引言
1998年,Huang等人提出了一种新的信号处理方法:经验模态分解方法(EmpiricalModeDecomposition,EMD)。它用不同特征尺度的数据序列本征模函数(IntrinsicModeFunction,IMF)分量来逐级分解信号。
该方法可以对一个非平稳信号进行平稳化处理。
在EMD分解中,每个IMF需要多次“筛选”过程,而每一次筛选过程,需要根据上、下包络计算出信号的局部平均值。上(下)包络是由信号的局部极大(小)值通过3次样条插值得到的。但信号的端点不可能同时处于极大值或极小值,因此上、下包络在数据序列两端会发散,且这种发散会随着运算的进行而逐渐向内,从而使得整个数据序列受到影响,这就是所谓的EMD方法的端点效应。
国内外很多研究者对改进EMD端点效应问题进行了研究。目前,常用的EMD端点效应处理方法有镜像法、极值延拓法、神经网络预测、多项式外延方法、平行延拓法、边界局部特征尺度延拓法。神经网络延拓算法的运算速度慢,在工程应用中实时性差。所以本文只对镜像法、极值延拓法、多项式法、平行延拓法和边界局部特征尺度延拓法进行比较,从而得到对工程应用有指导意义的结果。
1EMD方法
EMD方法中假设:
(1)任何信号都可以分解为若干个IMF分量;
(2)各个IMF分量可以是线性的或非线性的,局部的零点数和极值点数相同,且上下包络关于时间轴局部对称;
(3)一个信号可包含若干个IMF分量。
每个IMF分量的计算步骤为:
首先,计算原信号x(t)的极值点,然后用三次样条函数拟合出极大(小)值包络线e+(t)(e-(t))。原信号的均值包络m1(t)是上下包络线的平均值: