[发明专利]基于ICA的改进EMD过程中IMF判定方法

说明书

技术领域

本发明涉及结构振动响应的时频域分析技术领域，特别是一种新的基于ICA的改进EMD过程中IMF（固有模态函数）判定方法。

背景技术

EMD方法自1998年正式提出以来，在各领域得到了广泛应用，但EMD方法存在模态混叠现象，这大大限制了它在实际中的应用。模态混叠现象的出现一方面和EMD本身的算法有关，另一方面也受原始信号频率特征的影响。Huang曾经提出了中断检测的方法来解决模态混叠现象，即直接对结果进行观察，如果出现模态混叠则重新分解，这种方法需要人为后验判断。2009年，Huang 本人的研究小组通过对EMD分解白噪声结果统计特性的大量研究，提出通过加噪声辅助分析的总体平均经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法，该方法利用高斯白噪声具有频率均匀分布的统计特性，使加入高斯白噪声后的信号在不同尺度上具有连续性，从而有效地解决模式混叠问题。其他学者则提出各种改进EMD的方法，其中最为突出的改进方法为首先利用FFT粗略估计频率的大致范围，然后让信号通过指定频带的带通滤波器，再进行经典EMD过程，以解决模态混叠，但该方法的缺陷是会产生过多的、虚假的IMFs，有学者提出利用IMFs和原信号的相关系数来判定真正的IMF，但此种方法需要预先人为指定IMF判定的阀值，不能够实现IMF的自动识别。

近些年，盲源分离在各个领域得到了广泛的应用，其基本思想是将多个观测信号按照统计独立的原则通过优化算法分解为若干个独立成分，从而实现信号的增强和分析。ICA（Independent Component Analysis）是盲信号处理的相对成熟的一种方法，主要针对混叠信号进行独立源信号的分离。考虑到任意观测信号经 EMD分解为若干IMF（Intrinsic Mode Function）和残余项后，理论上，每个IMF都是任意时刻的单一振荡模式，每个时刻都有单一瞬时频率，且各IMF分量之间是相互独立的。因此，可以将改进EMD分解以及IMF分量的确定与ICA中的FastICA算法结合起来，这样EMD中真正IMF的判别就转换成对固有模态混合信号的独立分量的求解过程，且ICA所得的分量就是真正的IMFs。

FastICA算法是盲信号处理常用的一种算法，它能消除各个输入量之间的互信息和信息冗余，分离出信息之间隐藏的内部相互独立的成分，从而消除虚假模态自动识别出真正的IMF分量。

发明内容

本发明的目的在于提供一种基于ICA的改进EMD过程中IMF判定方法，该方法有利于解决频带滤波改进EMD过程中产生过多虚假模态以及真正IMF的判定问题，从而实现真正IMF的自动分离。

本发明的目的是通过以下技术方案实现的：一种基于ICA的改进EMD过程中IMF判定方法，利用ICA中的FastICA算法消除频带滤波改进EMD过程中产生的过多的虚假模态，自动分离出真正的IMF分量，该方法包括以下步骤：

步骤1：首先对响应信号进行改进EMD过程，即利用FFT粗略估计信号的频率范围，并使信号通过不同频段的带通滤波，将宽频信号分解为若干窄带信号；然后利用EMD分别对各窄带信号x(t)进行分解，得到不同频段的IMFs输入矩阵c(t)；

步骤2：利用ICA中的FastICA算法分别对每个频段的IMFs输入矩阵c(t)进行分离，得到输出矩阵S，即真正的IMF分量。

本发明的有益效果是利用ICA解决了频带滤波改进EMD过程中产生过多虚假模态以及真正IMF的判定问题，从而实现真正IMF的自动分离。该方法能够很好地处理多自由度、非自由振动、非线性以及非稳态的响应信号，并可以与其他方法（如希尔伯特变换）相结合进行结构的模态参数识别，具有提高数据的信噪比和抗干扰能力，增强模态参数识别准确性的特点。

附图说明

图1是本发明的工作流程图。

图2是本发明实施例一实测的加速度响应时程曲线图。

图3 是本发明实施例一实测的加速度响应经经典EMD分解得到的12个IMFs和1个余项图。

图4是本发明实施例一中心频率为122.9Hz的子带信号经EMD分解得到的部分IMFs图。

图5是本发明实施例一得到的真正的IMFs图。

具体实施方式