[发明专利]融合复合混沌映射与果蝇优化的最优变分模态分解方法

说明书

本发明提供了一种融合复合混沌映射与果蝇优化的最优变分模态分解方法，该最优变分模态分解方法以VMD为基础，将融合标准FOA与3维logistic‑sine映射的改进型混沌FOA算法应用于传统VMD的算法，优化了3个关键参数的寻优过程，使信号能够根据本身的特点被自适应地分解。本发明的有益效果是：本发明的算法有更佳的寻优性能，并且将FOA的搜索空间从2维拓展为3维；使用此改进型混沌FOA算法提高了算法的高维空间搜索能力，可以快速、准确地搜索3维空间内的三个关键参数的最佳组合解。因此，本发明专利提出方法能自适应地分解非平稳信号，且所得到的IMF分量间没有模态混叠现象。该方法也为sEMG的去噪提供了一种新的方法，具有广阔的应用前景。

技术领域

本发明智能康复机器人领域，具体涉及涉及肌电信号领域，尤其涉及一种融合复合混沌映射与果蝇优化的最优变分模态分解方法。

背景技术

表面肌电信号(surface electromyography,sEMG)是一种非平稳信号。可以采用适合处理非平稳信号的方法把sEMG分解成不同频段的信号分量，为后期的特征提取和分类奠定基础。常用的处理非平稳信号的方法有：短时傅里叶变换、经验模态分解、局部均值分解、变分模态分解(Variational mode decomposition，VMD)等。但是，短时傅里叶变换需要选择合适的窗函数，且窗函数的时频分辨率是固定的，并不适合处理非平稳信号；经验模态分解是一种非常适合处理非线性、非平稳信号的方法，但它存在拟合过冲、端点效应和模态混叠等问题，也限制了它的实际应用；局部均值分解仍然存在端点效应问题，而且容易导致信号发生突变，计算量大等问题。变分模态分解方法(VMD)是一种全新的信号处理方法。其分解性能主要受模态总数K、二次惩罚α等分解参数的共同影响。通常，这些参数必须预先设置，具有很强的经验性和偶然性，可以实现本征模态函数(IMF)分量的有效分离、信号的频域划分，进而得到给定信号的有效分解成分，但是VMD在实际应用中并不是自适应的信号分析方法，它的性能主要受模态总数K、二次惩罚α和更新步长τ等分解参数的共同影响。而且这些参数必须预先设置，具有很强的经验性和偶然性。通过优化算法自适应寻找这些参数的最优参数组合，是一种解决此问题的可行方法。因此，VMD在实际应用中并不是自适应的信号分析方法。现有技术中有使用PSO优化算法搜索VMD的参数K和α的最优值，但是标准PSO优化算法容易陷入局部最优解。

常用的自适应算法如粒子群算法、遗传算法、蚁群算法等，他们在寻优方面可以取得一定的效果，但是在与VMD方法的结合中，其局部最优问题仍旧很难解决。

发明内容

为了解决上述问题，本发明以此为背景，使用一种新的群体智能优化算法，即优化的果蝇算法，对VMD的关键参数K、α和τ进行优化，为了增强搜索的便利性和避免果蝇算法本身易陷入局部最优解的问题，根据果蝇优化算法的搜索机制，使用logistic映射和sine映射构造3维的logistic-sine的复合混沌映射，能够快速且均匀地搜索构建的三维空间，使本搜索算法具有更复杂的混沌行为和更好的混沌特性，提高了果蝇算法的高维空间搜索能力，使优化算法具有更复杂的混沌行为和更好的混沌特性。变分模态分解方法(VMD)在非平稳信号处理中使用非常广泛，但是该方法的关键参数如模态总数K、二次惩罚因子α和更新步长τ等对分解结果有很大的影响。这些参数很大程度依据经验进行预设置，并且具有很强的偶然性，也易造成得到的本征模态函数(IMF)分量产生模态混叠。为了寻找这三个关键参数的最优参数组合，本发明提供了一种融合复合混沌映射与果蝇优化的最优变分模态分解方法，考虑到需要寻找最优组合里的参数个数为3个，能够更好的搜索三维空间的所有组合结果，避免陷入单一参数的局部最优，进而快速准确寻找全局参数的组合最优值。上述一种融合复合混沌映射与果蝇优化的最优变分模态分解方法，主要包括以下步骤：

S1：初始化变分模态分解方法，然后对采集原始的表面肌电信号进行自适应分解，得到一组本征模态函数IMF；