經驗模態(tài)分解在信號分離中的應用.pdf

1、經驗模態(tài)分解(Empirical Mode Decomposition，簡稱EMD)是一種自適應信號分解方法，主要應用于非線性非平穩(wěn)的信號，是繼傅立葉譜分析和小波分析之后出現的功能強大的數據分析方法，自N.E.Huang提出以來，得到廣泛的研究和應用，Huang后來又提出整體平均經驗模態(tài)分解(Ensemble Empirical ModeDecomposition，簡稱EEMD)的方法，解決了EMD中出現的模態(tài)混合問題。
　　

2、本文主要討論了兩方面的內容：(1)EMD和EEMD處理含噪信號時的效果差異；(2)用EMD進行信號分離的新方法。第一方面的內容在第三章，只是就幾種特殊的信號，對EMD和EEMD在實際應用中出現的問題進行探討。第二方面的內容在第四章，是本文重點，主要介紹如何更有效地分離信號。具體地，用EMD對含噪信號進行分解的結果表明，前幾個IMF是信號受到噪聲的干擾產生的，阻礙對原數據的提取。如文中用EMD對含有噪聲的線性疊加信號進行處理時，目的是分離

3、兩個正弦分量，但此時會出現這樣的問題，無法確定哪幾個IMF是噪聲干擾項，也就無法準確提取所需的正弦分量。這是由噪聲的影響而導致的問題，可以考慮通過去噪來解決，本文以白噪聲為例示范了先去噪后分解的過程和效果，這樣就能保證第一個內模函數是相對高頻的正弦分量，第二個內模函數是相對低頻的正弦分量。此法要求事先知道信號中所含有的噪聲種類，才能選擇合適的濾波器來去噪，但是對于很多信號來說，其所含有的噪聲人們并不能了解，本文又提出另外一種方法：如果已