子带经验模式分算法.pdfVIP

摘 要 I 摘 要 Hilbert-Huang变换(HHT)是一种新的分析非线性非平稳信号的时频分析方法。 这种方法的关键部分是经验模式分解。通过经验模式分解，一个复杂信号可以分 解为多个固有模态分量，利用Hilbert变换，求解每一阶固有模态分量的瞬时频率， 从而得到信号的能量分布，即希尔伯特谱。经验模式分解方法是根据信号本身进 行自适应分解的，并且是高效率的。但是，经验模式分解也存在一些问题。研究 者提出许多方法来控制固有模态分量的模态混叠问题，但是现有的方法都没得到 好的控制。在本文中我们的目的就是利用子带频率转换和经验模式分解的结合来 解决这个问题。本文主要内容如下： 本文首先在分析了现有的非平稳信号处理方法的基础上，揭示了瞬时频率概 念的本质属性，暗示了瞬时频率分析的方法和途径。一般来说，有意义的瞬时频 率必须满足单分量信号的条件，把多分量信号分解成单分量信号很有必要。其次， 作为我们进一步工作的基础，详细介绍了经验模式时频理论体系，研究了Hilbert 谱及边际谱的物理意义。而且对双变量经验模式分解方法进行了总结。 在本文中，我们考虑多个调幅调频信号的分解问题。通过大量实验，我们发 现双变量经验模式分解经常会出现虚假分量及信号失真等问题。为了解决这个问 题，本文提出将子带频率转换和双变量经验模式分解相结合的子带经验模式分解 算法。通过大量的仿真实验，表明与双变量经验模式分解算法相比，使用子带经 验模式分解可以有利于减弱信号失真，减少虚假分量。 关键词：非平稳信号处理 经验模式分解 双变量EMD 子带频率转换 子带经 验模式分解算法 ABSTRACT III ABSTRACT Hilbert-Huang transform (HHT) is a new two-step time-frequency analysis method to process nonlinear and non-stationary signals. Its key basis is the empirical mode decomposition (EMD) by which a complicated data set or time series can be decomposed into multiple intrinsic mode functions (IMFs). Operating the Hilbert transform on these IMF components yields the instantaneous frequency curves of these components and energy distribution of the whole signal, which is referred to as the Hilbert-Huang spectrum. The EMD algorithm is data-driven, adaptive, and high efficient. However, the EMD also suffers from some problem. Many applications desire to control the bandwidths of the IMFs but the existing algorithms cannot achieve this demand. Our motivation in this thesis is to settle down this problem by combining the su