希尔伯特谱分析详解

希尔伯特谱分析详解

希尔伯特谱分析是信号处理领域的重要工具，通过将时域信号转换为时频域，揭示信号的瞬时频率特性。

希尔伯特变换基础

希尔伯特变换是理解希尔伯特谱的基础。对于实信号 $x(t)$，其希尔伯特变换 $\hat{x}(t)$ 定义为：

$$\hat{x}(t)=\mathcal{H}[x(t)]=\frac{1}{\pi }{\int }_{-\infty }^{\infty }\frac{x(\tau )}{t-\tau }d\tau$$

这个公式可以理解为原信号与函数 $\frac{1}{\pi t}$ 的卷积：

$$\hat{x}(t)=x(t)\ast \frac{1}{\pi t}$$

从频域角度看，希尔伯特变换相当于将信号的所有频率分量相位旋转 $-90^{\circ }$（负频率部分）或 $+90^{\circ }$（正频率部分）。这可以通过频域表达式清晰地看出：

$$\mathcal{F}[\hat{x}(t)]=-j\cdot \text{sgn}(f)\cdot \mathcal{F}[x(t)]$$

其中 $\mathcal{F}$ 表示傅里叶变换，$\text{sgn}(f)$ 是符号函数：

$$\text{sgn}(f)=\{\begin{array}{ll}1,& f>0\\ 0,& f=0\\ -1,& f<0\end{array}$$

希尔伯特变换有几个重要特性：

1. 希尔伯特变换是线性变换
2. 原信号与其希尔伯特变换正交
3. 希尔伯特变换的希尔伯特变换等于原信号的负值

解析信号

有了希尔伯特变换，我们可以构造解析信号（也称为复信号），这是理解希尔伯特谱的关键一步。对于实信号 $x(t)$，其对应的解析信号 $z(t)$ 定义为：

$$z(t)=x(t)+j\hat{x}(t)$$

解析信号的一个重要特性是其频谱在负频率区域为零，这意味着解析信号完全由正频率部分表示。这一特性使得解析信号特别适合用于分析信号的瞬时频率和幅度特性。

解析信号可以用极坐标形式表示：

$$z(t)=a(t)e^{j\varphi (t)}$$

其中，$a(t)$ 是解析信号的幅度（包络），$\varphi (t)$ 是相位：

$$a(t)=\sqrt{x^2(t)+{\hat{x}}^2(t)}$$

$$\varphi (t)=\arctan \left(\frac{\hat{x}(t)}{x(t)}\right)$$

瞬时频率

利用解析信号的相位信息，我们可以定义信号的瞬时频率 $f(t)$，它是相位对时间的导数：

$$f(t)=\frac{1}{2\pi }\frac{d\varphi (t)}{dt}$$

瞬时频率表示信号在每个时刻的频率成分，这与传统傅里叶分析中固定频率的概念不同。瞬时频率为我们理解非平稳信号（如调频信号）提供了强大工具。

由瞬时频率公式可推导：

$$f(t)=\frac{1}{2\pi }\frac{d}{dt}\arctan \left(\frac{\hat{x}(t)}{x(t)}\right)=\frac{1}{2\pi }\frac{x(t)\frac{d\hat{x}(t)}{dt}-\hat{x}(t)\frac{dx(t)}{dt}}{x^2(t)+{\hat{x}}^2(t)}$$

希尔伯特谱

希尔伯特谱是在时间-频率平面上表示信号能量分布的二维函数，定义为：

$$HS(t,f)=|a(t,f){|}^2$$

其中 $a(t,f)$ 是信号的时变幅度，通常通过解析信号获得。希尔伯特谱提供了信号在时间和频率上的联合分布信息，特别适用于分析非平稳信号。希尔伯特谱的构造步骤如下：

1. 计算信号的希尔伯特变换 $\hat{x}(t)$
2. 构造解析信号 $z(t)=x(t)+j\hat{x}(t)$
3. 计算解析信号的瞬时频率 $f(t)$
4. 将信号幅度 $|z(t){|}^2$ 映射到时间-频率平面上的相应点 $(t,f(t))$

形式化表达为：

$$HS(t,f)=|z(t){|}^2\delta (f-f(t))$$

其中 $\delta$ 是狄拉克函数，用于将能量集中到瞬时频率所在的位置。

广义希尔伯特谱与边缘化

对于多分量信号，广义希尔伯特谱提供了更全面的时频分析框架。假设信号 $x(t)$ 可以分解为多个单分量信号：

$$x(t)=\sum _{i=1}^n{x}_i(t)$$

则广义希尔伯特谱为：

$$GHS(t,f)=\sum _{i=1}^n|a_i(t){|}^2\delta (f-f_i(t))$$

其中 $a_i(t)$ 和 $f_i(t)$ 分别是第 $i$ 个分量的瞬时幅度和瞬时频率。

希尔伯特谱的边缘化特性非常重要：

• 时间边缘：积分得到频谱密度
• 频率边缘：积分得到信号功率随时间的变化

这可以表示为：

$${\int }_{-\infty }^{\infty }HS(t,f)df=|x(t){|}^2$$

$${\int }_{-\infty }^{\infty }HS(t,f)dt=|X(f){|}^2$$

其中 $X(f)$ 是 $x(t)$ 的傅里叶变换。

希尔伯特-黄变换

希尔伯特-黄变换将希尔伯特谱分析与经验模态分解(EMD)相结合，形成了分析非平稳、非线性信号的强大工具。首先通过EMD将信号分解为内蕴模态函数(IMF)，然后对每个IMF计算希尔伯特谱，最后将各IMF的希尔伯特谱叠加得到完整的希尔伯特谱。

希尔伯特谱的数值实现

实际应用中，希尔伯特变换通常通过快速傅里叶变换(FFT)实现：

1. 计算信号的FFT: $X(f)=\text{FFT}[x(t)]$
2. 将正频率相位旋转 $+90^{\circ }$，负频率相位旋转 $-90^{\circ }$:
   $$H(f)=\{\begin{array}{ll}-j,& f>0\\ 0,& f=0\\ j,& f<0\end{array}$$
3. 计算希尔伯特变换的频谱: $\hat{X}(f)=X(f)\cdot H(f)$
4. 通过逆FFT获得希尔伯特变换: $\hat{x}(t)=\text{IFFT}[\hat{X}(f)]$

在数字信号处理中，有限长信号的希尔伯特变换可以通过FIR滤波器实现，其脉冲响应为：

$$h[n]=\{\begin{array}{ll}\frac{2{\sin }^2(\pi n/2)}{\pi n},& n\ne 0\\ 0,& n=0\end{array}$$

希尔伯特谱的窗口分析

为了提高时频分辨率，可以引入窗口分析:

1. 将信号分割为重叠窗口
2. 对每个窗口计算解析信号和希尔伯特谱
3. 拼接各窗口的结果得到全局希尔伯特谱

窗口长度选择涉及时频分辨率的权衡，遵循不确定性原理：

• 窄窗口：提高时间分辨率，降低频率分辨率
• 宽窗口：提高频率分辨率，降低时间分辨率

窗口函数常用汉宁窗(Hanning)、汉明窗(Hamming)或卡塞窗(Kaiser)等。

与其他时频分析方法的比较

希尔伯特谱与其他时频分析方法如短时傅里叶变换(STFT)、小波变换(WT)和Wigner-Ville分布(WVD)各有特点：

• STFT: 使用固定窗口，时频分辨率受窗口大小限制
• 小波变换: 多分辨率分析，对不同频率使用不同窗口
• WVD: 提供最佳时频集中度，但存在交叉项干扰
• 希尔伯特谱: 适合分析非线性、非平稳信号，能准确表示瞬时频率

希尔伯特谱计算瞬时频率的能力使其在分析调制信号时特别有用。与传统傅里叶分析相比，希尔伯特谱能更好地捕捉频率随时间的变化。

希尔伯特谱的局限性与改进

尽管希尔伯特谱是强大的分析工具，但也存在一些局限性：

1. 单分量假设：传统希尔伯特谱假设信号在任一时刻只有一个主频率分量
2. 端点效应：信号两端可能出现失真
3. 对噪声敏感：噪声会导致瞬时频率计算不稳定

为克服这些问题，提出了多种改进方法：

1. 滤波预处理：使用带通滤波器将信号分解为多个频带
2. 加窗技术：减轻端点效应
3. 中值滤波：平滑瞬时频率计算结果
4. 广义希尔伯特谱：使用多组分分解方法处理多分量信号