边际谱（Marginal Spectrum）详解

边际谱（Marginal Spectrum）详解

目录

1. 背景介绍
2. 希尔伯特谱与时频分布
3. 边际谱的定义与数学推导
4. 连续形式与离散实现
5. 与传统傅里叶谱的对比
6. 边际谱的实际意义
7. 在HHT分析中的作用
8. 数学公式汇总
9. 代码示例
10. 代码简要说明

---

1. 背景介绍

当我们在分析非平稳或非线性信号的频率特征时，仅使用传统的傅里叶变换往往难以捕捉随时间变化的频率信息。为此，人们提出了多种时频分析方法：如短时傅里叶变换（STFT）、小波变换以及希尔伯特-黄变换（Hilbert-Huang Transform, HHT）等。

• HHT的基本思路：
  1. 先用本征模态分解（EMD）将原始信号分解为若干本征模态函数(IMF)。
  2. 然后对每个IMF做希尔伯特变换，获取瞬时幅值、瞬时相位与瞬时频率，并汇总到希尔伯特谱(Hilbert Spectrum)中。

希尔伯特谱本质上是一个三维描述：时间 $\times$ 频率 $\times$ 幅值(或能量)。然而，在有些研究或实际应用中，我们需要一个类似于“整体频率分布”的结果，但又希望继承非平稳分析的优点，于是就引入了**边际谱（Marginal Spectrum）**的概念。

---

2. 希尔伯特谱与时频分布

2.1 希尔伯特谱

若信号 $x(t)$ 经EMD分解得到若干IMF（记为 $c_k(t)$ ），并对每个IMF进行希尔伯特变换，得到瞬时幅值 $A_k(t)$ 和瞬时角频率 ${\omega }_k(t)$。则可以定义希尔伯特谱：
$$H(\omega ,t)=\sum _{k=1}^n{A}_k(t)\delta (\omega -{\omega }_k(t)),$$
其中 $\delta (\cdot )$ 是狄拉克$\delta$-函数，刻画了在时刻 $t$ 出现了频率 ${\omega }_k(t)$，并以 $A_k(t)$ 作为幅值(或能量)权重。

从直观上说，希尔伯特谱是信号在时频平面上的“能量密度”描述，能够反映每一时刻在哪些频率附近有主要能量贡献。

2.2 三维到二维的“边缘化”

希尔伯特谱是个二维函数 $H(\omega ,t)$，在可视化时常用“时间-频率”坐标+“颜色/亮度”表示幅值。但有时我们只想要对“频率”在整段时间里总体贡献的一个量，或者说希望在频率轴上能画出一条类似传统谱的曲线。于是，引入了对时间轴积分的概念，得到边际谱。

---

3. 边际谱的定义与数学推导

3.1 定义

**边际谱（Marginal Spectrum）**通常记为 $h(\omega )$，它是对希尔伯特谱 $H(\omega ,t)$ 在时间轴上做积分而得到的函数：
$$h(\omega )={\int }_{t_0}^{t_1}H(\omega ,t)\mathrm{d}t.$$
在HHT的背景下，若希尔伯特谱写成
$$H(\omega ,t)=\sum _{k=1}^n{A}_k(t)\delta (\omega -{\omega }_k(t)),$$
则边际谱可以展开为：
h ( ω ) =    ∫ t 0 t 1 ∑ k = 1 n A k ( t )   δ  ⁣ ( ω − ω k ( t ) )   d t =    ∑ k = 1 n ∫ t 0 t 1 A k ( t )   δ  ⁣ ( ω − ω k ( t ) )   d t