经验模态分解EMD
-
起源:
-
1998年Huang等人提出了一种全新的信号时频分析方法——希尔伯特·黄变换(Hilbert-Huang Transform,HHT)。
-
该方法首先采用(Empirical Mode Decom-position,EMD)算法将非平稳信号逐级分解为若干个(Intrinsic Mode Function,IMF)和一个残余量,然后再对各个IMF分量进行希尔伯特变换(Hilbert Transform,HT)得到能够准确反映信号能量在空间(或时间)各尺度上的分布规律的Hilbert谱。
-
注:
-
IMF的定义:
将待研究的信号分解为一个个单分量信号,每一个单分量信号只包含一种振荡模式(即单一的瞬时频率),这些分解后的分量称为固有模态函数。 -
IMF满足两点要求:
1)极值点和过零点的数目应该相等,或者最多差一个。
2)局部最大和局部最小的上下包络线均值为零。
-
-
-
优缺点:
-
优点:
- EMD具有数据驱动的自适应性,能分析非线性非平稳信号,不受Heisenberg测不准原理制约等优点。
- EMD在非线性非平稳信号分析中具有显著优势。与传统时频分析技术相比,EMD无需选择基函数,其分解基于信号本身极值点的分布。
-
缺点:
- Huang提出的基于筛分(Sifting)算法的EMD得到的IMF分量存在模态混叠(Mode Mixing,MM)。模态混叠的出现不仅会导致错假的时频分布,也使IMF失去物理意义。
- 算法本身缺少完整的理论基础,在实际计算与应用中还存在着许多不足,包括模态混叠、端点效应、筛分迭代停止标准等问题。
- 一般情况下,每个固有模态函数只包含一种频率成分,不存在模态混叠的现象。但是,当信号中存在由异常事件(如间断信号、脉冲干扰和噪声等)引起的间歇(Intermittency)现象时,EMD的分解结果就会出现模态混叠。
-
缺点总结:
-
模式混合/模态混叠:
1)一个单独的IMF信号中含有不同的时间尺度;
2)相同时间尺度出现在不同的IMF中。 -
时间尺度:
1)信号中局部两个连续过零点之间的时间宽度;
2)信号中两个连续峰值之间的时间宽度;
3)曲率上两个连续峰值之间的时间宽度。
-
如图所示:
-
-
<