APP下载

基于灰度预测的变长度经验模态分解方法研究

2020-08-05张晓波刘保华于凯本刘苗杨志国于盛齐宗

海洋科学进展 2020年3期
关键词:模态经验信号

张晓波刘保华于凯本刘 苗杨志国于盛齐宗 乐

(1.自然资源部 国家深海基地管理中心,山东 青岛266237;2.青岛海洋科学与技术试点国家实验室 海洋地质过程与环境功能实验室,山东 青岛266061;3.中国海洋大学 环境科学与工程学院,山东 青岛266100;4.青岛海洋科学与技术试点国家实验室 公共关系部,山东 青岛266061)

对于一般的非线性非平稳信号,信号特征多表现为时变和频带混叠,导致有效信号往往存在于某一个或几个频带中,因此从原始信号中分离和提取有效信号是信号处理的重要研究内容之一。经验模态分解(Empirical Mode Decomposition,EMD)是由美籍华人Huang等[1]于1998年提出的一种信号谱分解方法。该方法的核心思想是任何复杂的信号都可以被分解成有限个固有模态函数(Intrinsic Mode Function,IMF)和1个剩余分量之和。因为该方法是在基于信号本身特征的基础实现的分解,它与基于傅里叶变换的方法相比,具有更强的自适应性和局部时频分析能力,因此在分析非线性和非平稳信号中具有很高的实用价值。

虽然经验模态分解被认为适合分解非线性和非平稳信号,但由于其提出时间较短,缺乏理论支撑,需要解决的问题很多,例如在应用经验模态分解时信号边界很容易产生信号分解失真问题,即端点效应。其产生原因是在基于EMD方法进行信号分解时,由于端点处为非极值点,在计算信号包络时会出现端点处不能完全包络以及由三次样条插值引起的过冲和欠冲等问题,这会使得分解后的IMF函数误差过大,从而对信号分解结果的准确度产生严重的影响。……

登录APP查看全文

猜你喜欢

模态经验信号
2021年第20期“最值得推广的经验”评选
信号
完形填空二则
经验
2018年第20期“最值得推广的经验”评选
基于FPGA的多功能信号发生器的设计
基于LabVIEW的力加载信号采集与PID控制
当你遇见了“零经验”的他
基于HHT和Prony算法的电力系统低频振荡模态识别
由单个模态构造对称简支梁的抗弯刚度