VMD变分模态分解

主题

这篇文章主要结合VMD论文和MATLAB代码解读变分模态的主要流程。

参考博客：
原文链接：https://blog.csdn.net/weixin_46062179/article/details/122268070

VMD

基础知识

1. IMF，Intrinsic Mode Function ,调幅调频信号 $$u_k(l)=A_k(l)cos({\Phi }_k(l))$$

        这个定义满足EMD中IMF的约束，比如，锯齿信号，不是调幅调频信号，但满足EMD中IMF的两个约束。
        而新的定义约束了IMF有限的带宽。这是VMD模型进行模式分离假设的前提。
   

2. 卡森公式：最大频偏与最高调制频率直和的两倍 $$B_{FM}=2\times (\Delta f+f_{FM})$$
   实际IMF带宽总数： $$B_{AM-FM}=2\times (\Delta f+f_{FM}+f_{AM})$$

   $$f(t)=(1+0.5cos(2\pi f_{AM}t))\cdot cos(2\pi f_{c}t+\Delta f/f_{FM}cos(2\pi f_{FM}t))$$

3. 已有信号分解的算法的不足：
   1）EMD缺乏数学理论 2）大多数递归筛选不允许向后误差校正 3）噪声不适应 4）小波方法的硬带限问题 5）EWT需要预定义滤波器组边界

4. Wiener Filtering
   $$\hat{f}(\omega )=\frac{{\hat{f}}_0}{1+\alpha {\omega }^2}$$
   恢复的信号是在输入信号f0在角频率为0附近的低通窄带信号。

5. 一维希尔伯特变换将预先函数映射为相应的正弦函数，，是一种全通滤波器，传递函数为：
   $$\hat{h}(\omega )=-jsgn(\omega )=-j\frac{\omega }{|\omega |}$$
   $$h(t)=\frac{1}{\pi t}$$

6. 解析信号：信号是解析信号的实部。
   $$f_A(t)=f(t)+jHf(t)=A(t)e^{j\varphi (t)}$$

VMD模型推导

假设：每个子信号（mode）在中心频率附近是紧凑的，带宽是有限的。

• 对每个mode，通过Hilbert变换得到解析信号，获得单边频谱；
• 对每个mode，通过与中心频率的指数混频，将模式频谱移至基带；
• 通过解调信号的高斯平滑度估计带宽，比如梯度的平方范数。

min ⁡ { u k } , { ω k } { ∑ k ∣ ∣ ∂ t [ ( δ ( t ) + j π t ) ⋆ u k ( t ) ] e − j ω k t ∣ ∣ 2 2 } s . t . ∑ k u k = f \min_{\{u_k\},\{\omega_k\}} \left\{ \sum_k || \partial _t [ (\delta(t)+\frac{j}{\pi t}) \star u_k(t)] e^{-j\omega_k t}||_2^2\right\} s.t. \sum_k u_k = f {uk​},{ωk​}min​{k∑​∣∣∂t​[(δ(t)+πtj​)⋆uk​(t)]e−jωk​t∣∣22​}s.t.k∑​uk​=f