基于灰度预测的变长度经验模态分解方法研究

发布时间：2024-03-23 14:11

　　经验模态分解是目前分解非线性非平稳信号的有效方法,但其在应用时存在容易导致信号分解失真的端点效应问题。通过对现有的压制方法所存在的不足进行改进,提出了基于灰度预测的变长度经验模态分解方法,在端点处向外对称延拓一部分原始信号使其变成新的信号,进而利用基于灰度预测的经验模态分解方法计算固有模态函数。每得到一个固有模态函数之后,在两端切掉一定长度的序列,即预测不准确序列,从而避免因该序列被代入下一个固有模态函数的求解而导致中间信号被污染;随后利用正弦叠加信号和非线性非平稳信号等仿真数据进行分解实验。实验结果表明:无论是正弦叠加信号还是非线性非平稳信号,基于灰度预测的变长度经验模态分解方法的计算结果误差均小于常规经验模态分解和基于灰度预测的经验模态分解方法,同时对端点处相位信息的处理也更准确。

【文章页数】：11 页

【部分图文】：

图2合成信号x1(t),t∈[0,1]

式中,信号的采样频率为500Hz,合成后的信号如图2所示。在理想条件下,此信号应该被分解成2个正弦IMF分量x11=sin(10πt)和x12=6sin(50πt)以及一个剩余分量x13=0,各分量信号如图3所示。分别用常规经验模态分解方法、基于灰度模型的方法以及本研究提出....

图3信号子成分x11,x12以及x13

经计算得到,基于灰度预测的经验模态分解所得结果的误差为(±3.3378),本研究提出的方法的误差为(±0.0254)。由此可见,本研究提出的改进方法的效果要优于改进之前的结果。图4常规经验模态分解的结果

图1经验模态分解的端点效应

由图1可见,如果端点处不是极值点,那么求取的包络在端点处就会出现“欠冲”或“过冲”现象,从而导致计算过程中在端点处出现误差。2基于灰度模型的经验模态分解方法

图4常规经验模态分解的结果

图3信号子成分x11,x12以及x13图5基于灰度模型的经验模态分解的结果

本文编号：3936027