The invention discloses a mathematical model and modeling method of K L SVM EMD divergence and false identification based on component. The method includes: dual tone signal will be the most common EMD decomposition, get a limited number of IMF component, SVM as the training sample set for all IMF components for real or false weight calibration component using the spectral ratio method, and the calculation of each IMF component and the original signal K L dispersion degree value. As the only feature of the IMF SVM to describe the input component, a mathematical model of training classifier recognition EMD false component. The classifier can solve the recognition problem of false component decomposition after three tone and four tone and multi tone signals such as the rule of EMD; while the signal contains modal aliasing phenomenon, the mathematical model of the recognition classifier EMD false component still has strong robustness. The invention is applied to the technical field of signal analysis using empirical mode decomposition.
【技术实现步骤摘要】
一种EMD虚假分量识别的数学模型建模方法
本专利技术涉及一种EMD虚假分量识别的数学模型建模方法,应用于利用经验模态分解进行信号分析的
技术介绍
经验模态分解(EmpiricalModeDecomposition,EMD)法是美籍华人N.E.Huang等人于1998年提出的一种基于数据局部时间特征的自适应时频分析方法。它能够将复杂信号分解为有限个本征模态函数分量,简称为IMF(IntrinsicModeFunction)分量,被广泛的应用于非线性、非平稳时间序列处理过程。一方面,较为理想的EMD应用条件为采样频率大于4倍的Nyquist频率,而应用EMD的最低要求应为采样频率大于2倍的Nyquist频率;另一方面,EMD过程中每一个IMF分量的产生都需要利用信号(或剩余信号)的局部极值点,并利用样条插值法构成包络。低采样率及样条插值方法的不当使得EMD过程中,容易分解出与原信号无关的IMF分量,即虚假分量(反之,对于EMD分解出的与原信号有关的IMF分量,本专利技术中简称为真实分量)。通过提高信号的采样频率及优化样条差值虽然能够在一定程度上抑制虚假分量的产生,但仍然无法完全消除。而在利用EMD方法处理信号时,能否有效的识别和剔除虚假分量,是避免新产生的低频噪声污染原始数据,保障了后续处理的精确性和有效性的前提条件。文献“黄迪山.经验模态分解中虚假模态分量解除法[J].振动、测试与诊断,2011,31(3):381-384.”(简称:能量增减法)提出根据EMD分解的完备性,能量原理及虚假模态分量的性质,通过判断第一阶IMF分量与高阶IMF分量相加后 ...
【技术保护点】
一种EMD虚假分量识别的数学模型建模方法,其特征在于,包括以下几个步骤:步骤一:生成双音信号集;步骤二:将每个双音信号EMD分解得到若干个IMF分量,获得训练样本集,并利用频谱比值法将所有的IMF分量进行标定,从而获得真实分量和虚假分量两类训练样本集;步骤三:计算上述训练样本集中每个样本与其原信号间的K‑L散度值;步骤四:设置SVM参数;步骤五:将每个训练样本与原信号的K‑L散度值作为该样本的唯一特征代入SVM中,训练能识别EMD虚假分量的二元分类器数学模型;步骤六:对采集到的测试样本集按步骤2)、步骤3)依次进行EMD分解、通过频谱比值法对IMF样本进行标定、提取用于识别虚假分量的唯一特征K‑L散度值,最后将提取的特征送入训练好的SVM二元分类器数学模型,根据分类结果识别虚假分量。
【技术特征摘要】
1.一种EMD虚假分量识别的数学模型建模方法,其特征在于,包括以下几个步骤:步骤一:生成双音信号集;步骤二:将每个双音信号EMD分解得到若干个IMF分量,获得训练样本集,并利用频谱比值法将所有的IMF分量进行标定,从而获得真实分量和虚假分量两类训练样本集;步骤三:计算上述训练样本集中每个样本与其原信号间的K-L散度值;步骤四:设置SVM参数;步骤五:将每个训练样本与原信号的K-L散度值作为该样本的唯一特征代入SVM中,训练能识别EMD虚假分量的二元分类器数学模型;步骤六:对采集到的测试样本集按步骤2)、步骤3)依次进行EMD分解、通过频谱比值法对IMF样本进行标定、提取用于识别虚假分量的唯一特征K-L散度值,最后将提取的特征送入训练好的SVM二元分类器数学模型,根据分类结果识别虚假分量。2.根据权利要求1所述的一种EMD虚假分量识别的数学模型建模方法,其特征在于,建立双音信号的数学模型如下所示:x(t)=A1cosω1t+A2cosω2t(1)其中:ω1和ω2为双音信号的频率,A1和A2分别为双音信号的幅值,若设EMD采样频率为ωs,则ω1,,ω2≤0.25ωs,并随机选择ω1,、ω2、A1和A2,生成一系列不同的双音信号。3.根据权利要求2所述的一种EMD虚假分量识别的数学模型建模方法,其特征在于,将每个双音信号通过EMD分解为若干IMF分量,利用频谱比值法对每个IMF分量进行标定;将所述双音信号通过EMD分解为IMF分量和残差函数的形式,如式(2)所示:其中ci(t)为频率从高到低的各阶IMF分量,rn(t)为残差函数,并对ci(t)做傅里叶变换得ci(ω),各IMF分量与原信号的频谱比值如式(3)所示:当ρij<0.1时,则标定ci(t)所表示的IMF分量为原信号x(t)的虚假分量;反之,则标定ci(t)为原信号x(t)的真实分量。4.根据权利要求3所述的一种EMD虚假分量识别的数学模型建模方法,其特征在于,计算所有已标定的IMF分量与其原信号间的K-L散度值;通...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。