一种经验模态分解中模态混叠问题的自适应解耦方法技术

本发明专利技术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，包括：将待分解的信号中添加噪声，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、下包络线计算当前包络均值；根据所述加噪信号与当前包络均值获得当前残差信号；判断当前迭代的包络均值是否小于第一阈值，当前残差信号作为第一内蕴模态分量；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，则获得了第一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中添加噪声的加噪信号减去第一内蕴模态分量获得。

【技术实现步骤摘要】
一种经验模态分解中模态混叠问题的自适应解耦方法
本专利技术涉及信号处理
，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。
技术介绍
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(EmpiricalModeDecompositionEMD)，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(IntrinsicmodefunctionIMF)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。
技术实现思路
为解决现有技术的问题，本专利技术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-ExtremeEmpiricalModeDecompositionWE-EMD)处理模态混叠问题。为实现上述目的，本专利技术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xj定义为局部极大值；如果则xj定义为局部极小值；其中，xi表示信号，i＝1,2,…N，N是信号xi的长度。优选地，所述窗极值点包括窗极大值点和窗极小值点；如果则xk定义为窗极大值；如果则xk定义为窗极小值；其中，xi表示信号，i＝1,2,…N，N是信号xi的长度；Lw/2：窗长的一半。优选地，从所述局部极值点中挑选窗极值点的步骤包括：选取待分解的信号x(t)中添加噪声的加噪信号的局部极值点；从所述局部极值点中选取窗极值点；其中，所述窗极值点包括窗极大值点和窗极小值点；对所述窗极值点进行添加或删除，确保窗极大值点的位置与窗极小值点的位置相间，且所述窗极大值点的个数与所述窗极小值点的个数相等或相差为1。优选地，从所述局部极值点中选取窗极值点的步骤包括：根据局部极大值点的位置、局部极小值点的位置分别获得局部极大值点的间隔和局部极小值点的间隔，利用局部极大值点的间隔获得间隔的第一平均值，并根据所述第一平均值获得第一半窗长；同时，利用局部极小值点的间隔获得间隔的第二平均值，并根据所述第二平均值获得第二半窗长；利用所述第一半窗长和每个局部极大值点的位置对每个局部极大值点构造局部窗，如果所述局部极大值点在对应的局部窗内是最大值点，则所述局部极大值点为对应的局部窗内的窗极大值点；同时，利用所述第二半窗长和每个局部极小值点的位置对每个局部极小值点构造局部窗，如果所述局部极小值点在对应的局部窗内是最小值点，则所述局部极小值点为对应的局部窗内的窗极小值点；如果Pmax(1)＜Pmin(1),则第一个局部极大值点是伪窗极大值点，予以删除；如果Pmax(Nmax)＞Pmin(Nmin),则最后一个局部极大值点是伪窗极大值点，予以删除；如果Pmin(1)＜Pmax(1),则第一个局部极小值点是伪窗极小值点，予以删除；如果Pmin(Nmin)＞Pmax(Nmax),则最后一个局部极小值点是伪窗极小值点，予以删除；其中，Pmax(j)：局部极大值点的位置，j＝1，即Pmax(1)第一个局部极大值点的位置，j＝Nmax，即Pmax(Nmax)最后一个局部极大值点的位置；j＝1，即Pmin(j)为局部极小值点的位置，j＝Nmin，即Pmin(Nmin)为最后一个局部极小值点的位置，窗极大值点的平均值；窗极小值点的平均值；第一个局部极小值点在对应的局部窗内是最大值点；最后一个局部极小值点在对应的局部窗内是最小值点；第一个局部极大值点在对应的局部窗内是最大值点；最后一个局部极大值点在对应的局部窗内是最大值点；加噪信号的最大值，加噪信号的最小值。优选地，确保窗极大值点的位置与窗极小值点的位置相间，且所述窗极大值点的个数与所述窗极小值点的个数相等或相差为1的步骤包括：增减窗极大值点以保持任意两个窗极大值点之间至少有一个窗极小值点；增减窗极小值点以保持任意两个窗极小值点之间至少有一个窗极大值点。优选地，所述增减窗极大值点以保持任意两个窗极大值点之间至少有一个窗极小值点的步骤包括：对每个窗极大值点构造对应的窗极大值点区间；如果窗极大值点的区间内不存在窗极小值，则确定包含当前窗极大值点区间在内的区间长度最小的窗极小值点区间获得包含当前窗极大值点区间在内的区间最小的窗极小值点区间内局部极小值点的平均值和最小的局部极小本文档来自技高网...

【技术保护点】
一种经验模态分解中模态混叠问题的自适应解耦方法，其特征在于，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。

【技术特征摘要】
1.一种经验模态分解中模态混叠问题的自适应解耦方法，其特征在于，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。2.如权利要求1所述的方法，其特征在于，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。3.如权利要求1所述的方法，其特征在于，所述局部极值点包括局部极大值和局部极小值；如果则xj定义为局部极大值；如果则xj定义为局部极小值；其中，xi表示信号，i＝1,2,…N，N是信号xi的长度。4.如权利要求1所述的方法，其特征在于，所述窗极值点包括窗极大值点和窗极小值点；如果则xk定义为窗极大值；如果则xk定义为窗极小值；其中，xi表示信号，i＝1,2,…N，N是信号xi的长度；Lw/2：窗长的一半。5.如权利要求1所述的方法，其特征在于，从所述局部极值点中挑选窗极值点的步骤包括：选取待分解的信号x(t)中添加噪声的加噪信号的局部极值点；从所述局部极值点中选取窗极值点；其中，所述窗极值点包括窗极大值点和窗极小值点；对所述窗极值点进行添加或删除，确保窗极大值点的位置与窗极小值点的位置相间，且所述窗极大值点的个数与所述窗极小值点的个数相等或相差为1。6.如权利要求5所述的方法，其特征在于，从所述局部极值点中选取窗极值点的步骤包括：根据局部极大值点的位置、局部极小值点的位置分别获得局部极大值点的间隔和局部极小值点的间隔，利用局部极大值点的间隔获得间隔的第一平均值，并根据所述第一平均值获得第一半窗长；同时，利用局部极小值点的间隔获得间隔的第二平均值，并根据所述第二平均值获得第二半窗长；利用所述第一半窗长和每个局部极大值点的位置对每个局部极大值点构造局部窗，如果所述局部极大值点在对应的局部窗内是最大值点，则所述局部极大值点为对应的局部窗内的窗极大值点；同时，利用所...

【专利技术属性】
技术研发人员：刘金朝，孙善超，成棣，牛留斌，张茂轩，
申请(专利权)人：中国铁道科学研究院，中国铁道科学研究院基础设施检测研究所，北京铁科英迈技术有限公司，
类型：发明
国别省市：北京,11