基于自滤波变频经验模态分解获得时频分布的方法技术

本发明专利技术提供基于自滤波变频经验模态分解获得时频分布的方法，属于信号处理技术领域，具体涉及获得时频分布的方法。本发明专利技术利用经验模态分解(EMD)和Teager变换得到时频分布的光谱图，利用经验模态分解自身滤波的特性，采用不断降频/升频的方法，抑制经验模态分解过程中产生的模态混叠的问题，获得较好的时频分布图。本发明专利技术解决了现有技术经验模态分解处理瞬时频率有交叉的多分量混合信号产生模态混叠，导致时频分布检测信号参数的精度较低的问题。本发明专利技术可用于信号的时频分析。

Method of obtaining time-frequency distribution based on self filtering frequency conversion empirical mode decomposition

The invention provides a method of obtaining time frequency distribution based on self filtering frequency conversion empirical mode decomposition, which belongs to the field of signal processing technology, and specifically relates to the method of obtaining time frequency distribution. The present invention uses empirical mode decomposition (EMD) and Teager transform to obtain the spectral maps of the time-frequency distribution. By using the characteristic of the empirical mode decomposition of its own filtering, the problem of modal aliasing produced in the process of empirical mode decomposition is suppressed by the method of constant frequency reduction / rise frequency, and a better time frequency distribution map is obtained. The present invention solves the problem that the existing technology empirical mode decomposition processes the multicomponent mixed signal with intersecting instantaneous frequency to produce modal aliasing, which leads to the low precision of the time frequency distribution detection signal parameters. The invention can be used for time frequency analysis of signals.

【技术实现步骤摘要】
基于自滤波变频经验模态分解获得时频分布的方法
本专利技术属于信号处理
，具体涉及获得时频分布的方法。
技术介绍
在时频分析领域中，为了得到信号的时频特性，常采用的方法有短时傅里叶变换、分数阶傅里叶变换、小波变换和Winger-Ville变换(WVD变换)等，这些方法的核心都是傅里叶变换。其中Winger-Ville变换以其较好的时频聚集性，得到了广泛的应用。WVD变换可以看作是对信号自相关函数的傅里叶变换，而自相关函数的实质是一个卷积的过程，之后再利用傅里叶变换从时域到频域的转换关系，得到聚集性较高的时频分布。但是，当原始信号中存在多分量信号或非线性信号时，利用WVD变换便会产生严重的交叉项。也就是说WVD变换在处理单分量信号时具有较强的优势。之后，Huang等人提出了一种经验性的分析方法，即经验模态分解(EMD)，旨在将信号分解成多个单一分量信号(即本征模态函数(IMF))的累加和的形式。经过经验模态分解之后，原始信号可以按照高频次高频低频的顺序，依次被分解为多个本征模态函数和一个表征信号趋势的残余分量。此时，如果只提取包含高频的本征模态函数或只包含低频的本征模态函数，则经验模态分解可以看作是一个滤波器。这种方法不受信号调制模式的限制，因此被得到了广泛的应用。但是，经验模态分解在处理混合信号时，会伴随着模态混叠问题的出现。产生模态混叠的原因有两个方面：一是由低幅高频间断信号产生的“骑行波”，这种情况会导致上下包络不能有效拟合，致使高频信号分量得不到有效分离；二是当幅度相当的不同信号分量瞬时频率有交叉时，由于瞬时频率相近，EMD在分解过程中不能有效将其分离，便会产生模态混叠，最终导致时频分布检测信号参数的精度较低。
技术实现思路
本专利技术为解决现有技术经验模态分解处理瞬时频率有交叉的多分量混合信号产生模态混叠，导致时频分布检测信号参数的精度较低的问题，提供了基于自滤波变频经验模态分解获得时频分布的方法。本专利技术所述基于自滤波变频经验模态分解获得时频分布的方法，通过以下技术方案实现：步骤一、对原始信号x(t)进行经验模态分解，得到若干本征模态函数；步骤二、计算各个本征模态函数与x(t)的相似系数，根据计算得到的相似系数剔除虚假分量，得到剩余的N个本征模态函数IMF1,IMF2,…,IMFN，N≥1；设变量i＝0；步骤三、利用希尔伯特变换对IMF1进行降频处理，并对降频后的信号进行经验模态分解，得到若干本征模态函数IMF1,1,IMF1,2,…,IMF1,k,…；k表示函数序号；步骤四、利用Teager变换计算IMF1,1的瞬时频率，若某一时刻瞬时频率小于等于阈值R时，令i＝i+1，进行步骤八；若任意时刻瞬时频率均大于阈值R，则进行步骤五；步骤五、计算IMF1降频后信号与IMF1,2的相似系数a、IMF1,1与IMF1,2的相似系数b，当a大于等于阈值S1或b大于等于阈值S2时，令i＝i+1，进行步骤八，否则进行步骤六；步骤六、剔除IMF1,1,IMF1,2,…,IMF1,k,…中的虚假分量，并利用希尔伯特变换对剩余的本征模态函数IMF1,k进行与步骤三中降频频率大小相同的升频处理，将升频处理后的函数求和，得到模态函数IMF1′，令IMF1＝IMF1′；步骤七、调整变频频率，返回步骤三；步骤八、如果i<N，从x(t)中减去模态混叠抑制后的本征模态函数IMF1,1，并将相减之后得到的剩余的信号赋值给x(t)，对x(t)进行经验模态分解，将得到的第一个本征模态函数赋值给IMF1；返回步骤三；如果i＝N，进入步骤九；步骤九、得到N个经过模态混叠抑制后的本征模态函数，得到模态混叠抑制后的时频分布。本专利技术最为突出的特点和显著的有益效果是：本专利技术利用降频/升频的方法，改变不同信号分量瞬时频率之间的关系，降低模态混叠的程度，进而获得信号的本征模态函数。变频过程中，本专利技术利用各个本征模态函数与原始信号相似系数以及相互之间相似系数的特点，通过剔除与原始信号相似系数较小的分量，完成自滤波的过程，提高时频分布的聚集性。本专利技术采用的Teager变换，是利用Teager能量算子计算信号瞬时频率和瞬时幅值的方法。和传统的Hilbert变换求解瞬时频率的方法相比，经过平滑滤波之后的Teager变换误差更小，性能更高。综上所述，本专利技术利用经验模态分解(EMD)和Teager变换得到时频分布的光谱图，利用经验模态分解自身滤波的特性，采用不断降频/升频的方法，抑制经验模态分解过程中产生的模态混叠的问题，获得较好的时频分布图。本专利技术可以有效抑制模态混叠的问题，并进一步提高利用时频分布检测信号参数的精度，如实施例中采用本专利技术方法精度提高20％。附图说明图1为本专利技术方法流程图；图2为本专利技术中经验模态分解流程图；图3为采用自滤波经验模态分解前的时频分布光谱图；图4为采用自滤波经验模态分解后的时频分布光谱图。具体实施方式具体实施方式一：结合图1对本实施方式进行说明，本实施方式给出的基于自滤波变频经验模态分解获得时频分布的方法，具体包括以下步骤：步骤一、对原始信号x(t)进行经验模态分解，得到若干本征模态函数；其中，经验模态分解后得到的每个本征模态函数称为分解前信号的分量；步骤二、计算各个本征模态函数与x(t)的相似系数，根据计算得到的相似系数剔除虚假分量，得到剩余的N个本征模态函数IMF1,IMF2,…,IMFN，N≥1；设变量i＝0；步骤三、利用希尔伯特(Hilbert)变换对IMF1进行降频处理，并对降频后的信号进行经验模态分解，得到若干本征模态函数IMF1,1,IMF1,2,…,IMF1,k,…；k表示函数序号；步骤四、利用Teager变换计算IMF1,1的瞬时频率，若某一时刻瞬时频率小于等于阈值R时，令i＝i+1，进行步骤八；若任意时刻瞬时频率均大于阈值R，则进行步骤五；步骤五、计算IMF1降频后信号与IMF1,2的相似系数a、IMF1,1与IMF1,2的相似系数b，当a大于等于阈值S1或b大于等于阈值S2时，令i＝i+1，进行步骤八，否则进行步骤六；步骤六、剔除IMF1,1,IMF1,2,…,IMF1,k,…中的虚假分量，并利用希尔伯特(Hilbert)变换对剩余的本征模态函数进行与步骤三中降频频率大小相同的升频处理，将升频处理后的函数求和，得到模态函数IMF1′，令IMF1＝IMF1′；步骤七、调整变频频率，返回步骤三；步骤八、如果i<N，从x(t)中减去模态混叠抑制后的本征模态函数IMF1,1，并将相减之后得到的剩余的信号赋值给x(t)，对x(t)进行经验模态分解，将得到的第一个本征模态函数赋值给IMF1；返回步骤三；如果i＝N，进入步骤九；步骤九、得到N个经过模态混叠抑制后的本征模态函数，得到模态混叠抑制后的时频分布。具体实施方式二：本实施方式与具体实施方式一不同的是，步骤五中阈值S1为0.05，S2为0.001。其他步骤及参数与具体实施方式一相同。具体实施方式三：如图2所示，本实施方式与具体实施方式一或二不同的是，对信号x(t)进行经验模态分解的具体过程包括：(1)设中间变量j＝0，令x′(t)＝x(t)；(2)找到信号x′(t)的极大值和极小值，并分别对极大值点和极小值点进行拟合，确定信号x′(本文档来自技高网...

【技术保护点】
1.基于自滤波变频经验模态分解获得时频分布的方法，其特征在于，所述基于自滤波变频经验模态分解获得时频分布的方法具体包括以下步骤：步骤一、对原始信号x(t)进行经验模态分解，得到若干本征模态函数；步骤二、计算各个本征模态函数与x(t)的相似系数，根据计算得到的相似系数剔除虚假分量，得到剩余的N个本征模态函数IMF1,IMF2,…,IMFN，N≥1；设变量i＝0；步骤三、利用希尔伯特变换对IMF1进行降频处理，并对降频后的信号进行经验模态分解，得到若干本征模态函数IMF1,1,IMF1,2,…,IMF1,k,…；k表示函数序号；步骤四、利用Teager变换计算IMF1,1的瞬时频率，若某一时刻瞬时频率小于等于阈值R时，令i＝i+1，进行步骤八；若任意时刻瞬时频率均大于阈值R，则进行步骤五；步骤五、计算IMF1降频后信号与IMF1,2的相似系数a、IMF1,1与IMF1,2的相似系数b，当a大于等于阈值S1或b大于等于阈值S2时，令i＝i+1，进行步骤八，否则进行步骤六；步骤六、剔除IMF1,1,IMF1,2,…,IMF1,k,…中的虚假分量，并利用希尔伯特变换对剩余的本征模态函数进行与步骤三中降频频率大小相同的升频处理，将升频处理后的函数求和，得到模态函数IMF1′，令IMF1＝IMF1′；步骤七、调整变频频率，返回步骤三；步骤八、如果i...

【技术特征摘要】
1.基于自滤波变频经验模态分解获得时频分布的方法，其特征在于，所述基于自滤波变频经验模态分解获得时频分布的方法具体包括以下步骤：步骤一、对原始信号x(t)进行经验模态分解，得到若干本征模态函数；步骤二、计算各个本征模态函数与x(t)的相似系数，根据计算得到的相似系数剔除虚假分量，得到剩余的N个本征模态函数IMF1,IMF2,…,IMFN，N≥1；设变量i＝0；步骤三、利用希尔伯特变换对IMF1进行降频处理，并对降频后的信号进行经验模态分解，得到若干本征模态函数IMF1,1,IMF1,2,…,IMF1,k,…；k表示函数序号；步骤四、利用Teager变换计算IMF1,1的瞬时频率，若某一时刻瞬时频率小于等于阈值R时，令i＝i+1，进行步骤八；若任意时刻瞬时频率均大于阈值R，则进行步骤五；步骤五、计算IMF1降频后信号与IMF1,2的相似系数a、IMF1,1与IMF1,2的相似系数b，当a大于等于阈值S1或b大于等于阈值S2时，令i＝i+1，进行步骤八，否则进行步骤六；步骤六、剔除IMF1,1,IMF1,2,…,IMF1,k,…中的虚假分量，并利用希尔伯特变换对剩余的本征模态函数进行与步骤三中降频频率大小相同的升频处理，将升频处理后的函数求和，得到模态函数IMF1′，令IMF1＝IMF1′；步骤七、调整变频频率，返回步骤三；步骤八、如果i<N，从x(t)中减去模态混叠抑制后的本征模态函数IMF1,1，并将相减之后得到的剩余的信号赋值给x(t)，对x(t)进行经验模态分解，将得到的第一个本征模态函数赋值给IMF1；返回步骤三；如果i＝N，进入步骤九；步骤九、得到N个经过模态混叠抑制后的本征模态函数，得到模态混叠抑制后的时频分布。2.根据权利要求1所述基于自滤波变频经验模态分解获得时频分布的方法，其特征在于，步骤五中阈值S1为0.05，S2为0.001。3.根据权利要求1或2所述基于自滤波变频经验模态分解获得时频分布的方法，其特征在于，对信号x(t)进行经验模态分解的具体过程包括：(1)设中间变量j＝0，令x′(t)＝x(t)；(2)找到信号x′(t)的极大值和极小值，并分别对极大值点和极小值点进行拟合，确定信号x′(t)的极大值包络u(t)和极小值包络l(t)，得到极大值包络u(t)和极小值包络l(t)之间的全部极值点；(3)利用式(1)计算极大值包络u(t)和极小值包络l(t)的平均值，...

【专利技术属性】
技术研发人员：赵雅琴，张宇鹏，吴龙文，王昭，李锦江，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23