时序信号高低频分析——经验模态分解EMD

时序信号高低频分析——经验模态分解EMD

引用

CSDN

1.

https://m.blog.csdn.net/weixin_39753819/article/details/136230567

时序信号高低频分析——经验模态分解EMD

介绍

经验模态分解（Empirical Mode Decomposition，EMD）是一种用于时序信号分解的自适应方法，旨在将原始信号分解为多个固有模态函数（Intrinsic Mode Functions，IMF）的线性组合。EMD是一种数据驱动的分解方法，不需要预先定义基函数或滤波器，并且适用于非线性和非平稳信号的分解和分析。

原理

EMD的基本思想是通过挑选信号中的局部极值点（局部最大值和局部最小值）来构造包络线，并利用包络线来提取信号中的各种振动成分。具体步骤如下：

1. 提取局部极值点：找到信号中的局部最大值和局部最小值点。
2. 连接局部极值点：连接相邻的局部极值点，得到上包络线和下包络线。
3. 计算均值包络线：将上包络线和下包络线的均值作为信号的均值包络线。
4. 计算细化的包络线：用原始信号减去均值包络线得到细化的包络线。
5. 重复迭代：将细化的包络线作为新的信号进行迭代，直到满足停止条件（如提取的 IMFs 符合某种特定的物理条件）。
6. 提取IMF：最终得到的信号即为一组固有模态函数（IMFs），它们是信号中包含的各种振动模式。

公式

在EMD的过程中，每次迭代都会得到一组IMFs，这些IMFs满足以下两个条件：

1. 极值点和零点的个数相同：IMFs 的极值点（局部最大值和局部最小值）和零点（与 x 轴相交的点）的个数相同或最多相差一个。
2. 对称分布：IMFs 应在零点附近呈现对称分布。

Python实现

为了实现EMD的分解，我们可以使用PyEMD库，它是Python的一个库，提供了实现EMD和Hilbert-Huang变换的功能。

下面是使用PyEMD库绘制IMF图的示例代码：

import numpy as np
import matplotlib.pyplot as plt
from PyEMD import EMD

# 生成示例信号
t = np.linspace(0, 1, 1000)
s = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 10 * t) + np.sin(2 * np.pi * 20 * t)

# 创建EMD对象
emd = EMD()

# 进行EMD分解
IMFs = emd(s)

# 绘制IMF图
plt.figure(figsize=(12, 8))
for i, imf in enumerate(IMFs):
    plt.subplot(len(IMFs), 1, i+1)
    plt.plot(t, imf, 'r')
    plt.title(f'IMF {i+1}')
plt.tight_layout()
plt.show()

以上代码将生成一个示例信号，然后利用PyEMD库进行EMD分解，并绘制每个IMF的图像。每个IMF代表了原始信号中不同的频率成分。

总结

EMD作为一种数据驱动的信号分解方法，具有很好的自适应性和适用性，适用于各种非线性和非平稳信号的分析。通过将原始信号分解为多个IMFs，EMD能够将信号的各种振动模式分离出来，从而更好地理解信号的特性和行为。在实际应用中，EMD常被用于信号处理、振动分析、生物医学工程等领域，为数据分析和特征提取提供了有力的工具。