多元经验模态分解_HHT变换——固有模态函数和经验模式分解

固有模态函数和经验模式分解

从上文的例子中,为获得有意义的瞬时频率,我们得到了一种局部限制而非全局限制。根据这种局部限制,要用一种特别的分解方法,将信号分解为瞬时频率能够合理定义的分量形式。同时,这种限制也导致了一类函数的定义,其基于信号的局部特性,被称为固有模态函数(IMF)。

1固有模态函数

通过对上例的观察,为定义有意义的瞬时频率其必要条件是函数关于零均值局部对称,而且过零点的数目与极点的数目是一样的。据此黄定义了固有模态函数IMF，一个固有模态函数是满足以下两个条件的函数:(l)在整个数据区间内,极值点的数目与过零点的数目相等或至多相差1个;(2)在任意一点处,由局部极大值点定义的包络以及由局部极小值点定义的包络的均值为零。

IMF定义中的第一个条件是显而易见的,它相当于传统意义上对平稳高斯过程的“窄带”要求。第二个条件是一个新的概念,其以局部限制代替了全局要求。理想上,第二个条件应描述为“数据的局部均值为零”,由于局部均值涉及到局部时间尺度,而这对于非平稳数据很难定义,故黄在[2]中用包络的局部均值来代替,这些包络是由局部极大值点和局部极小值点定义的。

固有模态函数的名字就代表了潜在于数据中特有的振荡模式。根据这样的定义,在以过零点为定义的IMF的每一个周期内,只涉及一种振荡模式,是不存在复杂的骑行波的。这样IMF就可以不受窄带的限制,只要满足条件很多信号可以是IMF,例如标准的幅度调制或者频率调制波形;事实上,非平稳信号也可以作为IMF。这样就使得HHT可以应用广泛数据的分析,无论平稳还是非平稳,也无需顾虑是不是窄带的,我们均可以使用HHT去找出数据的时频联合特性。

2经验模式分解法:筛分过程

很多情况下,数据并不只是包含一种振荡模式,换句话说数据本身并不是IMF,我们需要把数据分解成IMF的形式。这里本文简要介绍一下EMD分解法,该方法可以看作是一组动态的滤波器簇,所以它是自适应的,可以有效的处理非平稳、非线性的数据。

分解基于以下的几点假设:(l)信号至少含有两个极点,一个极大点和一个极小点;(2)其特性时间尺度(hethcaracterisitct而ecsales)是连续