延拓均生函数matlab,基于均生函数周期叠加外推法的EMD端点问题的研究

1998年Huang等[1]提出了一种用于信号时频分析的新方法,即Hilbert-Huang变换。它通过经验模态分解(EmpiricalModeDecomposition,EMD)将信号自适应地分解成有限多个本征模态函数(IntrinsicModeFunc-tion,IMF)和一个表征信号变化趋势的残余分量,然后对每一个IMF运用Hilbert变换得到Hilbert谱,进而对信号进行时频分析。EMD过程实际上是将复杂的信号分解成多个单分量信号或窄带信号,随着分解次数的增加,IMF的固有频率逐渐降低,直至达到分解终止条件[2]。由于HHT具有良好的时频分辨率和自适应能力,并且在处理非线性非平稳信号中具有独特的优势,因而已被广泛应用于数字信号处理和分析的许多领域[3-5]。然而由于HHT提出的时间相对较短,因而缺乏一些必要的理论依据,除此之外其本身也存在着一些不足,其中端点效应问题就是急需解决的问题之一。近些年来,很多用于端点效应改进的算法被纷纷提出,但各算法也都存在其自身的局限性。本文分析了HHT端点效应的产生原因,在总结了现有的改进端点效应算法的基础上,针对EMD过程中的端点问题,提出均生函数周期叠加外推的方法,通过对仿真信号和实际信号的分析,证明了该方法可以有效抑制EMD过程中的端点效应。1端点效应1.1端点效应产生机理HHT端点效应问题同时存在于EMD和HT两个过程中[1,6],其中由于EMD过程中的端点效应问题易于操作,因而近些年来学者们研究的重点都集中在EMD过程中的端点效应。在EMD过程中,需要采用三次样条插值分别对信号极大值点和极小值点作包络线,然而采样序列的两个端点不一定是极值点,因此造成样条曲线在端点处的插值精度很差,容易发生“过冲”或“欠冲”现象,随着IMF的不断循环求解,这种现象会逐渐向信号内部扩散,导致分解结果严重失真。除此之外,对IMF进行HT时,可以看成将IMF通过一个单位脉冲响应为1/t的线性时不变系统,其变换后的信号与原始信号相位相差/2。当以一定的窗函数对数据进行HT时,将产生“Gibbs现象”,发生频谱泄漏,导致信号两端产生“飞逸”,使Hilbert谱不能准确地反映原始信号的本质特性。y=[1+0.2sin(15t)]cos[60t+0.5sin(30t)]+sin(260t)(1)对式(1)信号进行HHT,所得结果如图1和图2所示,图1为信号经过EMD分解得到的前两个IMF,图2为信号的Hilbert时频谱。当不对信号作任何处理而进行HHT时,由图1可以看出IMF的两端出现很严重的发散现象,且随着EMD的循环求解,发散现象逐渐加剧;由图2可以看出,HHT虽能分解出高频信号成分、低频信号成分以及调频成分,但其端点处出现明显的失真,且时频谱中出现了大量的低频虚假能量,由此可见对信号进行端点延拓处理的必要性。图1无端点延拓的信号EMD分解Fig.1HHTofthesignalwithouttheendextension图2无端点延拓的信号HHTFig.2HHTofthesignalwithouttheendextension1.2端点效应的处理方法现有的端点效应的处理方法主要有极值延拓、数据预测和波形延拓。极值延拓是根据左右两端点附近极值的大小和位置,向外延拓一定数量的极值。此类方法有相似极值延拓[7]、极值斜率延拓[8]、镜像极值延拓[9]和多项式拟合延拓[10]等。极值延拓算法简单,能够起到一定的效果,但是仅以端点附近的极值作为延拓信息,不能反映数据的变化趋势,因而不能达到理想的效果。数据预测是利用信号特征,采用