变分模态分解 python_Variational Mode Decomposition (变分模态分解)

标签(空格分隔)： 数学

这一篇写一下变分模态分解(原始论文：Variational Mode Decomposition)，跟原始论文思路思路一致但有一点点不太一样，原始论文写的很好，但我不是通信专业没有学过信号相关课程一开始看起来有点费劲。模态分解认为信号是由不同“模态”的子信号叠加而成的，而变分模态分解则认为信号是由不同频率占优的子信号叠加而成的，其目的是要把信号分解成不同频率的子信号。变分模态分解的分解结果如图所示

基础

一开始论文看不懂的原因是缺少相关前置知识，但一旦顺下来就会感觉其实没有那么难，难的是作者的思路很巧妙，先写下我遇到的这些知识盲点

第一点是傅立叶变换的微分性质，

的傅立叶变换为

，其导数

的傅立叶变换为

另一点是解析信号，现实世界只能采集实信号，但实信号有很多不好用的性质，如存在负频率，无法直接得到调制频率后的实信号等。 设原始信号是一个实信号

为了方便表示

为随

变化的函数，相当于瞬时频率，解析信号是一个复信号，可以通过希尔伯特变换得到

解析信号的实部是原本的实数信号，并且经过调频之后复数信号的实部仍然是调频之后的实信号，如对信号

增加频率

，只需要乘以

即可

由此，其实部相当于在原本频率

的基础上增加了频率

，如下面的matlab脚本

clear;close all;clc;

t = 1:0.01:10;

%%

f1 = sin(20*t).*(t-5).^2;

subplot(3,1,1);

plot(f1);

ylim([-25 25]);

%%

f2 = sin(50*t).*(t-5).^2;

subplot(3,1,2);

plot(f2);

ylim([-25 25]);

%%

H = hilbert(f1);

f_hat = H.*exp(1i*30.*t);

subplot(3,1,3);

plot(real(f_hat));

ylim([-25 25]);

matlab的hilbert函数包括希尔伯特变换和解析函数转换两部分，直接得到实信号的解析信号，其中希尔伯特变换

正文

接下来我们看看如何一步一步得到变分模态分解的思路

原论文通过一个信号降噪问题进行说明，现需要对采样信号

进行降噪重构，假设观测信号是由原始信号叠加一个独立的高斯噪音

，需要求

，又说该等式是一个不适定问题(ill-posed problem)，不满足识定问题的三个条件，所以要用一个正则化的方法

第一部分是对原信号进行重构，第二部分是为了解决不适定问题的解不唯一，而且不同于机器学习的建模问题一样

是一个权值形式可以直接加权值

的L1-norm或L2-norm，这里的

是一个纯函数的形式，其导数的L2-norm最小化感觉上应该是保证了函数

不会产