改进的 Hilbert-Huang 变换程序

资 源 简 介

应用背景 通过经验模式分解(empirical modedecomposition，EMD)将信号分解成一系列单频率信号——本征模函数(intrinsic mode function，IMF),在通过 Hilbert 变换即可求得每个本征模函数的瞬时频率。Hilbert-Huang 变换在实际应用中，存在的最大问题就是端点效应。针对上述问题，提出一种以残差与原信号相关系数为阈值的自适应的虚假 IMF 筛选算法。 关键技术 复杂信号分解成单频率信号,任意本征模函数需满足两个条件：(1)在整个数据长度，极值

详 情 说 明

应用背景

经验模式分解（Empirical Mode Decomposition，EMD）是一种将信号分解成一系列单频率信号的方法，即本征模函数（Intrinsic Mode Function，IMF）。通过 Hilbert 变换，可以得到每个本征模函数的瞬时频率。然而，在实际应用中，Hilbert-Huang 变换存在一个最大的问题，即端点效应。为解决这个问题，提出了一种自适应的虚假 IMF 筛选算法，该算法以残差与原信号相关系数为阈值。

关键技术

复杂信号可以通过经验模式分解被分解成单频率信号，任意本征模函数必须满足以下两个条件：

1.在整个数据长度内，极值和过零点数目必须相等或最多相差一个；

2.在任意数据点上，局部最大值的包络和局部最小值的包络的平均值必须为零。

以上是经验模式分解和本征模函数的基本概念，接下来我们将详细介绍如何使用经验模式分解和本征模函数进行信号处理，并对其中的问题进行分析和解决。