一种小波包辅助的自适应抗混总体平均经验模式分解方法技术

本发明专利技术涉及一种小波包辅助的自适应抗混总体平均经验模式分解方法。具体步骤为：一、对信号进行小波包分解，计算分解所得的最高频带信号的幅值标准差系数；二、提出总体平均经验模式中建立的加入高斯高斯白噪声可依据准则，依据小波包分解所得的最高频信号的幅值标准差自动获取加入高斯高斯白噪声的幅值标准差大小；三、利用设置的期望信号分解相对误差值自动计算总体平均次数；四、对信号进行自适应抗混总体经验模式分解，得到无模式混淆的基本模式分量，为信号特征提取提供可靠依据，解决了经验模式分解中的模式混淆问题与总体平均经验模式分解针对不同信号的自适应分解问题。

【技术实现步骤摘要】

本专利技术涉及一种非平稳微弱信号处理方法，特别是涉及一种自适应抗混总体平均经验模式分解方法。
技术介绍
在雷达、故障诊断、无线电通讯、声学、生物学、地球物理等众多工程
的信号处理中，存在这大量的微弱且具有非平稳的信号处理分析，目的在于从微弱信号中提取所要关注的特征信息。比如在故障诊断领域随着诊断对象日趋复杂，对故障微弱信号进行检测与特征提取已成为故障诊断领域中的关键问题之一。故障微弱信号检测与特征提取需要依赖于先进的现代信号处理方法。又如在航天测控领域的遥测信号处理，由于高频无线电信号受到传播介质(对流层、电离层、太阳等离子区)的影响，同时受到信号接收系统误差的影响，造成最终经过基带转换与A/D采样后的遥测信号受到噪声的影响，微弱的遥测信息极易淹没于噪声中，因此在航天遥测信号处理过程中提取微弱的信息也是遥测信号处理中的一个热点与难点，同样需要依赖于先进的现代信号处理方法。经验模式分解(EMD) 方法是在工程中行之有效的非平稳信号处理方法之一，但模式混淆与端点效应是传统EMD 方法中固有的缺陷。总体平均经验模式分解方法是近年来对传统EMD方法进行实质创新的结果，以此来达到避免在EMD方法中模式混淆的目的。总体平均经验模式分解方法的提出，较好地解决了模式混淆的问题，但其效果依赖于加入高斯白噪声的大小与总体平均的次数，而总体平均经验模式分解方法中这两个参数需要人为按照经验设定，缺乏可靠性，同时一定程度上破坏了总体平均经验模式分解方法的自适应性。因此，在总体平均经验模式分解方法基础上，建立一种能自动得到加入高斯白噪声大小与总体平均次数的自适应总体平均经验模式分解方法，对于各种不同工况下微弱信号特征提取具有重要的价值。
技术实现思路
本专利技术要解决的技术问题是提出一种针对不同分析信号的自适应抗混总体平均经验模式分解的信号处理方法。本专利技术包括如下步骤步骤一设置期望的信号分解相对误差e、分析信号的积分时间T、采样频率fs，并计算待分析信号在积分时间内的幅值标准差ο。。步骤二 选择小波包的母小波函数，对待分析的信号进行小波包等频带分解，计算分解后最高频带信号的幅值标准差oh。步骤三计算￡=$，ε表示信号中的高频成分的幅值标准差Qh与原始信号幅值标准差ο。的比值系数；根据总体平均经验模式分解中加入高斯高斯白噪声的可依据准贝U，建立α与ε的取值关系，自动获取加入高斯白噪声的幅值标准差比值系数α的值；由”=Jl，可得到总体平均经验模式分解中加入的高斯高斯白噪声幅值标准差ο η。O步骤四依据加入高斯白噪声的比值系数与总体平均次数选择之间的关系式 lne + f InTV = O，可得到总体平均经验模式分解方法中的总体平均次数N。步骤五对待分析信号N次加入具有幅值标准差为σ η的高斯白噪声后，分别对其按照经验模式分解的算法进行信号分解，将分解后对应所得的基本模式分量进行总体平均计算，将总体平均后的基本模式分量作为最终输出。步骤一中期望的信号分解相对误差e可以是一个先验的信号分解期望指标，在应用中根据期望的信号处理效果、实时性要求进行设置，在工程实践中e的取值范围为0 1%。步骤二中对小波包母小波函数的选取可以采用Daubechies母小波函数，小波包的分解层数为2层或3层，对信号进行等频带小波包分解后，计算分解所得的最高频带信号的幅值标准差σ h。步骤三中所述总体平均经验模式分解中加入高斯白噪声的比值系数α的取值范围为0< <|，建立总体平均经验模式分解中加入高斯高斯白噪声的可依据准则；由α的值与原始信号幅值标准差ο。，依据α =，，可计算针对不同分析信号的Qn取值大小。O步骤一中期望的信号分解相对误差e可以为0. 5%。在本技术方案中，提出的小波包辅助的自适应抗混总体平均经验模式分解方法 (WPAEEMD)，综合利用了小波变换良好的时频多分辨率特征与经验模式分解的灵活性，能有效改善在经验模式分解避免模式混淆的问题，并能够提高总体平均经验模式分解的自适应性。附图说明图1是WPAEEMD信号处理流程2是高斯白噪声影响信号极值点间隔分布示意3是待分析的仿真信号的组成4是仿真信号的小波包分解5是WPAEEMD分解结果6是传统经验模式分解结果7是检测对象系统的结构简8是风机1号瓦振动信号图9是风机1号瓦振动信号WPAEEMD分解结果10是风机1号瓦振动信号的WPAEEMD分解IMFl的频谱图11是风机1号瓦振动信号的WPAEEMD分解IMF2的瞬时频率谱图12是风机1号瓦振动信号EMD分解结果13是风机1号瓦振动信号EMD分解IMFl的频谱图14是风机1号瓦振动信号EMD分解IMF2的瞬时频率谱具体实施方式本专利技术的信号处理流程图如图1所示，对信号进行小波包分解，计算分解所得的最高频带信号的幅值标准差系数；利用小波包分解所得的最高频信号的幅值标准差自动获取加入高斯高斯白噪声的幅值标准差大小；利用设置的期望信号分解相对误差值自动计算总体平均次数；对信号进行自适应抗混总体经验模式分解，得到无模式混淆的基本模式分量。具体的处理方法如下1)首先对信号进行小波包分解，获取分解所得的最高频带信号的幅值标准差，此高频信号幅值标准差与原信号的标准差计算得到比值系数。2)由上一步骤中得到的比值系数，依据总体平均经验模式分解中加入高斯高斯白噪声准则，获得总体平均经验模式分解中加入高斯高斯白噪声的幅值标准差大小。3)由期望的分解信号相对误差值与加入高斯高斯白噪声的幅值标准差确定总体平均次数。信号分解相对误差e是一个先验的信号分解期望指标，在应用中根据期望的信号处理效果、实时性要求进行设置，在工程实践中e的取值范围为0 < e < 1%。4)在获得了根据待分析信号所得的总体平均经验模式分解中两个重要参数，加入高斯高斯白噪声大小与总体平均次数，就可对待分析信号进行总体平均经验模式分解，获得无模式混淆的基本模式分量(IMF)。在信号处理流程中一个重要的步骤是建立加入高斯高斯白噪声大小的可依据准贝U，针对不同待分析信号确定所需加入高斯高斯白噪声的大小。为此进行如下分析。为了有效地避免经验模式分解(EMD)中模式混淆的现象，同时为了保护信号中有用的信息，在总体平均经验模式分解方法中加入的高斯白噪声须满足以下两个条件(a)加入的高斯白噪声应不影响信号高频成分的极值点分布；(b)加入的高斯白噪声应改变低频成分的极值点间隔分布，使得低频成分的极值点间隔减小，使其分布均勻，减小三次样条函数的拟合包络求局部均值的误差。满足以上两个条件的关键点就是，对于任何不连续的信号如何确定一个在总体平均经验模式分解方法中有效的加入高斯白噪声的可依据准则。本专利技术提出了在总体平均经验模式分解方法中加入高斯高斯白噪声的可依据准则，如下式所示。0<α<·|式中，α表示加入的高斯白噪声幅值标准差0 与原始信号幅值标准差σ。的比值系数，即5 ε表示信号中的高频成分的幅值标准差011与原始信号幅值标准差σο的比值系数，即￡ = ^。O因此上式等价于0 < σ < I。对该式的解释说明如下，由上面提到的在总体平均经验模式分解方法中加入的高斯白噪声须满足以上两个条件，可以得到在总体平均经验模式分解方法中加入高斯白噪声的目的如下(1)加入高斯白噪声的本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：陈略，唐歌实，訾艳阳，申敬松，冯卓楠，
申请(专利权)人：北京航天飞行控制中心，
类型：发明
国别省市：