希尔伯特凯黄变换.pptVIP

希尔伯特黄变换 ——黄诚惕，希尔伯特-黄变换及其应用研究;1)分析了时变信号处理的发展过程及现状; 2 HHT; (1);对于一个简单的信号例如正弦信号，只有满足局部对称于零均值时，其瞬时频率才有意义。;一个本征模态函数是满足如下两个条件的函数：;第一个限定条件是非常明显的；它近似于传统的平稳高斯过程关于窄带的定义。第二个条件是一个新的想法：它把传统的全局限定变为局部限定。这种限定是必须的，它可去除由于波形不对称而造成的瞬时频率的波动。;; 2．2时间特征尺度;2.3EMD分解方法;EMD方法假设任何信号都由不同的本征模态函数(IMF)组成，每个IMF可以是线性的，也可以是非线性的，IMF分量必须满足下面两个条件：一是其极值点个数和过零点数相同或最多相差一个，二是其上下包络关于时间轴局部对称。这样任何一个信号就可以分解为有限个IMF之和。分解过程基于以下假设：(1)信号最少有一个极大值和一个极小值；(2)时域特性由极值间隔决定；(3)如果数据序列完全缺乏极值但是仅包含拐点，那么它也可通过求导一次或多次来揭示极值点，而最终结果可以由这些成分求积分来获得。具体方法是由一个“筛选”过程完成的：;(1)首先找出 s(t)所有的极大值点并将其用三次样条函数拟合成原数据序列的上包络线：以及所有的极小值点并将其用三次样条函数拟合成原数据序列的下包络线；图为一测试数据及其包络线、均值线示意图。 (2)计算上下包络线的均值，记为m1(t)；将原数据序列s(t)减去该均值即可得到一个去掉低频的新数据序列h1下图即为s(t)和h1的示意图。 (3)h1一般仍不是一个IMF分量序列，为此需要对它重复进行上述处理过程。重复进行上述处理过程k次，直到h1(t)符合IMF的定义要求，所得到的均值趋于零为止，这样就得到了第1个IMF分量c1(t)，它代表信号s(t)中最高频率的分量： h1(k-1)(t)-m1k(t)=h1k(t),c1(t)=h1k(t) (5) ;图为分解得到的第一个IMF分量c1(t)，图中可以看出极值点数与零点数目满足IMF的要求。;;第一个IMF,c1;(4)将c1(t)从s(t)中分离出来，即得到一个去掉高频分量的差值信号r1(t)，即有：;其中，rn(t)为残余函数，代表信号的平均趋势。而各个 IMF分量c1(t)， c2(t)…cn(t)分别包含了信号不同时间特征尺度大小的成分，其尺度依次由小到大。因此，各分量也就相应地包含了从高到低不同频率段的成分，每一个频率段所包含的频率成分都是不同的，且随信号本身的变化而变化。;;2.4 Hilbert谱和边际谱; (9);展开式(9)中，每个分量的幅值和相位都是随时间可变的，而同样信号s(t)的Fourier变换展开式为 (11)其中ai,wi为常数。这清楚地表明：HHT对信号的瞬时频率表示是Fourier展开的一般化，它不仅提高了信号的效率，而且能够表示可变的频率。因此，新方法突破了傅立叶变换的束缚。用Hilbert谱可以进一步定义边际谱为： (12);这里由HHT得到的边际谱与Fourier频谱有相似之处，从统计观点上来看，它表示了该频率上振幅(能量)在时间上的累加，能够反映各频率上的能量分布，但因为瞬时频率定义为时间的函数，不同以往Fourier等需要完整的振荡波周???来定义局部的频率值，而且求取的能量值不是全局定义的。因此对信号的局部特征反映更准确，在这方面优于Fourier谱。尤其是在分析非平稳信号时，这种定义对于频率随时间随时变化的信号特征来说，能够反映真实地振动特点。; Thanks for your attention!