EMD算法
简介
经验模态分解(Empirical Mode Decomposition,简称EMD)是依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数。
这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点,EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上,具有非常明显的优势,适合于分析非线性、非平稳信号序列,具有很高的信噪比。所以,EMD方法一经提出后,就在不同的工程领域得到了迅速有效的应用,例如在海洋、大气、天体观测资料与地震记录分析、机械故障诊断、密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别方面。 该方法的关键是经验模式分解,它能使复杂信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF),所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化处理,再进行希尔伯特变换获得时频谱图,得到有物理意义的频率。与短时傅立叶变换、小波分解等方法相比,这种方法是直观的、直接的、后验的和自适应的,因为基函数是由数据本身所分解得到。由于分解是基于信号序列时间尺度的局部特性,因此具有自适应性。
基本原理
经验模态分解(EMD)方法的实质是通过特征时间尺度来识别信号中所内含的所有振动模态( Intrinsic Oscillatory Mode)。在这一过程中,特征时间尺度及IMF的定义都具有一定的经验性和近似性。与其他信号处理方法相比,EMD方法是直观的、间接的、后验的、自适应的,其分解所用的特征时间尺度是源自于原始信号的。
EMD