蔡 念 黄威威 谢 伟 叶 倩 杨志景



基于互补自适应噪声的集合经验模式分解算法

蔡 念*黄威威 谢 伟 叶 倩 杨志景

(广东工业大学信息工程学院 广州 510006)

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差，推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题，在分解过程中添加成对的正负噪声分量，提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明，相比于集合经验模式分解和自适应噪声集合经验模式分解，所提的方法能够明显地减少每一层固有模态分量中残留的噪声，拥有较好的信号重构精度和更快的分解速度。

经验模式分解；集合经验模式分解；自适应噪声集合经验模式分解；模态混叠

1 引言

经验模式分解(Empirical Model Decomposition, EMD)是由Huang等人[1]于1998年提出的一种适用于非线性、非平稳信号的时频分析方法。该方法提出后得到了众多研究人员的关注，也被广泛应用于各个领域。经验模式分解虽然在分析非线性、非平稳信号中有很多优势，但由于其理论还需完善，至今仍然存在一些问题，例如：端点效应[7,8]、模态混叠等。

发生模态混叠时，不同尺度的信号被分解到同一个固有模态分量(Intrinsic Mode Functions, IMFs)中，严重时无法得到物理意义明确的结果，使EMD分解失去意义[12]。……