[发明专利]一种经验模态分解中模态混叠问题的自适应解耦方法

说明书

技术领域

本发明涉及信号处理技术领域，特别涉及一种经验模态分解中模态混叠问题的自适应解耦方法。

背景技术

Hilbert-Huang变换(HHT)是近些年发展起来的处理非线性非平稳信号的自适应时频分析方法。它先对信号进行经验模态分解(Empirical Mode Decomposition EMD)，然后借助Hilbert变换引入瞬时频率，获得信号在时频平面上的能量分布，即Hilbert谱。EMD是HHT的核心，可以在不需要知道任何先验知识的情况下，依据输入信号自身的特点，自适应地将非线性非平稳信号分解成若干个具有不同特征时间尺度的内蕴模态函数(Intrinsic mode function IMF)之和。EMD在机械故障诊断、模态辨识、生物医学、图像处理等领域取得了成功应用。

EMD方法的主要缺陷是模态混叠，表示在一个IMF中包含差异极大的特征时间尺度，或是相近的特征时间尺度分布在不同的IMF中。该现象通常是由信号的间歇性引起的，它表示信号的单个或多个特征时间尺度在某些时间范围内出现，而在其它时间范围内消失。EMD将局部相对高频的特征时间尺度提取出来。由于间歇信号改变了信号局部极值点的分布结构，导致信号局部投影到更高频的特征子空间或相对低频的特征子空间，从而出现模态混叠现象。严重的模态混叠不但会导致信号时频分布发生混淆，还会使IMF分量的物理意义模糊。

发明内容

为解决现有技术的问题，本发明提出一种经验模态分解中模态混叠问题的自适应解耦方法，结合噪声信号辅助法和窗极值，提出窗极值经验模态分解法(Window-Extreme Empirical Mode Decomposition WE-EMD)处理模态混叠问题。

为实现上述目的，本发明提供了一种经验模态分解中模态混叠问题的自适应解耦方法，包括：

将待分解的信号x(t)中添加噪声，获得加噪信号；

从所述加噪信号中提取局部极值点；

从所述局部极值点中挑选窗极值点；

利用所述窗极值点构造上、下包络线；

根据所述上、下包络线计算第一包络均值；

根据所述加噪信号与所述第一包络均值获得第一残差信号；

对所述第一包络均值与设定的第一阈值进行比较；如果所述第一包络均值小于所述第一阈值，所述第一残差信号作为第一内蕴模态分量IMF1；否则，将所述第一残差信号作为加噪信号，重复上述步骤迭代获得第二包络均值和第二残差信号，比较所述第二包络均值与所述第一阈值，如果所述第二包络均值小于所述阈值，所述第二残差信号作为第一内蕴模态分量IMF1；否则，将所述第二残差信号作为加噪信号，反复重复上述步骤，直至当前迭代的包络均值小于所述第一阈值，并将当前迭代的残差信号作为第一内蕴模态分量IMF1；

判断当前迭代获得的窗极值点的个数是否小于等于设定的第二阈值；如果是，则获得了所述第一内蕴模态分量IMF1和趋势项；其中，所述趋势项通过待分解的信号x(t)中添加噪声的加噪信号减去第一内蕴模态分量IMF1获得。

优选地，还包括：如果所述窗极值点的个数大于所述第二阈值；则将待分解的信号x(t)中添加噪声的加噪信号减去第一内蕴模态分量IMF1作为加噪信号，重复迭代，获得第二内蕴模态分量IMF2；判断当前迭代获得的窗极值点的个数是否小于等于设定的第二阈值；如果是，则获得所述第一内蕴模态分量IMF1、所述第二内蕴模态分量IMF2和趋势项；其中，所述趋势项通过待分解的信号x(t)中添加噪声的加噪信号减去第一内蕴模态分量IMF1和第二内蕴模态分量IMF2获得；如果所述窗极值点的个数大于所述第二阈值；则将待分解的信号x(t)中添加噪声的加噪信号减去第一内蕴模态分量IMF1和第二内蕴模态分量IMF2作为加噪信号，重复迭代，直至所述窗极值点的个数小于等于所述第二阈值，获得n个内蕴模态分量和趋势项；其中，所述趋势项通过待分解的信号x(t)中添加噪声的加噪信号减去n个内蕴模态分量之和获得。

优选地，所述局部极值点包括局部极大值和局部极小值；如果则x_j定义为局部极大值；如果则x_j定义为局部极小值；其中，x_i表示信号，i＝1_,2,…N，N是信号x_i的长度。