一种解相关多频率经验模态分解方法与流程

本发明涉及信号分解和信号处理领域，更具体地，涉及一种解相关多频率经验模态分解方法。

背景技术：

经验模态分解(empiricalmodedecomposition,emd)方法是黄鳄博士提出的一种分析和处理非平稳非线性信号的方法，其可以克服传统方法中的全局性和非自适应性，并且已经在设备故障识别、电能质量分析、脑电信号处理等各个不同的领域得到了很好的效果。与此同时，emd具有将复杂的多频率混合信号分解为多个易于处理的包含丰富特征信息的单分量信号。可是由于振动信号中含有大量相近的时频域成分分量以及噪音，导致emd分解的单信号分量中包含了不同的频率分量，这种现象称为模态混叠。这直接造成混叠的imf分量缺乏足够的物理意义，导致后续的时频分布混淆，最终影响特征提取的精度。

目前针对模态混叠的问题，国内外专家做了大量的研究，其中噪声处理方法与解相关处理方法尤其有效，然而这两个方法仍然具有一定的局限性，如噪声的选择具有随机性，不能自适应处理信号；解相关处理方法针对小频率比混合信号产生的模态混叠具有很好的抑制效果，但对于不同频率比混合信号分解效果有所降低。

针对传统emd存在模态混叠现象，本发明提出解相关多频率经验模态分解方法，通过多个添加掩蔽信号的方法，初步分解混合频率信号，同时在分解过程中嵌入相关系数处理操作，减少正常特征信息与异常特征信息之间的相互影响，保证分解信号分量的正交性，抑制混合信号出现混叠的现象，最终改善emd分解信号的能力，提升对特征的提取精度。

技术实现要素：

本发明为克服上述现有技术所述的至少一种缺陷，提供一种解相关多频率经验模态分解方法。

为解决上述技术问题，本发明的技术方案如下：

一种解相关多频率经验模态分解方法，包括以下步骤：

s1：采用emd对初始信号进行分解，得到第一个初始信号分量pimf1；

s2：利用步骤s1得到的pimf1分量，求得掩蔽信号的频率，进而构造掩蔽信号；

s3：从初始信号中去除步骤s2得到的掩蔽信号，得到新的信号，再利用emd对新的信号进行分解，得到第一阶去掩蔽信号分量mimf1，重复步骤s1到步骤s3，得到第二阶去掩蔽信号分量mimf2；

s4：利用步骤s3得到的前两阶去掩蔽信号分量mimf1和mimf2，嵌入相关系数处理，得到最优本征模态函数，记为oimf1；

s5：将最优oimf1从初始信号中去除，重复步骤s1到s5直到分解的残余分量为常数或单调，最后得到一组最优本征模态函数，记为oimfs。

与现有技术相比，本发明技术方案的有益效果是：本发明提出了一种解相关多频率经验模态分解方法，可用于解决emd方法存在的模态混叠现象，造成特征提取精度低的问题。该方法首先对初始信号添加多个频率的掩蔽信号，初步分解其中不同频率比的信号分量得到多个imf分量；其次计算相邻imf之间的相关系数并对其解耦，进一步分离imf中存在混叠的部分，得到最优imf；最终，从原始信号中减去最优imf，然后重复上述步骤，直到残余分量为常数或单调。由于保证了imf之间互不相关且互不干扰，因此模态混叠现象显著减弱，有效提高特征提取精度。该方法的创新点在于提出的方法结合了掩蔽信号处理方法与相关性处理法，使该方法可以很好的自适应分解不同频率比混合信号，显著的抑制模态混叠现象，提高特征提取精度。

附图说明

图1为本发明解相关多频率经验模态分解方法的大致流程图。

图2为本发明解相关多频率经验模态分解方法的具体流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1-2所示，一种解相关多频率经验模态分解方法，包括以下步骤：

s1：采用emd对初始信号进行分解，得到第一个初始信号分量pimf1；

s2：利用步骤s1得到的pimf1分量，求得掩蔽信号的频率，进而构造掩蔽信号；

s3：从初始信号中去除步骤s2得到的掩蔽信号，得到新的信号，再利用emd对新的信号进行分解，得到第一阶去掩蔽信号分量mimf1，重复步骤s1到步骤s3，得到第二阶去掩蔽信号分量mimf2；

s4：利用步骤s3得到的前两阶去掩蔽信号分量mimf1和mimf2，嵌入相关系数处理，得到最优本征模态函数，记为oimf1；

s5：将最优oimf1从初始信号中去除，重复步骤s1到s5直到分解的残余分量为常数或单调，最后得到一组最优本征模态函数，记为oimfs。

所述步骤s1中，利用emd方法对把初始信号x(t)进行分解，得到第一个初始信号分量pimf1，记为c1(t)。

步骤s2中，利用步骤s1得到的c1(t)，对c1(t)进行希尔伯特变换，计算出其瞬时频率与瞬时幅值，利用瞬时频率与瞬时幅值求得掩蔽信号的频率，构造掩蔽信号，具体步骤如下：

s2.1：利用步骤s1中c1(t)进行希尔伯特变换，计算出c1(t)的瞬时频率f1(i)和瞬时幅值a1(i)：

其中m为带宽系数，为了减少随机误差，首先选择m为1.42-1.65，其次计算出本征模态函数imf的峭度值，峭度值越大，信号中的冲击成分明显增加，因此选择最大的5个m值，对应于不同m有多个掩蔽信号频率fn；

s2.2：利用步骤1得到的多个掩蔽信号频率fn构造多个掩蔽信号sn(t)：

sn(t)＝a0sin(2πfnt)(2)

其中，a0是c1(t)的平均幅值。

步骤s3中，从初始信号中添加步骤s2得到的掩蔽信号sn(t)，得到新的信号yn(t)，再利用emd对新信号yn(t)进行分解，得到第一阶去掩蔽信号分量mimf1：h1(t)，重复步骤s1到步骤s3，得到前两阶信号分量mimf1：h1(t)和mimf2：h2(t)，具体步骤如下：

s3.1：利用步骤s2中得到的多个掩蔽信号sn(t)添加到初始信号中构造新的信号yn(t)＝x(t)+sn(t)；

s3.2：对yn(t)进行emd分解得到第一个imf称为从中去除掩蔽信号得到去掩蔽信号imf：

s3.3：将s3.2得到的n个mimf1n进行总体平均得到第一阶去掩蔽信号分量mimf1：h1(t)，即

s3.4：从初始信号中去除h1(t)，得到下一个分解信号，重复步骤s1到步骤s3，得到mimf2：h2(t)。

步骤s4中，利用步骤s3得到的前两个mimf分量h1(t)和h2(t)，嵌入相关系数处理，得到最优具体步骤如下：

s4.1：根据计算出h1(t)和h2(t)的相关系数r；

s4.2：利用得到的相关系数r，对h1(t)进行相关系数处理得到

s4.3：将从初始信号中减去，得到对再次重复步骤s1到步骤s3，得到imf：

s4.4：求和的相关系数，如果相关系数小于阈值δ，则确定为分解得到的第一个最优信号分量oimf；反之，对和重复步骤s4.1-s4.3直到imf分量间相关系数小于设定的阈值δ。

步骤s5中，将最优oimf1：从初始信号中去除，重复步骤s1-s5直到分解的残余分量为常数或单调，最后得到一组最优oimfs：