【经验模态分解】1.初识EMD算法

jUicE_g2R

已于 2023-11-10 00:56:19 修改

阅读量647

点赞数 7

分类专栏：经验模态分解EMD 文章标签： matlab EMD 经验模态分解通信语言信号处理

于 2023-11-07 00:41:36 首次发布

本文链接：https://blog.csdn.net/qq_73928885/article/details/134257689

版权

经验模态分解EMD 专栏收录该内容

8 篇文章 1 订阅

订阅专栏

/**
 * @project         经验模态分解及其衍生算法的研究及其在语音信号处理中的应用
 * @author			jUicE_g2R(qq:3406291309)
 * 
 * @language        MATLAB/Python/C/C++
 * @EDA				Base on matlabR2022b
 * @editor			Obsidian（黑曜石笔记软件）
 * 
 * @copyright		2023
 * @COPYRIGHT	    原创学习笔记：转载需获得博主本人同意，且需标明转载源
 */

EMD优势：自适应性

1 定义

经验模态分解（EMD） 是处理非线性、非平稳信号的时频分析方法。
该方法可以在不需要知道任何先验知识的情况下，依据输入信号自身的特点，自适应地将信号分解成若干个本征模态函数（IMF）之和。

2 应用背景

处理 非平稳信号的局部频谱分析
在这里插入图片描述

3 $EM D$ 提出人黄锷指出

频谱分解：将信号分解成不同频率的成分

$信号 = 高频成分 + ... + 中频成分 + ... + 低频成分$

出现极值点次数多的局部为高频部分
出现极值点次数少的局部为低频部分

4 本征模态函数 $I MF$

在这里插入图片描述

5 $u(t)=∑imf+r_N(t)$

将 $I MF 函数$ 从原来的 $u (t) 函数$ 上偏移到（无限接近） $x 轴$

6 $I MF$ 的实现（ $S hi f t in g$ 算法）

6-1 $S hi f t in g$ 算法理论处理方案

红色虚线为上包络线（平滑的极大值点的连线）
紫色虚线为下包络线（平滑的极小值点的连线）
绿色实线为平均线（折中上、下包络线）

在这里插入图片描述

6-2 实际操作时处理极限的方案

$h_k(t))$ ：第 k 个中线无限接近于 $x 轴$ 的函数

一个 $逼近值a_n$ 越接近 $极限（理论）值a_∞$ ，它与上一个逼近值 $a_{n-1}$ 的差值越小

7 注意：端点的处理

镜像处理法
在这里插入图片描述

经过镜像沿拓后，上图的端点是极小值点则判断该端点为极小值点

8 基本步骤

在这里插入图片描述

9 $M a tl ab$ 中 $EM D$ 的使用

在这里插入图片描述

10 实例演示

在这里插入图片描述

10-1 步骤

1、找到所有的极值点
2、 $样条插值法$ 获取到上、下包络线的函数
3、求上、下包络线函数的平均函数 $m (t)$
4、使用 $S hi f t in g 算法$

10-2 逐步处理

在这里插入图片描述

11 $EM D$ 的应用

11-1 在滤波与去噪中的应用

背景
传统的利用 傅里叶变换 的频谱分析技术对于平稳信号的处理很有效，但在实际生活中平稳信号出现的概率很小，且 傅里叶变换 对于非平稳信号的处理很乏力。
基于 小波变换的多分辨性
可以使非平稳信号中的有效成分和噪声各自呈现出不同的特征。利用信号和噪声在多尺度空间中传递特性的不同可以获得干扰背景下的有效检测。但小波基的选取对去噪效果有很大影响，因此基于 小波去噪 的方法 缺乏自适应性 。
$EM D$ 的优势：弥补 小波去噪 缺乏 自适应性 的缺点
首先，它具有良好的局部适应性
其次，它被认为是在继承了传统的 傅里叶变换 与 小波去噪 的优势的基础上的突破