52集合经验模态分解.pptxVIP

第2节 集合经验模态分解;集合经验模态分解（ensemble empirical mode decomposition，缩写为EEMD），是黄锷（Huang N. E.）等人创建的一种信号分析方法。 该方法的优点，是依据数据自身的时间尺度特征进行信号分解，即局部平稳化处理，无须预先设定任何基函数，因而具有广泛的适用性。 在理论上来说，该方法适用于任何类型的信号分解，特别是在处理非线性、非平稳时间序列方面，更具有明显的优势。目前，这一方法已被广泛地应用于自然科学与社会科学研究的相关领域。 ; 集合经验模态分解（EEMD）???法，是在经验模态分解（empirical mode decomposition，缩写为EMD）的基础上发展起来的。该方法的本质，是对时间序列数据进行局部平稳化处理，然后进行希尔伯特变换获得时频谱图，得到有物理意义的频率。 集合经验模态分解，是在经验模态分解的基础上，加入一组或多组白噪声信号，用于抑制经验模态分解过程中出现的端点效应和模态混叠现象。由于它引入了白噪声扰动并进行集合平均，从而避免了尺度混合问题，使得最终分解的各分量保持了物理上的唯一性。;（一）本征模函数;一个本征模函数，必须满足以下两个条件： ① 在整个时间范围内，函数的局部极值点和过零点的数目必须相等，或最多相差一个； ② 在任意时刻点，局部最大值的包络（上包络线）和局部最小值的包络（下包络线）平均必须为零。 ; 本征模函数表征了数据的内在的振动模式。 由本征模函数的定义可知，由过零点所定义的本征模函数的每一个振动周期，只有一个振动模式，没有其他复杂的奇波。一个本征模函数并没有约束为是一个窄带信号，而且可以是频率和幅值的调制，还可以是非稳态的。单由频率或单由幅值调制的信号也可以成为本征模函数。 ;（二）经验模态分解; 该方法的本质，是通过信号的特征时间尺度来获得本征波动模式，然后分解信号。 这种分解过程可以形象地称之为“筛选（sifting）”过程。 ;经验模态分解过程： 经验模态分解，将信号中不同尺度的波动和趋势逐级分解开来，形成一系列具有不同特征尺度的数据序列，即本征模函数（IMF）分量，最低频率的IMF分量代表原始信号的总趋势或均值的时间序列。 对于原始信号 ，首先找出其所有局部极大值和极小值，然后利用三次样条插值方法形成上包络线 和下包络线 ，则局部均值包络线 可表示为： （5.2.1） ; 原始信号 减去局部均值包络线 ，可得第一向量 ， 数学表达式为 ： （5.2.2） 如 不满足IMF条件，则视其为新的 ，重复（5.2.1）式和（5.2.2）式的计算步骤，经过k次重复，得到满足IMF要求的 ，即第一个IMF分量： （5.2.3） ;;; 虽然经验模态分解方法在信号分析中具有明显的优势，但也存在着无法避免的缺陷，即边缘效应和尺度混合。 尤其是尺度混合，它不仅会造成各种尺度振动模态的混合，甚至还可以使个别IMF失去物理意义。 而集合经验模态分解，是在经验模态分解的基础上发展起来的，由于其引入了白噪声扰动并进行集合平均，从而避免了尺度混合问题，使得最终分解的IMFs分量保持了物理上的唯一性。 ;（三）集合经验模态分解;集合经验模态分解算法： （1）对原始信号添加白噪声序列： （5.2.7） 式中 ， 是对原始信号数据 添加第i个白噪声后得到的新信号， 是白噪声。 （2）根据（5.2.1）～（5.2.2）式所描述的经验模态分解方法，将添加了白噪声的信号分解成各分量IMFs。得到了第i个分量IMF响应的组分 和剩余组分 。 ;（3）最后，对上述分解得到的响应的IMF组分求均值，就得到了最终的分解结果，即