/**
* @poject 经验模态分解及其衍生算法的研究及其在语音信号处理中的应用
* @file EMD的3个基本概念
* @author jUicE_g2R(qq:3406291309)
*
* @language MATLAB/Python/C/C++
* @EDA Base on matlabR2022b
* @editor Obsidian(黑曜石笔记软件)
*
* @copyright 2023
* @COPYRIGHT 原创学习笔记:转载需获得博主本人同意,且需标明转载源
*/
- 谈论到 E M D EMD EMD,都会提及到 解析信号、顺时频率 与 本征模态函数 I M F IMF IMF 这3个概念
1 解析信号
1-1 为什么要进行信号的解析?
采集的信号一般为 时间尺度数据 ,要分析其特性一般把 时间尺度变为频率尺度 ,即 信号的频率分析 。如果把信号直接进行 傅里叶变换 后会使频域变为 正频域和负频域(负频域现实世界是不存在的,只存在数学推导中),这就使得变换后的频域(正频域)缺失不完整,从而导致信号特性的缺失。
1-2 解析信号 z ( t ) = 源信号 x ( t ) + j x ^ ( t ) 解析信号z(t)=源信号x(t)+j\widehat{x}(t) 解析信号z(t)=源信号x(t)+jx (t)
1-2-1 信号 x ( t ) x(t) x(t) 的解析信号
1-2-2 将信号的 时间尺度 转变为 频率尺度
-
时间转频率 的(只保留正频率)处理
-
进一步处理,得到 Z ( f ) Z(f) Z(f)与 X ( f ) X(f) X(f) 的关系
-
进而得到(令 h ( t ) h(t) h(t) 为冲击函数,映射的是上面的阶跃函数 H ( f ) H(f) H(f))
z ( t ) = x ( t ) + j x ( t ) ∗ h ( t ) z(t)=x(t)+jx(t)*h(t) z(t)=x(t)+jx(t)∗h(t)
1-2-3 x ^ ( t ) \widehat{x}(t) x (t) 为 源信号 x ( t ) 源信号x(t) 源信号x(t) 的 希尔伯特变换
希尔伯特变换
在信号处理中应用非常广,其最开始是由大数学家希尔伯特(David Hilbert)为解决黎曼-希尔伯特问题(the Riemann–Hilbert problem)中的一个特殊情况而引入。
- 该变换物理意义非常明确:把信号所有 频率分量 相位推迟 90度。
-
x ( t ) x(t) x(t) 变 x ^ ( t ) \widehat{x}(t) x (t)
-
z ( t ) z(t) z(t) 的 希尔伯特变换
2 瞬时频率
2-1 为什么使用瞬时频率?
在 传统频谱分析 中,频率指是以 傅里叶变换 为基础的 与时间无关的量 :频率f或角频率w ,其实质是表示信号在一段时间内的总体特征。对于一般的平稳信号,传统的频域分析方法是有效的。
但是对于实际中存在的 非平稳信号,其频率是随时间变化的 ,此时傅里叶频率不再适合,为了表征信号的局部特性就需要引进 瞬时频率 的概念。
2-2 公式
- 解析信号 z ( t ) = 源信号 x ( t ) + j x ^ ( t ) 解析信号z(t)=源信号x(t)+j\widehat{x}(t) 解析信号z(t)=源信号x(t)+jx (t)
2-2-1 瞬时振幅 A ( t ) A(t) A(t)
- A ( t ) = x 2 ( t ) + x ^ 2 ( t ) A(t)=\sqrt{x^2(t)+\widehat{x}^2(t)} A(t)=x2(t)+x 2(t)
2-2-2 瞬时相位
- θ ( t ) = a r c t a n x ^ ( t ) x ( t ) \theta(t)=arctan\frac{\widehat{x}(t)}{x(t)} θ(t)=arctanx(t)x (t)
2-2-3 信号的瞬时频率 为 瞬时相位的导数
-
1
2
π
w
(
t
)
=
f
(
t
)
=
1
2
π
d
θ
(
t
)
d
t
\frac{1}{2π}w(t)=f(t)=\frac{1}{2π}\frac{d\theta(t)}{dt}
2π1w(t)=f(t)=2π1dtdθ(t)
2-2-4 处理时需要注意的点
- 不是任何解析信号都可以通过该定义得到有意义的瞬时频率,要得到有意义的瞬时频率,原始信号就必须满足严格的条件。
3 本征模态函数 I M F IMF IMF
3-1 要领: x ( t ) = ∑ i m f i ( t ) + r N ( t ) x(t)=∑imf_i(t)+r_N(t) x(t)=∑imfi(t)+rN(t)
将 原信号 分解成 若干本征模态函数 I M F IMF IMF 与 单调 残差(残余信号) r N ( t ) r_N(t) rN(t)
- 每个
I
M
F
IMF
IMF 必须要满足如下两个条件:
1)在整个信号上,极值点的个数和过零点的个数相差不大于1;
2)在任意点处,上下包络的均值为0。 - 通常情况下,实际信号都是复杂信号并不满足上述条件。因此,黄锷进行了以下的假设:
1)任何信号都是由若干本征模态函数组成的;
2)各个本征模态函数即可是线性的,也可是非线性的,各本征模态函数的局部零点数和极值点数相同,同时上下包络关于时间轴局部对称;
3)在任何时候,一个信号都可以包含若干本征模态函数,若各模态函数之间相互混叠,就组成了复合信号。
3-2 若干 I M F IMF IMF 的处理过程
3-2-1 E M D EMD EMD 分解 的 分析过程
- 得到第一个
I
M
F
IMF
IMF 的 第一个 低频信号
图解 x 0 ( t ) − m 1 ( t ) = h 1 1 ( t ) x_0(t)_-m_1(t)=h^1_1(t) x0(t)−m1(t)=h11(t)
-
x 0 ( t ) x_0(t) x0(t) 源信号函数
注:视图中的 u ( x ) u(x) u(x) 为 x 0 ( t ) x_0(t) x0(t)
减去 -
m 1 ( t ) m_1(t) m1(t) 上下包络线的折中函数
注:别管图中IMF2
等于 -
h 1 1 ( t ) h^1_1(t) h11(t) 低频信号
-
这一步处理得到的结果显然太理想了,需要经过 不超过10步(直到处理得到的函数满足 I M F IMF IMF 定义) 得到一个 中线趋于 x 轴 x轴 x轴 的 h 1 k ( t ) h^k_1(t) h1k(t)(即 i m f 1 ( t ) imf_1(t) imf1(t))
-
这里的 r 1 ( t ) r_1(t) r1(t) 是源信号 经过处理后 的函数(即 x 1 ( t ) x_1(t) x1(t))
-
然后重复上述步骤直至 r n ( t ) r_n(t) rn(t) 为 单调函数或常量 时, EMD分解过程停止!
3-2-2 整合若干阶 i m f imf imf 分量
-
x ( t ) = ∑ i = 1 n c i ( t ) + r n ( t ) x(t)=\sum_{i=1}^{n}{c_i}(t)+r_n(t) x(t)=∑i=1nci(t)+rn(t)
-
结论: E M D EMD EMD 局部性强
(研究的是局部,证明的也是局部的性质是)随着信号的不断地 本征模态分解,得到的 本征模态函数 的图像越来越平缓。
参考文献:EMD算法研究及其在信号去噪中的应用_王婷.caj(第二章)