在传统的谱分析中，频率指的的是以傅里叶变换为基础的与时间无关的量，表示信号在一段时间内的总体特征，是一个全局性的概念。对于一般的平稳信号，传统的频域分析方法是有效的，但是在实际中往往出现得最多的是非平稳信号，其频率是随时间变化的，傅里叶频率将不再适合。为了表征这种频率随时间变换的信号的局部特征，就需要引入瞬时频率的概念。在Hilbert变换方法产生之前，瞬时频率这个概念在信号处理学科中一直存在争议，这种争议一方面是受傅里叶谱分析根深蒂固的影响；另一方面是由于对于瞬时频率的概念没有确定的定义。直到使信号解析化的Hilbert变换被提出之后，瞬时频率的定义才得以统一。
为了能够获得有意义的瞬时频率，需要一种能够将信号先行分解成一系列单分量的预处理方法。Huang等人对瞬时频率的定义进行深入研究的基础上，创造性的提出了一种新的信号分解方法—经验模式分解(Empirical Mode Decomposition，EMD)。原始信号通过该算法被分解为一系列的窄带分量，对这些分量再应用Hilbert变换，最终所求得到的瞬时频率就具有了明确的物理意义，Huang将此类信号称之为本征模态函数(Intrinsic Mode Function，IMF)或基本模式分量。
这种本征模态函数需要满足以下两个条件：
① 在整个信号序列中，极值点的个数Ne和过零点Nz的个数必须相等或最多相差不能超过一个，即：
② 在任意的时刻，分别对由局部极大值点、局部极小值点构成的上包络线
、下包络线
求和得到的局部平均值应为零，即：
满足上面两个条件的IMF，只包括一个单一的振荡模式，不存在冗余的叠加波。
图1 典型的基本模式分量(a)及其瞬时频率(b)
对于满足基本模式分量两个限定条件的信号可以通过Hilbert变换求出其瞬时频率。但是自然界大多数信号并不是单纯的只包含一个分量，也就是说，在任何时刻信号中可能会包含多个振动模式，这也就造成了Hilbert变换无法给出一般信号的完全频率内容。基于此，EMD算法的基本思想就是获取原始信号的基本模式，接着再对基本模式进行分析以获得有意义的频率。该算法是一个迭代筛选的过程，本质上是通过数据的特征时间尺度来获得基本模式分量。
该算法的分解步骤如下：
(1) 找出原始信号x(t)的所有极值点（极大值和极小值）；
(2)将全部极大值点和极小值点分别采用三次样条插值的曲线进行拟合，得到x(t)的上包络线和下包络线
；
(3) 逐点计算上包络线和下包络线的局部均值，；
(4) 原始信号x(t)减去局部均值，d(t)=x(t)-m(t)；
(5)判断d(t)是否是一个基本模式分量，也即判断 d(t)是否满足上述的两个条件，如果条件满足，则将d(t)视为一个基本模式分量，c1=d(t)，否则x(t)=d(t)，然后重复以上操作；
(6)分解出第一个模式分量后，用x(t)减去得到剩余信号
，然后令
，重复以上过程，依次可得到
，最后剩下原始信号的余项
。
图2 信号 x(t)的上、下包络线及其均值
这样通过整个过程的分解，原始信号x(t)可以表示为：
其中为第i个基本模式分量，
为原始信号的残差，也可以解释为信号的直流分量。以上的分解过程用程序流程图可表示如下：
图3 EMD分解流程图
为了确保IMF能够保存足够的反映信号实际幅度和频率的信息，不会因过多的筛选而变成纯粹的频率调制信号，需要指定一个筛选过程的停止准则，停止的条件可以通过限制两个连线的处理结果之间的标准差Sd的大小来实现：
其中T表示信号的总长度时间，和
是筛选过程中两个连续的中间处理结果的时间序列。在筛选过程中，当
的值小于某一预先设置的值时就结束此次筛选操作，Huang建议该设定值取0.2~0.3之间。
图4 EMD分解结果
图5 采用EMD算法的信号Hilbert时频谱
图6 信号Hilbert边际谱
扫一扫
274
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
