类EMD的“信号分解方法”及MATLAB实现——EEMD

学习笔记记录

原文链接-https://zhuanlan.zhihu.com/p/121803211

---

---

  EEMD、VMD等类似于EMD分解方法的信号分解方法。“类EMD”方法.
  我们总是希望把一个信号写成一系列的子信号的组合，然后加上一个性质不同的信号，所谓的残差信号或者剩余信号。

一、EEMD？

  为什么要提出EEMD?
  解决EMD方法中的模态混叠现象。说到模态混叠，顾名思义就是不同模态的信号混叠在一起，一般有两种情况：一是不同特征尺度的信号在一个IMF分量中出现，另一种是同一个特征尺度的信号被分散到不同的IMF分量中。
  EEMD是怎样解决这个问题的呢:
  EEMD主要的改进思路是：利用白噪声均值为0的特性，通过在分解的过程中多次引入均匀分布的白噪声，将信号本身的噪声通过多次人为添加的噪声掩盖过去，从而得到更加精准的上下包络线。同时对分解结果进行平均处理，平均处理次数越多，噪声给分解带来的影响就越小。

处理步骤如下四部：

1. 设定原始信号的处理次数m
2. 给这m个原始信号分别添加随机白噪声，组成一系列新的信号
3. 对这一系列的新信号分别进行EMD分解，得到一系列的IMF分量
4. 对相应模态的IMF分量分别求均值，得到EEMD分解结果

注意：相较于EMD的（几乎）无参数傻瓜式自适应分解，EEMD就有一些参数需要调试了：分别是用于平均处理的次数M、添加的白噪声的幅值。其中白噪声的幅值通常用“白噪声幅值的标准差与原始信号幅值标准差之比”来表征。

二、EEMD的编程实现

利用EMD代码工具箱。

1.EMD和EEMD的对比

生成模拟信号的代码如下（示例）：间断性高频脉冲

%% 1.生成仿真信号
fs = 400;  %采样频率
t = 0:1/fs:0.75; %时间轴
x = sin(2*pi*4*t); %低频正弦信号
y = 0.5*sin(2*pi*120*t); %高频正弦信号
for i = 1:length(t) %将高频信号处理成间断性
    if mod(t(i),0.25)>0.11&&mod(t(i),0.25)<0.12
    else
        y(i) = 0;
    end
end
sig = x+y; %信号叠加
figure('color','white')
plot(t,sig,'k') %绘制原始信号

EMD分解结果和EEMD分解结果：


  EEMD分解的IMF1、IMF2和IMF3是含有高频的正弦间歇性信号，IMF2和IMF3可以看做IMF1很小的能量损失，分析高频信号时，可以将IMF1、2、3叠加起来作为重构的高频信号，会得到更好的分析效果。IMF4也很好地提取了信号中的低频分量。

  相比之下，EMD的分解结果存在着严重的模态混叠，失去使用的意义了。

上图中进行EEMD分解的程序如下：

Nstd = 0.2; %Nstd为附加噪声标准差与Y标准差之比
NE = 100;   %NE为对信号的平均次数
imf = pEEMD(sig,t,Nstd,NE);
% function imf = pEEMD(data,FsOrT,Nstd,NE)
% 画信号EEMD分解图
% 输入：
% y为待分解信号
% FsOrT为采样频率或采样时间向量，如果为采样频率，该变量输入单个值；如果为时间向量，该变量为与y相同长度的一维向量。如果未知采样频率，可设置为1
% Nstd为附加噪声标准差与Y标准差之比
% NE为对信号的平均次数
% 输出：
% imf为经eemd分解后的各imf分量值
% 例1：（FsOrT为采样频率）
% fs = 100;
% t = 1/fs:1/fs:1;
% data = sin(2*pi*5*t)+2*sin(2*pi*20*t);
% imf = pEEMD(data,fs,0.2,100);
% 例2：（FsOrT为时间向量，需要注意此时FsOrT的长度要与y相同）
% t = 0:0.01:1;
% data = sin(2*pi*5*t)+2*sin(2*pi*20*t);
% imf = pEEMD(data,t,0.2,100);

2.工具解释

上述程序中的pEEMD是笔者经过再次封装的eemd程序，在中央大学提供的eemd函数中，返回的imf中带着原始信号，且行列方向与其他工具箱的分解函数也不一致，为了与其他信号分解方法的结果保持统一，在封装程序里对其进行了处理。此时imf即为eemd分解后的各分量信号。同时EEMD分解的图也可以画出来。

上边的测试代码，包括工具箱都可以在公众号（括号的城堡）中获取，EMD以及HHT相关的程序也有

---

总结

主要是：EEMD对于改善静态混叠具有较好的效果。