经验模态分解频率分辨率的一种改进方法

doi:10.3778/j.issn.1002-8331.2010.01.040

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (1): 129-133.DOI: 10.3778/j.issn.1002-8331.2010.01.040

• 数据库、信号与信息处理 • 上一篇下一篇

经验模态分解频率分辨率的一种改进方法

孙伟峰¹，彭玉华¹，杨阳¹，孟庆芳¹，许建华²

1.山东大学信息科学与工程学院，济南 250100
2.电子测试技术国家科技重点实验室，山东青岛 266555

收稿日期:2008-07-23 修回日期:2008-08-22 出版日期:2010-01-01 发布日期:2010-01-01
通讯作者: 孙伟峰

Method for improving frequency resolution of empirical mode decomposition

SUN Wei-feng¹，PENG Yu-hua¹，YANG Yang¹，MENG Qing-fang¹，XU Jian-hua²

1.School of Information Science and Engineering，Shandong University，Jinan 250100，China
2.The 41st Research Institute of China Electronics Technology Group Corporation，Qingdao，Shandong 266555，China

Received:2008-07-23 Revised:2008-08-22 Online:2010-01-01 Published:2010-01-01
Contact: SUN Wei-feng

摘要/Abstract

摘要： 针对传统的经验模态分解（Empirical Mode Decomposition，EMD）中由于信号间的相互作用造成的单个固有模态分量带宽过大的问题，提出使用改进的掩蔽信号并结合增加筛选过程迭代次数的方法来对其进行改进。研究了迭代次数与EMD频率区分能力的关系；提出了一种改进掩蔽信号的方法，采用自适应加权的方式构造掩蔽信号的频率，权值的选择基于分离误差最小化的准则。仿真实验表明，对具有不同幅度比与频率比的信号，提出的改进方法能够有效地提高EMD的频率分辨能力。

关键词: 经验模态分解, 掩蔽信号, 频率分辨率

Abstract: During traditional Empirical Mode Decomposition（EMD），the frequency band is too wide due to signal interaction.In order to solve this problem，an improved method is investigated using improved signal masking combined with increasing the number of iterations of the sifting process.The relation between the number of iterations and frequency resolution of EMD is investigated.An improved method is proposed using masking signal，whose frequency is formed by an adaptive weighted method，and the weights are selected based on the minimization of a separation error criteria.Experimental results show that the capability of differentiating frequencies of EMD can be effectively improved for signals with different amplitude ratio and frequency ratio.

Key words: empirical mode decomposition, masking signal, frequency resolution

中图分类号:

TN911.7

孙伟峰¹，彭玉华¹，杨阳¹，孟庆芳¹，许建华². 经验模态分解频率分辨率的一种改进方法[J]. 计算机工程与应用, 2010, 46(1): 129-133.

SUN Wei-feng¹，PENG Yu-hua¹，YANG Yang¹，MENG Qing-fang¹，XU Jian-hua². Method for improving frequency resolution of empirical mode decomposition[J]. Computer Engineering and Applications, 2010, 46(1): 129-133.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	姚洪刚，沐年国. EMD-LSTM模型对金融时间序列的预测[J]. 计算机工程与应用, 2021, 57(5): 239-244.
[3]	易灵芝，王仕通，易芳，邓栋，易志敏，姜鹏. 基于EEMDSE-ILSTM的风电场超短期风速预测[J]. 计算机工程与应用, 2021, 57(22): 288-294.
[4]	李广安，曹岩，岳晓新. 基于BEEMD分解的红外与可见光图像融合[J]. 计算机工程与应用, 2021, 57(14): 237-244.
[5]	杨航，朱永利. 基于Storm的局部放电信号集合经验模态分解[J]. 计算机工程与应用, 2020, 56(10): 261-267.
[6]	胡建平1，李玲1，谢琪1，2，李鑫1. 多通道图像EMD及应用[J]. 计算机工程与应用, 2019, 55(5): 211-218.
[7]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[8]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[9]	郭瑞，樊亚敏. 极限学习机延拓的BS-EMD端点效应抑制算法及应用[J]. 计算机工程与应用, 2017, 53(7): 256-262.
[10]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[11]	杨博楠1，张智军1，肖冰松1，江良英2. 基于EMD阈值算法的脉冲涡流信号消噪[J]. 计算机工程与应用, 2017, 53(2): 260-264.
[12]	谭洋波，程进军，刘帅. 基于EMD与邻域粗糙集的液体电磁阀故障诊断[J]. 计算机工程与应用, 2017, 53(12): 255-260.
[13]	陈晓娟1，王单卉2. 基于BEMD和分形维数的人脸识别方法[J]. 计算机工程与应用, 2017, 53(10): 177-180.
[14]	杨航，郭晓金. 一种改善EMD端点问题的方法[J]. 计算机工程与应用, 2016, 52(8): 266-270.
[15]	张言飞，欧阳健飞，姚丽峰. 基于ICA和EMD的生理信号提取[J]. 计算机工程与应用, 2016, 52(6): 167-171.

经验模态分解频率分辨率的一种改进方法

Method for improving frequency resolution of empirical mode decomposition

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics