针对非线性、非平稳的数据,基函数的形式无法提前确定,需要自适应基函数的方法。
21世纪初,黄鳄提出了基于经验的HHT方法,在工程信号分析领域有广泛的应用。
HHT主要包括两个步骤:
- 经验模态分解(EMD)
- 希尔伯特变换(Hilbert)
- 首先合成示例信号
# 生成0-1时间序列,共2048个点
N = 2048
t = np.linspace(0, 1, N)
# 生成信号
signal = (2+np.cos(8*np.pi*t)) * np.cos(40*np.pi*(t+1)**2) + np.cos(20*np.pi*t + 5*np.sin(2*np.pi*t))
- 画出该合成信号的时域图和频谱
- 进行HHT分析,画出每一个可能IMF的时域图和频谱
分析结果为前两阶为待分析信号的两个IMF。
后两阶与前两阶的幅值差异较大,且前两阶IMF信号的频谱图组合基本上就是原始信号的频谱图。
- 选择前2个IMF,画出其时域图和时频图
对前2个IMF进行希尔伯特变换得到的时频图。
- 验证前n个IMF能否合成原始信号
对前2阶IMF信号求和,画出他们的合成信号与原始信号进行对比,发现基本吻合。
下面给出的代码完美实现这一过程,用户只需要修改采样点数和信号函数即可方便使用。
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
from pyhht import EMD
from scipy.signal import hilbert
import tftb.processing
matplotlib.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
matplotlib.rcParams['axes.unicode_minus']=False #显示负号
def picture(x, y, N):
'''
画信号的时域图和频谱
输入:
x: 0-1时间序列
y: 信号
N: 1s内采样点数
输出:
信号的时域图和频谱
'''
ax1 = plt.subplot(2, 1, 1)
plt.plot(x, y)
plt.xlabel('时间/s')
plt.ylabel('幅值')
plt.title('合成信号时域曲线')
yf = np.fft.fft(y)
xf = np.linspace(0.0, N/2, N//2)
ax2 = plt.subplot(2, 1, 2)
plt.plot(xf, 2.0/N * np.abs(yf[:N//2])) #频谱幅值归一化,需要*2/N
plt.xlabel('频率/Hz')
plt.ylabel('幅值')
plt.title('合成信号频谱')
plt.show()
def HHTAnalysis(t, signal, N):
'''
进行HHT分析,画出每一个IMF的时域图和频谱
输入:
t: 0-1时间序列
signal: 信号
N: 1s内采样点数
输出:
信号每一个IMF的时域图和频谱
且返回IMFs,维度为(IMFs个数,信号点数N)
'''
# 进行EMD分解
decomposer = EMD(signal)
# 获取EMD分解后的IMF成分
imfs = decomposer.decompose()
# 分解后的IMF个数
n_components = imfs.shape[0]
# 画出每一个IMF的时域图和频谱
fig1, axes = plt.subplots(n_components, 2, figsize=(10, 7), sharex='col', sharey=False)
for i in range(n_components):
#画时域图
axes[i][0].plot(t, imfs[i])
axes[i][0].set_title('IMF{}'.format(i + 1))
# 画fft图
yf = np.fft.fft(imfs[i])
xf = np.linspace(0.0, N/2, N//2)
axes[i][1].plot(xf, 2.0/N * np.abs(yf[:N//2])) #频谱幅值归一化,需要*2/N
axes[i][1].set_title('IMF{}'.format(i + 1))
plt.show()
return imfs
def HHTPicture(t, imfs, N, n):
'''
画出指定个数的IMFs的时域图和时频图
输入:
t: 0-1时间序列
imfs: IMFs成分
N: 1s内采样点数
n: 指定画前几个IMFs成分
输出:
前n个IMFs的时域图和时频图
'''
fig2, axes = plt.subplots(n, 2, figsize=(10, 7), sharex='col', sharey=False)
# 计算并绘制各个组分
for iter in range(n):
# 绘制分解后的IMF时域图
axes[iter][0].plot(t, imfs[iter])
axes[iter][0].set_xlabel('时间/s')
axes[iter][0].set_ylabel('幅值')
# 计算各组分的Hilbert变换
imfsHT = hilbert(imfs[iter])
# 计算各组分Hilbert变换后的瞬时频率
instf, timestamps = tftb.processing.inst_freq(imfsHT)
# 绘制瞬时频率,这里乘以fs是正则化频率到真实频率的转换
fs = N
axes[iter][1].plot(timestamps/fs, instf * fs)
axes[iter][1].set_xlabel('时间/s')
axes[iter][1].set_ylabel('频率/Hz')
# 计算瞬时频率的均值和中位数
axes[iter][1].set_title('Freq_Mean{:.2f}----Freq_Median{:.2f}'.format(np.mean(instf * fs), np.median(instf * fs)))
def HHTFilter(signal, componentsRetain):
'''
定义HHT的滤波函数,提取部分EMD组分
输入:
signol: 信号
componentsRetain: IMF的列表 []
输出:
一幅图,同时包含原始信号和合成信号
'''
# 进行EMD分解
decomposer = EMD(signal)
# 获取EMD分解后的IMF成分
imfs = decomposer.decompose()
# 选取需要保留的EMD组分,并且将其合成信号
signalRetain = np.sum(imfs[componentsRetain], axis=0)
# 绘图
plt.figure(figsize=(10, 7))
# 绘制原始数据
plt.plot(signal, label='RawData')
# 绘制保留组分合成的数据
plt.plot(signalRetain, label='HHTData')
# 绘制标题
plt.title('RawData-----HHTData')
# 绘制图例
plt.legend()
plt.show()
return signalRetain
# 生成0-1时间序列,共2048个点
N = 2048
t = np.linspace(0, 1, N)
# 生成信号
signal = (2+np.cos(8*np.pi*t)) * np.cos(40*np.pi*(t+1)**2) + np.cos(20*np.pi*t + 5*np.sin(2*np.pi*t))
# 画出原始信号的时域图和频谱
picture(t, signal, N)
# 进行HHT分析,画出所有IMFs的时域图和频谱
imfs = HHTAnalysis(t, signal, N)
# 画出前2个IMFs的时域图和时频图
HHTPicture(t, imfs, N, 2)
# 进行验证,判断与原始信号的差异
signalRetain = HHTFilter(signal, [0, 1])
第一次发文章,如果对你有用,可以请您点个赞吗