2025《经验模态分解算法（EMD）原理分析综述》3900字.docxVIP

经验模态分解算法（EMD）原理分析综述

目录

TOC\o1-3\h\u18855经验模态分解算法（EMD）原理分析综述 1

65631.1瞬时频率的概念 1

86101.2固有模式函数 2

324471.3经验模态分解算法（EMD） 3

1.1瞬时频率的概念

一直以来，对信号频率的定义都是建立在傅里叶变换的基础上的，信号的频率定义为跨越整个数长度且恒定振幅的正弦或余弦函数的频率。而这个定义就意味必然要求一段完整的信号才有频率，无法定义瞬时频率。自从有了希尔伯特变换之后，频率有了新的定义，对于一个随机序列x(t)，定义希尔伯特变换如下：

y

其中，P表示柯西（Cauchy）主值。X(t)和Y(t)可以构成复共轭对，可以得到一个解析信号，Z(t)，如下：

z(t)=x(t)+iy(t)=a(t)

其中，

a(t)=[x2

a(t)为随时间变化的幅度信息，θt

ω=

但是，hilbert变换得到瞬时频率并不一定是有意义的，从上面的公式可以看出，对于一个自然的非平稳非线性信号，同一时刻的hilbert变换得到的瞬时频率只有一个。如果一个自然信号本身是多种物理信号的叠加，那么理论上这个信号在同一时刻应该具有多个瞬时频率，通过hilbert变换得到的单一瞬时频率在这时显然是没有物理意义的。

为了得到有意义的瞬时频率，要求希尔伯特变换处理的信号是单一模式。因此，希尔伯特变换的瞬时频率定义一直没能得到比较合理应用，Huang等创新性设计出的EMD算法，将每个非线性非平稳信号分解成固有模式分量（IMF），使得信号分解出的成分进行希尔伯特变换得到的瞬时频率是有意义的。

1.2固有模式函数

对希尔伯特变换，在物理上得到有意义的瞬时频率的必要条件是：函数对称于局部零均值，且有相同的极值点和过零点。基于希尔伯特变换的特性，Huang等人在设计EMD分解出的IMF分量的时候，要求IMF分量满足两个条件：

（1）在整个数据序列中，极值点的数量与过零点的数量必须相等，或最多相差一个；

（2）在任何时间点上，被它的局部最大值与局部最小值定义的包络均值必须是零。

第一个条件可以满足IMF分量在每个时间尺度内只有单一的震动模式，没有其他谐波分量。第二个条件保证IMF分量的均值为零，能量分布在时间轴上下对称，这样，IMF分量就是一个调幅调频的非线性非平稳信号。下图就是一个典型的IMF波形，来源于EMD算法分解MIT-BIH心率失常数据库（MIT-BIHArrhythmiaDatabase）mitdb100数据产生的IMF5分量：

图2-1EMD分解mitdb100产生的IMF5

Fig2-1EMDdecompositionofIMF5generatedbymitdb100

1.3经验模态分解算法（EMD）

自然界中的非线性非平稳信号往往是多个物理信源产生信号的叠加，包含不止一个震荡模式，经验模态分解就是通过后验的，自适应的方式将不同信源产生的单一震荡模式分开。

EMD分解的本质是通过信号或者数据的时间尺度经验的鉴别出数据中存在的固有震荡模式，并以此为根据进行数据分解。EMD算法的原理，首先第一步观察数据，可以通过观察数据定义局部时间尺度：同连续局部最大最小值确定的时间间隔或者是通过局部过零点确定的时间间隔。但是由于数据叠加的原因，高频信号叠加在低频信号上成为骑波，骑波的扰动不能在过零点上检测，通过局部过零点定义时间尺度局限性较强。所以必须采用极值之间的时间尺度来定义固有模式分量的时间尺度；这样，不仅提供了精细的震荡模式划分，而且可以用于非零均值的数据。

以相邻局部极大值与极小值作为时间尺度，为将相同或相似时间尺度的信号从原始信号剥离，就需要找到这些振荡波作为骑波所骑的趋势分量。本论文以研究领域中经典的非线性非稳定信号，全球年地表气温异常数据（GlobalSurfaceTemperatureanomaly，GSTA），为例如下图所示：

图2-2GSTA数据

Fig2-2GSTAdata

图2-3中，红色曲线为GSTA数据，绿色曲线为局部均值数据，也就是原始数据在每一个时刻的局部均值；在原始信号中，每一个相邻的极大值和极小值之间的数据为一个时间尺度，此时间尺度中的信号是叠加在局部均值信号上的半