一种改善EMD端点效应可行方法.docVIP

一种改善EMD端点效应的可行方法 　　摘要：EMD方法自1998年推出以来已经成功地应用在许多非线性研究领域，但是，在应用EMD方法时有一个非常棘手的问题即端点效应问题。本文基于不必破坏信号本身端部特征的原则，提出了一种对信号端点极值进行合理预测的方法，在信号的端点分别添加两个极值点进行极值延拓。通过仿真实验分析，此方法对于处理较短数据序列，能够有效地抑制端点效应。 　　关键词：经验模态分解；端点效应；极值延拓 　　 　　引言 　　 　　1998年 ，美国国家航空航天局(NASA)的Huang等人 提出了一种新的信号处理方法--经验模态分解方法(Empirical Mode Decomposition，EMD)[1]。该方法从本质上讲是对一个非平稳信号进行平稳化处理，其结果是将信号中不同尺度的波动或趋势逐级分解开来，产生一系列具有不同特征尺度的数据序列，每一个序列称为一个本征模函数(intrinsic mode function）IMF分量。 　　虽然EMD方法自推出以来已经成功地应用在许多非线性研究领域[2]。但是，EMD是通过多次的筛选过程(shiftingprocess)来逐个分解IMF。在每一次的筛选过程中，要根据信号的上、下包络来计算信号的局部平均值;上、下包络是由信号的局部极大值和极小值通过样条插值算法给出。由于信号两端不可能同时处于极大值和极小值，因此上、下包络在数据序列的两端不可避免地会出现发散现象，并且这种发散的结果会随着“筛”过程的不断进行，逐渐向内“污染”整个数据序列而使所得结果严重，这就是 EMD方法的端点效应。针对这一问题，众多学者已研究出几种有效的抑制端点效应的方法,如由赵进平等人提出的镜像延拓法[3] [4] ，虽然该方法在处理较长周期信号时能够取得较理想的效果，可当无法确定一个数据序列的端点是否是极值点时，最好截去一部分数据以便把镜面放在端点处。如果处理一个短数据，不适合截去时，处理效果就会欠佳；邓拥军等人提出基于神经网络的延拓法[5]，该方法可以很好的抑制EMD的端点效应，可此方法需要大量的时间对神经网络进行训练，因而算法效率较低；文献[6]提出了利用AR模型对信号两侧进行延拓的边界处理方法,虽然能在一定程度上抑制边界效应,但是为了得到信号两侧外的极值点,需为预测的数据点个数设定一个较大的数值,影响筛过程的精度,导致该算法的通用性不好。 　　本文针对 EMD的端点效应问题，综合分析已有方法的不足，基于不必破坏信号本身端部特征的原则，提出了一种对信号端点极值进行合理预测的方法，通过对仿真实验分析，验证了该方法能够有效地抑制端点效应。 　　 　　1 EMD方法介绍 　　 　　固有模态函数（IMF）必须满足两个条件:1 在整个数据段内 ,其极值点的个数和过零点的个数必须相等或相差一个;2 在任意时刻 ,由局部极大值点和极小值点形成的上、下包络线平均值为零。 　　对于不满足上述条件的数据序列就需要进行平稳化处理。具体处理方法是: 　　设原始的信号为s(t) 　　(1)确定 s(t)的所有极大值和极小值； 　　(2)根据极大值和极小值作三次样条插值来构造s(t)的上下包络线； 　　(3)根据上下包络线，计算出s(t)的局部均值 m11(t)，以及s(t)和m11(t)的差值 h11(t)=s(t)-m11(t)； 　　(4)以 h11(t) 代替原始信号 s(t)，重复以上三步，直到h1（k-1）与 hlk之间的方差小于一设定值，即认为 hlk是一 个 IMF分量，记 c1=hlk，r1(t)=s(t)- c1，s(t)=r1(t)； 　　(5)重复以上四步，直到rn小于一设定值，或者它变成了一个单调函数时，原始信号的 EMD分解结束 ，得到 s(t)的分解式如下： 　　 　　2 改善EMD端点效应的新方法 　　 　　为了更好的抑制EMD过程中存在的端点效应，笔者在对现有的几种方法进行综合分析基础上提出一种对信号端点极值进行合理预测的方法，因为在分解IMF时，上、下包络是由极大值和极小值连结而成的，因此只要对极大值和极小值进行延拓，而不必对信号本身进行延拓.极大值和极小值是相间分布的，同时考虑到样条插值的要求，所以只要在信号左、右两端分别延拓两个极大值和两个极小值即可.由于端点以外没有信号，任何延拓都是人为的，本文提出方法具体过程如下： 　　规定第一个原始数据为x1,最后一个原始数据xk,第一个极大值 u1，最后一个极大值 uM 第一个极小值v1,最后一个极小值vN (K、M、N分别为原始数据、极大值、极小值的个数)，然后在原始数据起始点和终点各合理预测一个极大值和一个极小值。（详见表1，表2，表3） 　　 　　3 仿真实验 　　 　　在仿真实验