本发明属于数据分析技术领域,涉及筛选迭代余量的相对方差作为经验模态分解方法筛选迭代过程的终止准则。
背景技术:
一维的Fourier分解、小波分析,二维的PCA/EOF等方法,都是从低频开始分解,获取不同的模态/特征函数,且低频部分通常取得最大的方差贡献率。经验模态分解(EMD)是一种自适应的数据分析方法,没有固定的基底函数。EMD将一个时间序列分解为一系列从高频到低频的IMF,以及一个非线性趋势项。分解得到的各本征模态函数(IMF)通常并不正交。因而,各IMF在数据中所占的方差百分比之和,可能大于1,不能解释为各IMF的方差贡献率。但是,仍然可以根据低频部分的相对方差来确定IMF分解结果是否合理。EMD分解过程中每个IMF的求解都是通过一个称为“筛选(sifting)”的迭代过程得到。目前EMD筛选迭代的终止准则有如下几种:
(1)Cauchy型准则(Huang et al.,1998):相邻两次迭代的IMF雏形的相对均方根误差小于某个预先给定的充分小量;
(2)平均值准则(Flandrin,2004):相邻两次迭代的IMF雏形,在每一个时间点上的偏差都小于预先给定的充分小量;
(3)S准则(Huang et al.,2003):连续S次迭代的IMF雏形,其极值点及跨零点的个数保持不变,或者最多相差1;
(4)固定迭代次数(Wu and Huang,2010):不考虑数据的特征,也不考虑将要求解的IMF为第几模态,所有筛选的迭代次数取固定值。这个固定值通常取为8~12。
以上筛选迭代的终止准则中&