Empirical Mode Decomposition
背景
信号分析中常用的傅里叶分析方法只能处理线性的,周期的或者稳定的信号。否则得到的结果将没有实际的物理意义。遂Huang提出一种适应非线性,不稳定信号的分解方法,且分解结果能够满足希尔伯特变换的要求。
特性
EMD 是基于数据的局部特征时间尺度来提取特征的,因此具有良好的自适应性。不同时间尺度上的特征通过不同的本征模函数(Intrinsic Mode Function)来表示。同时,EMD 方法无需定义基函数。
缺陷
当原始信号中,有特征是间歇性出现时,EMD方法可能会出现模态混叠的情况——一个IMF中包含多个时间尺度的特征。
IMF
为使的希尔伯特变换后得到的信号计算的瞬时频率具有物理意义。需要对输入数据进行限制。由此定义了IMF。两个限制如下:1)在整个数据集中,零点数量与极值点的数量相差至多为一个。(2)在任意点,由局部最大定义的包络线(由三次样条差值法得到)与由局部最小定义的包络线的均值要等于零,即上下包络线是对称的。
上图是一个典型的IMF图像。图片来源于参考文献。
假设
EMD 算法是在如下假设基础上运算的:(1)信号必须包含一个极大值与一个极小值。(2)特征时间尺度由极值间的时间决定。(3)如果数据只包含拐点而没有极值点,则能够通过一次或多次微分得到极值点。
算法过程
- 通过三次样条差值法求输入信号的上下包络线
- 计算两个包络线的均值
- 用信号减去该均值得到差值
- 判断差值是否符合IMF定义
- 符合则得到一个IMF
- 否则将差值做为输入信号重复上述过程
上述为一次筛选过程,每次筛选得到一个IMF。整体的流程表示如下:
上述过程中表示对输入信号进行筛选,为原始信号,是每次筛选得到的IMF,是做差得到的残余量。整个循环过程中,当得到的IMF过小或者残余量(每次输入信号减去IMF后的差值)是单调函数时结束循环。当信号具有某种趋势时,最终的残余量会表现出这种趋势。