【经验模态分解】2.EMD的3个基本概念

/**
 * @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) 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) 源信号 x ( t ) 源信号x(t) 源信号x(t)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) x ^ ( t ) \widehat{x}(t) x (t)

  • z ( t ) z(t) z(t)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
    在这里插入图片描述

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) x 0 ( t ) x_0(t) x0(t)
    在这里插入图片描述
    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
    在这里插入图片描述
    等于

  • h 1 1 ( t ) h^1_1(t) h11(t) 低频信号
    在这里插入图片描述

  • 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 h 1 k ( t ) h^k_1(t) h1k(t)(即 i m f 1 ( t ) imf_1(t) imf1(t)
    在这里插入图片描述

  • 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)
    在这里插入图片描述

  • 然后重复上述步骤直至 r n ( t ) r_n(t) rn(t)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。
    在这里插入图片描述

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)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/124443.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

电脑msvcp110.dll丢失怎么办,msvcp110.dll缺失的详细修复步骤

在现代科技发展的时代,电脑已经成为我们生活和工作中不可或缺的工具。然而,由于各种原因,电脑可能会出现一些问题,其中之一就是msvcp110.dll文件丢失。这个问题可能会导致一些应用程序无法正常运行,给我们的生活和工作…

linux生产者消费者模型

今天是一个与互斥锁和条件变量有关的一个模型,生产者消费者模型,为什么要用这个模型呢?其实这个模型我个人感觉的有点就是提高了效率,在多线程的情况下,提高了非常明显。并且解耦了生产者和消费者的关系。下面是一个这…

探索经典算法:贪心、分治、动态规划等

1.贪心算法 贪心算法是一种常见的算法范式,通常在解决最优化问题中使用。 贪心算法是一种在每一步选择中都采取当前状态下最优决策的算法范式。其核心思想是选择每一步的最佳解决方案,以期望达到最终的全局最优解。这种算法特点在于只考虑局部最优解&am…

Git设置显示中文

git config --global i18n.comitencoding utf-8 git config --global i18n.logoutputencoding utf-8 export LESSCHARSETutf-8

人声与背景音乐源分离

一.人声分离项目说明 人声分离是将音频录音分离为各个源的任务。该存储库是音乐源分离的 PyTorch 实现。用户可以通过安装此存储库将自己喜欢的歌曲分成不同的来源。用户还可以训练自己的源分离系统。该存储库还可用于训练语音增强、乐器分离和任何分离系统。 2.1 环境配置 …

[直播自学]-[汇川easy320]搞起来(3)看文档安装软件 查找设备

2023.11.09 20:04 按照文档 解压压缩包得到: 打开 里面有一条值得注意: 想把软件安装到C盘,但是C盘没什么空间了,把C盘清理清理。 20:35 安装很快完成,然后阅读 由于PLC是新的&#xff0c…

django安装和rest接口写法

django安装 确保已经安装了Python。命令行中输入python --version来检查Python的版本。 安装Django。你可以在命令行中使用以下命令来安装Django: pip install django创建一个新的Django项目。在命令行中,进入你想要创建项目的目录,并运行以…

vscode 访问本地或者远程docker环境

1、vscode 访问docker本地环境 直接点击左下角连接图标,弹出选项可以选择容器,只要容器在本地运行者,选择attach可以看到运行中的容器可以选择,选择其中需要选择的就行 ## 运行容器,可以-d后台运行都可以 docker run…

跨时钟域(Clock Domain Crossing,CDC)

本文参考:http://t.csdnimg.cn/VHga2 【数字IC基础】跨时钟域(CDC,Clock Domain Crossing)_ReRrain的博客-CSDN博客 同步设计:所有设计使用同一时钟源,频率相位可预知。 异步设计:设计中有两…

RPC接口测试技术-websocket 自动化测试实践

WebSocket 是一种在单个 TCP 连接上进行全双工通信(Full Duplex 是通讯传输的一个术语。通信允许数据在两个方向上同时传输,它在能力上相当于两个单工通信方式的结合。全双工指可以同时(瞬时)进行信号的双向传输( A→B 且 B→A &a…

elementui-plus el-tree组件数据不显示问题解决

当前情况: 显示: 注意看右侧的树是没有文字的,数据已经渲染,个数是对的,但就是没有文字, 解决: 对比以后发现是template中的#default{data}没有写大括号导致的 所以写上大括号后: 正常显示

ArcGIS 气象风场等示例 数据制作、服务发布及前端加载

1. 原始数据为多维数据 以nc数据为例。 首先在pro中需要以多维数据的方式去添加多维数据,这里的数据包含uv方向: 加载进pro的效果: 这里注意 数据属性需要为矢量uv: 如果要发布为服务,需要导出存储为tif格式&…

C语言编写一个程序采集招聘信息

因为在这里无法详细解释每行代码和步骤。但是,我可以给大家一个使用Python和requests库编写的简单爬虫程序的例子,它可以从网站上获取招聘信息。你可以根据这个例子,将其改写为使用C语言编写的爬虫程序。 import requests# 指定爬虫IP信息 pr…

javaScript爬虫程序抓取评论

由于评论区目前没有开放的API接口,所以我们不能直接通过编程获取到评论区的内容。但是,我们可以通过模拟浏览器的行为来实现这个功能。以下是一个使用Python的requests库和BeautifulSoup库来实现这个功能的基本思路: import requests from bs…

Matlab论文插图绘制模板第125期—特征渲染的三维气泡图

在之前的文章中,分享了很多Matlab三维气泡图的绘制模板: 进一步,再来分享一下特征渲染的三维气泡图。 先来看一下成品效果: 特别提示:本期内容『数据代码』已上传资源群中,加群的朋友请自行下载。有需要的…

Qt 自定义控件-支持换行和点击事件的Label

目录 前言1、功能描述2、代码实现2.1 头文件2.2 源码文件2.3 设计思路 3、示例4、总结 前言 本文主要介绍一个自定义控件,支持换行和点击事件的Label。起因是有这样一个需求,在一个复杂系统中有一个页面可以显示该系统中所有设备的名字,并且…

【Redis】Redis整合SSMRedis注解式缓存Redis中的缓存穿透、雪崩、击穿的原因以及解决方案(详解)

目录: 目录 一,SSM整合redis 二,redis注解式缓存 三,Redis中的缓存穿透、雪崩、击穿的原因以及解决方案(附图) 一,SSM整合redis 1.原因: 整合SSM和Redis可以提升系统的性能、可…

骑士巡游问题

一、骑士巡游问题 题目描述:骑士在8*8的国际象棋棋盘上进行巡游,当指定骑士出发的位置后(x,y),能输出骑士遍历棋盘的所有路径坐标。 输出效果: 代码(请在visual stdio下运行,Dev-C…

腾讯蒋杰:坚持用技术服务应用,腾讯混元大模型已接入180多个业务

“腾讯正在持续探索大模型应用场景,目前内部超180项业务已经接入腾讯混元大模型进行内测”,11月9日,腾讯集团副总裁蒋杰在2023年世界互联网大会乌镇峰会上表示。 腾讯集团副总裁 蒋杰 作为腾讯全链路自研的实用级大模型,自2023年…

MySQL(12):MySQL数据类型

MySQL中的数据类型 常见数据类型的属性: 整数类型 整数类型一共有 5 种,包括 TINYINT、SMALLINT、MEDIUMINT、INT(INTEGER)和 BIGINT。 CREATE TABLE test_int1 ( X TINYINT, y SMALLINT, z MEDIUMINT, m INT, n BIGINT );…