基于经验模态分解分解的内蕴模式函数的光滑方法及装置制造方法及图纸

本发明专利技术提供了一种基于经验模态分解分解的内蕴模式函数的光滑方法及装置。该方法包括：对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号；调整小波包滤波参数，对所述内蕴模式函数IMF分量信号进行自适应小波包滤波，得到滤波后的内蕴模式函数IMF分量信号；计算所述参考信号和滤波后的内蕴模式函数IMF分量信号的相关系数，并将根据最大的相关系数对应的小波包滤波参数得到的滤波后的内蕴模式函数IMF分量信号作为对所述内蕴模式函数IMF分量信号的光滑处理结果。本发明专利技术能够清除保留在IMF分量信号中的噪声，修复高频间歇信号引起的低频IMF分量信号的非连续变形。

Smoothing method and device for intrinsic mode functions based on empirical mode decomposition

The invention provides a smoothing method and a device for intrinsic mode function based on empirical mode decomposition. The method includes: band-pass filtering of IMF component signal based on EMD decomposition, obtaining reference signal; adjusting wavelet packet filtering parameters, adaptive wavelet packet filtering of IMF component signal of IMF component of the intrinsic mode function, and obtaining IMF component information after filtering. The correlation coefficients of the reference signal and the filtered IMF component signal are calculated, and the filtered IMF component signal obtained from the wavelet packet filter parameters corresponding to the maximum correlation coefficients is taken as the smoothing result of the IMF component signal of the intrinsic mode function. The invention can remove the noise retained in the IMF component signal and repair the discontinuous deformation of the low frequency IMF component signal caused by the high frequency intermittent signal.

【技术实现步骤摘要】
基于经验模态分解分解的内蕴模式函数的光滑方法及装置
本专利技术涉及信号处理
，尤其涉及一种基于经验模态分解(EmpiricalModeDecomposition，EMD)分解的内蕴模式函数的光滑方法及装置。
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(EmpiricalModeDecomposition，EMD)分解，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(Huang,N.E.,Z.Shen,andS.R.Long,M.C.Wu,E.H.Shih,Q.Zheng,C.C.Tung,andH.H.Liu,1998:TheempiricalmodedecompositionmethodandtheHilbertspectrumfornon-stationarytimeseriesanalysis,Proc.Roy.Soc.London,A454,903-995)(Huang,N.E.,Z.Shen,R.S.Long,1999:Anewviewofnonlinearwaterwaves–theHilbertspectrum,Ann.Rev.FluidMech.,31,417-457)。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(Intrinsicmodefunction，IMF)之和。EMD在机械故障诊断(YangB.,C.S.Suh,2004:Interpretationofcrack-inducedrotornon-linearresponseusinginstantaneousfrequency,MechanicalSystemsandSignalProcessing18(3):491–513)、模态辨识(Yang,J.N.,Y.Lei,2000:SystemidentificationoflinearstructuresusingHilberttransformandempiricalmodeDynamics,Proceedingsofthe18thInternationalModalAnalysisConference,AConferenceonStructuralDynamics,SanAntonio,TX,USA,Vol.1,2000,pp.213–219)、生物医学(EcheverriaJ.C.,J.A.Crowea,Woolfson,et.al.2001:Applicationofempiricalmodedecompositiontoheartratevariabilityanalysis,Medical&BiologicalEngineering&Computing,39471–479)、图像处理(XuG.L.,X.T.Wang,X.G.XuX.G.,2007:Neighborhoodlimitedempiricalmodedecompositionandapplicationinimageprocessing,IEEEProceedingsoftheICIG149–154)(XuG.L.,X.T.Wang,X.G.XuX.G.,2009:Time-varyingfrequency-shiftingsignal-assistedempiricalmodedecompositionmethodforAM–FMsignals,MechanicalSystemsandSignalProcessing,23,2458–2469)等领域取得了成功应用。但是，EMD方法存在一个主要的缺陷，即模态混叠，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(1998:TheempiricalmodedecompositionmethodandtheHilbertspectrumfornon-stationarytimeseriesanalysis,Proc.Roy.Soc.London,A454,903-995)(WuZ.H.,N.E.Huang.,2009:Ensembleempiricalmodedecomposition:anoiseassisteddataanalysismethod,AdvancesinAdaptiveDataAnalysis,1(1):1-41)。针对模态混叠问题，中国专利技术专利申请(公开号：CN106844293A)中提出一种窗极值经验模态分解法(Window-ExtremeEmpiricalModeDecomposition，WE-EMD)处理模态混叠问题。噪声辅助法和窗极值构成了WE-EMD两个核心技术，它们相互依赖，缺一不可。噪声创建的二进制背景基为窗长的自适应选择提供了依据和支撑；同时，引进窗极值代替标准的局部极值构造上下包络，保证信号相近的固有模态映射到同一个特征子空间中，有效避免相近的特征时间尺度分布在相邻的IMF中。窗极值经验模态分解法(WE-EMD)为避免信号在“筛分”过程中出现模态混叠现象，在信号中加入噪声，给信号指定一个二进制背景基，以保证信号的不同频率尺度主动投影到由噪声创建的均匀时频空间相应的频率尺度上，避免一个IMF中包含差异极大的特征时间尺度。这样，一个新问题随之出现，即引进的白噪声在分解的过程中将保留在IMF分量中，它必定降低信号的信噪比。此外，当信号中存在高频的间歇信号时，它将与叠加的同频段的噪声信号分量一起投影到背景基上，形成高频IMF分量。由于振幅差别较大，高频间歇信号与噪声信号的连接边界是非连续的，在分解过程中被连续化，相应将导致信号发生变形。将含高频间歇信号的IMF分离后，非连续变形继续保留在待分解的信号中，然后被传递到与其相邻的低频的IMF分量中，导致低频IMF分量的局部波形出现突变现象。利用噪声辅助信号分解是由WuZhaohuaet(2009:Ensembleempiricalmodedecomposition:anoiseassisteddataanalysismethod,AdvancesinAdaptiveDataAnalysis,1(1):1-41)引进到EMD中，提出了聚合经验模态分解(EEMD)方法，WE-EMD借鉴和移植了EEMD噪声辅助分解的思想。EEMD处理保留噪声的主要思想是，多次将噪声添加到信号中进行EMD分解，然后将多次分解得到的IMF叠加并进行平均，利用噪声多次平均均值为零的特性，滤除保留在IMF中的噪声得到光滑化的IMF分量。这种处理噪声的方法会碰到位置敏感性问题，即噪声是随机的，不同次数叠加到待分解信号的噪声的相对位置是不同的。于是EMD分解得到的IMF个数可能不同，有时还可能出现不同特征时间尺度的IMF分量进行平均现象。因此，为了有效滤除噪声和消除叠加进来的少量其它特征时间尺度的IMF分量信号的影响，需要进行几十乃至几百次叠加噪声和EMD运算，效率及其低下。此外，采用聚合平本文档来自技高网...

【技术保护点】
1.一种基于经验模态分解分解的内蕴模式函数的光滑方法，其特征在于，包括：对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号；调整小波包滤波参数，对所述内蕴模式函数IMF分量信号进行自适应小波包滤波，得到滤波后的内蕴模式函数IMF分量信号；计算所述参考信号和滤波后的内蕴模式函数IMF分量信号的相关系数，并将根据最大的相关系数对应的小波包滤波参数得到的滤波后的内蕴模式函数IMF分量信号作为对所述内蕴模式函数IMF分量信号的光滑处理结果。

【技术特征摘要】
1.一种基于经验模态分解分解的内蕴模式函数的光滑方法，其特征在于，包括：对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号；调整小波包滤波参数，对所述内蕴模式函数IMF分量信号进行自适应小波包滤波，得到滤波后的内蕴模式函数IMF分量信号；计算所述参考信号和滤波后的内蕴模式函数IMF分量信号的相关系数，并将根据最大的相关系数对应的小波包滤波参数得到的滤波后的内蕴模式函数IMF分量信号作为对所述内蕴模式函数IMF分量信号的光滑处理结果。2.如权利要求1所述的基于经验模态分解分解的内蕴模式函数的光滑方法，其特征在于，对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号，包括：对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行频率特性和功率谱分析，得到能量分布频率范围；以所述能量分布频率范围作为滤波频率范围，对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行带通滤波，得到参考信号。3.如权利要求2所述的基于经验模态分解分解的内蕴模式函数的光滑方法，其特征在于，对基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号进行频率特性和功率谱分析，得到能量分布频率范围，包括：计算基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号的最大功率值，并将所述最大功率值的设定百分比作为参考值；根据所述参考值确定能量分布的频率上限和频率下限，并根据所述的频率上限和频率下限确定所述能量分布频率范围，其中，所述频率上限和所述频率下限分别为基于经验模态分解EMD方法分解得到的内蕴模式函数IMF分量信号的频率分布中右侧第一个不低于设定能量阈值的点和左侧第一个不低于设定能量阈值的点。4.如权利要求3所述的基于经验模态分解分解的内蕴模式函数的光滑方...

【专利技术属性】
技术研发人员：刘金朝，孙善超，徐晓迪，胡晓依，于淼，
申请(专利权)人：中国铁道科学研究院，中国铁路总公司，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