳信号处理方法，该方 不同特征尺度的基本模式分量，通过对各个模式分量 法可将任意非线性平稳信号分解为若干个基本模式分 的分析，掌握原始数据的特征信息，从而为深层次的信 量和一个余项。所谓基本模式分量(简称IMF)就是满 息挖掘奠定基础。由于EMD分解采用i次样条插值足以下两个条件的函数或者信号：在整个数据序列中， 获取信号的瞬时平均值，冈此该方法存在特殊而无法 极值点的数量和过零点的数量必须相等或者最多相差 消除的边界效应旧，3J，特别是当信号中混有大量的噪声 一个；任何一点，信号局部极大值和局部极小值定义的 时，EMD分解的层数会增多，不仅降低运算效率，并且 包络线的均值为零。经验模式分解的过程也称为“筛 随着分解层数的增加边界误差也不断累加，严重时会 选”过程，具体步骤如下： 使EMD分解丧失明确的物理意义。冈此在对信号进 (1)确定时间序列戈(t)的所有局部极值点，然后 行EMD分解之前，需要对信号进行降噪处理。文献 用i次样条连接所有的局部极大值点得到上包络线， [4，5]分别采用小波和奇异值分解方法在一定噪声量连接所有局部极小值点得到下包络线，记上、下包络线 下去噪，达到了较好的效果，但是当信号较弱，噪声强 的平均值为m(￡)。 度较大时，小波和奇异值分解方法效果变差，会分解出 (2)令 一些奇异点，干扰有效信号的识别。随机共振∞1信号 ^。(t)=茁(t)一m(f)(1) 处理方法是1981年Benzi等人在研究古地球气象冰川一般情况下，由于信号的非线性和非平稳性， 问题时提出的，因为该方法在微弱信号增强和检测方 面的独特优势近年来得到迅猛发展，该方法利用信号 和噪声在非线性系统中的协同作用，使噪声能量向低 Cl(￡)=hl(t)。 频信号转移，可以在减小背景噪声的同时突出和放大 (3)计算剩余值时间序列： 微弱信号[卜9J。因此随机共振降噪方法对噪声具有较 r，(t)=茹(￡)一Cl(￡) (2) 强的免疫力，可以在强噪声背景下有效提取微弱信号。 (4)把r。(t)当作新的原始时间序列，重复上述步 基于此，文章提出将随机共振理沦与EMD分解相结合 骤计算，按此过程依次分解得到： 的微弱信号检测方法，即对有噪微弱信号，先进行随机 ，r2(f)=rl(￡)一C2(t) r3(t)=／2(