CN109753943B - 一种自适应分配变模态分解方法 - Google Patents
一种自适应分配变模态分解方法 Download PDFInfo
- Publication number
- CN109753943B CN109753943B CN201910031860.4A CN201910031860A CN109753943B CN 109753943 B CN109753943 B CN 109753943B CN 201910031860 A CN201910031860 A CN 201910031860A CN 109753943 B CN109753943 B CN 109753943B
- Authority
- CN
- China
- Prior art keywords
- point
- partition
- signal
- domain signal
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 title claims description 4
- 238000001228 spectrum Methods 0.000 claims abstract description 18
- 238000005192 partition Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Measuring Frequencies, Analyzing Spectra (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种自适应分配变模态分解方法,涉及一种信号处理方法,本发明涉及一种新的信号处理方法。其主要原理是在频域上自适应分配信号。主要包括以下步骤,首先,根据信号列表的特征定义模式,并确定阈值;其次,判断模式之间的相关性;再次,根据模式特性在频谱上划分区域;最后,根据某些规则分配频谱。该方法的特点是,不会发生信号混叠现象;没有迭代计算过程,在运行时间上效率很高;由于采用的是归一化分配频谱方法,所以不存在迭代误差。本发明将采集的到的信号的主要频率特征,特别是变频信号的特征完整的分解出来,以便利于下一步的特征提取。
Description
技术领域
本发明涉及一种信号处理方法,特别是涉及一种自适应分配变模态分解方法。该方法特别适用于调频信号分解。
背景技术
在工程中测得的信号大多由各种各样的信号构成,这需要尽可能准确的将其分解为所需的分量信号。目前主要存在的信号分解方法有:经验模态分解(EMD)和变模态分解(VMD)
EMD的本质是在时域上将信号进行分解,也存在一些问题,比如,它对高频信号的分解能力较弱,同时容易存在模态混叠现象。VMD是一种基于频域信号的分解方法,它需要提前提供模式数。如果预设的模态数不合理,可能会导致重要模态的损失或生产混叠模态。另外,现实系统大多工作在不稳定的状态,这导致会采集到很多调幅调频信号。目前,EMD和VMD在处理调幅调频信号时,一般会将其分解。
发明内容
本发明的目的在于提供一种自适应分配变模态分解方法,本发明将采集的到的信号的主要频率特征,特别是变频信号的特征完整的分解出来,以便利于下一步的特征提取。
本发明的目的是通过以下技术方案实现的:
一种自适应分配变模态分解方法,所述方法根据信号列表的特征定义模式,在频域信号中,找出极大值点和极小值点,并对极大值点做包络线,获得包络线的极大值点,并确定阈值;根据阈值判断模式之间的相关性,并根据模态定义的两个条件设定分区,获得相应的分区点;
该方法包括以下步骤:
步骤一,高斯滤波;在测量的实际工程信号中,往往夹杂着大量的噪声,这将影响信号处理的效果,因此,在ALVMD中,首先根据需要对被测信号做高斯滤波;
步骤二,对时域信号做傅里叶变换,获得频域信号;
步骤三,在频域信号中,找出极大值点和极小值点,并对极大值点做包络线,获得包络线的极大值点;
步骤四,根据公式 4获得信号的阈值gap
gap=R*max (4);
其中,R为设置的阈值比例,一般为0.15-0.3,max为频域信号极大值点
步骤五,根据模态定义的两个条件设定分区,获得相应的分区点divpoint;
步骤六,根据公式 1,计算每个分区的中心频率;
步骤七,根据公式 2,计算权值矩阵;
步骤八,根据公式3,归一化分配频谱;
步骤九,由获得的每个分区的频谱,换算成对应的时域信号。本发明的优点与效果是:
本发明可以自适应的将信号分区,不用像VMD那样不断输入
分区个数来测试效果;由于AAVMD直接在频谱上局部分区,相比EMD,ALVMD不会发生信号混叠现象; AAVMD没有迭代计算过程,在运行时间上效率很高;由于ALVMD采用的是归一化分配频谱方法,所以不存在迭代误差;如果想获得阈值以下信号的详细分解信息,可以对其所在的分区采用再一次AAVMD分解。
附图说明
图1为本发明模态划分示意图。
具体实施方式
下面结合实施例对本发明进行详细说明。
本发明自适应分配变模态分解方法,根据信号列表的特征定义模式,在频域信号中,找出极大值点和极小值点,并对极大值点做包络线,获得包络线的极大值点,并确定阈值;本发明根据阈值判断模式之间的相关性,并根据模态定义的两个条件设定分区,获得相应的分区点。
(1)模态定义:
定义相邻的两个独立的模态满足以下条件:
第一,频域信号极大值的包络线上的两个相邻的极大值点间的最小极小值小于设定的阈值。
第二,这两个极大值都大于设定的阈值。
(2)模态划分
图1为本发明提出信号分解方法的分解示意图。看到,A-F分别为频域信号的极大值点,当阈值gap确定后,因为B与C之间的极小值大于阈值,因此B与C之间不做模态分解;D点与E点之间的极小值的最小点大于阈值,因此D与E之间不做分解;极大值点F小于阈值,因此E点与F之间不做分解。最终,该频域信号被自动分解成3个部分,可以看出,第一部分近似为正弦信号,第二部分为拍波,第三部分为调频正弦波,由于F点的能量很小,可以将其忽略。
(3)局部模态分配:
当分区确定后,将计算每个区的中心频率,由公式1确定。
(1)
其中,代表第i个分区的中心频率,/>为分区点,j代表频域上的点,/>为频谱上的幅值。根据频率坐标上点与中心频率之间的距离,可以计算出当前频率坐标与每个分区的中心频率的权值,如公式2所示,也就是说,当前坐标与其他分区的距离越远,其权值就越小。
(2)
然后,根据当前坐标的权值对频率谱进行归一化分配,就得到相应分区的频谱。如公式3所示。
(3)
其中,为第i个分区在频谱上第j个点的对应的分量。最后,由获得的频谱重构出对应的信号。
本发明实施的步骤为:
步骤一,高斯滤波。在测量的实际工程信号中,往往夹杂着大量的噪声,这将影响信号处理的效果,因此,在ALVMD中,首先根据需要对被测信号做高斯滤波。
步骤二,对时域信号做傅里叶变换,获得频域信号。
步骤三,在频域信号中,找出极大值点和极小值点,并对极大值点做包络线,获得包络线的极大值点。
步骤四,根据公式 4获得信号的阈值gap
gap=R*max (4)
其中,R为设置的阈值比例,一般为0.15-0.3,max为频域信号极大值点
步骤五,根据模态定义的两个条件设定分区,获得相应的分区点divpoint
步骤六,根据公式 1,计算每个分区的中心频率
步骤七,根据公式 2,计算权值矩阵
步骤八,根据公式3,归一化分配频谱。
步骤九,由获得的每个分区的频谱,换算成对应的时域信号。
附matlab源代码及说明
function [u, u_hat,gap, kkk, omega] = AAVMD(signal,w, r)
%Adaptive Allocated Variational Mode Decomposition
% Authors:
%
% Initial release
%
% Input and Parameters:
% ---------------------
% signal- one dimension signals
%
% w - Gaussian filter bandwidth。if do not need this ,w=0;
% r - rate of threshold
%
% Output:
% -------
% u - the collection of decomposed modes
% u_hat - spectra of the modes
% omega - estimated mode center-frequencies
% gap -
% kkk - numbers of modes
% When using this code, please do cite our paper:
% -----------------------------------------------
%---------- Preparations
y1=signal;
L=length(signal);
R=r;
centerfreqs=[];
%-----Gaussian filter
for i=w+1:L-w
j=i;
y1(i)=mean(y1(j-w:j+w));
end
signal=y1;
% Construct and center f_hat
f_hat = fftshift((fft(signal)));
fhat=abs(f_hat(:,L/2+1:L));
%find maximum minimum
Max_fhat=findpeaks1(fhat);
Min_fhat=findpeaks1(-fhat);
%envelop
Lm=length(Max_fhat);
Maxline_fhat=fhat(Max_fhat(1:Lm));
Ln=length(Min_fhat);
Minline_fhat=fhat(Min_fhat(1:Ln));
%
Max_peaks=findpeaks1(Maxline_fhat);
Min_peaks=findpeaks1(-Minline_fhat);
%numbers of local cptima
Lmm=length(Max_peaks);
Lnn=length(Min_peaks);
divpoint=L/2*ones(1,Lmm);
%gap setting
gap=R*max(fhat);
k=1;
kk=0;
while (k<Lmm)
%dividison
maxcom1=Max_fhat(Max_peaks(k));
maxcom2=Max_fhat(Max_peaks(k+1));
num_k1=find(Min_fhat>maxcom1);
num_k2=find(Min_fhat<maxcom2);
num_k=intersect(num_k1,num_k2);
%
[mintemp,indextemp]=min(Minline_fhat(num_k));
if mintemp<gap&&fhat(maxcom2)>gap
kk=kk+1;
divpoint(kk)= Min_fhat(num_k(indextemp));
end
k=k+1;
end
kkk=kk+1;%number of modes
ii=1;
centerfreqs=zeros(1,kk+1);
freqs=1:divpoint(ii);
centerfreqs(1)=(freqs*(fhat(1:divpoint(ii)).^2)')/sum(fhat(1:divpoint(ii)).^2);
while (ii<=kk)
freqs=[divpoint(ii)+1:divpoint(ii+1)];
centerfreqs(ii+1)=freqs*(fhat(divpoint(ii)+1:divpoint(ii+1)).^2)'/sum(fhat(divpoint(ii)+1:divpoint(ii+1)).^2);
ii=ii+1;
end
ii=kk+1;
if ii==1
freqs=1:L/2;
centerfreqs(ii)=freqs*(fhat(1:L/2).^2)'/sum(fhat(1:L/2).^2);
else
freqs=[divpoint(ii-1)+1:L/2];
centerfreqs(ii)=freqs*(fhat(divpoint(ii-1)+1:L/2).^2)'/sum(fhat(divpoint(ii-1)+1:L/2).^2);
end
%weight
weight=zeros(kkk,L);
j=1;
while (j<=L)
i=1;
while (i<=kkk)
weight(i,j)=exp(-abs(centerfreqs(i)-j).^1);
i=i+1;
end
j=j+1;
end
%weight=weight+eps;
weight=weight+1e-100;
%allocation
for i=1:kkk
for j=1:L/2
u_hat(i,j)=f_hat(L/2+j)*weight(i,j)/sum(weight(:,j));
end
end
%------ Postprocessing and cleanup
% Signal reconstruction
uu=zeros(kkk,L);
uu(:,L/2+1:L)=u_hat;
uu(:,L/2+1:-1:2)=conj(u_hat);
uu(:,1)=conj(u_hat(:,end));
u = zeros(kkk,L);
for i = 1:kkk
u(i,:)=real(ifft(ifftshift(uu(i,:))));
end
omega=centerfreqs;
end
function n = findpeaks1(x)
% Find peaks.
n = find(diff(diff(x) > 0) < 0);
u = find(x(n+1) > x(n));
n(u) = n(u)+1;
end
Claims (1)
1.一种自适应分配变模态分解方法,其特征在于,所述方法根据信号列表的特征定义模式,在频域信号中,找出极大值点和极小值点,并对极大值点做包络线,获得包络线的极大值点,并确定阈值;根据阈值判断模式之间的相关性,并根据模态定义的两个条件设定分区,获得相应的分区点;
该方法包括以下步骤:
步骤一,高斯滤波;
步骤二,对时域信号做傅里叶变换,获得频域信号;
步骤三,在频域信号中,找出极大值点和极小值点,并对极大值点做包络线,获得包络线的极大值点;
步骤四,根据公式4获得信号的阈值gap
gap=R*max (4);
其中,R为设置的阈值比例,为0.15-0.3,max为频域信号极大值点
步骤五,根据模态定义的两个条件设定分区,获得相应的分区点divpoint;
步骤六,根据公式1,计算每个分区的中心频率;
步骤七,根据公式2,计算权值矩阵;
步骤八,根据公式3,归一化分配频谱;
步骤九,由获得的每个分区的频谱,换算成对应的时域信号;
所述模态定义:
定义相邻的两个独立的模态满足以下条件:
第一,频域信号极大值的包络线上的两个相邻的极大值点间的最小极小值小于设定的阈值;第二,这两个极大值都大于设定的阈值;
所述的公式1为:
其中,centerfreqsi代表第i个分区的中心频率,divpoint为分区点,j代表频域上的点,fhat为频谱上的幅值;
公式2为:
公式3为:
其中,uhatij为第i个分区在频谱上第j个点的对应的分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031860.4A CN109753943B (zh) | 2019-01-14 | 2019-01-14 | 一种自适应分配变模态分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031860.4A CN109753943B (zh) | 2019-01-14 | 2019-01-14 | 一种自适应分配变模态分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753943A CN109753943A (zh) | 2019-05-14 |
CN109753943B true CN109753943B (zh) | 2023-09-19 |
Family
ID=66405679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910031860.4A Active CN109753943B (zh) | 2019-01-14 | 2019-01-14 | 一种自适应分配变模态分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753943B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
WO2017178878A1 (en) * | 2016-04-13 | 2017-10-19 | Universitat Politecnica De Catalunya | A full time-domain method for analyzing two or more signals for assessing them as electromagnetic interference (emi) |
CN107306153A (zh) * | 2016-04-18 | 2017-10-31 | 上海贝尔股份有限公司 | 光纤通信系统中的信号处理的方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2679254C1 (ru) * | 2015-02-26 | 2019-02-06 | Фраунхофер-Гезелльшафт Цур Фердерунг Дер Ангевандтен Форшунг Е.Ф. | Устройство и способ для обработки аудиосигнала для получения обработанного аудиосигнала с использованием целевой огибающей во временной области |
-
2019
- 2019-01-14 CN CN201910031860.4A patent/CN109753943B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902844A (zh) * | 2014-04-24 | 2014-07-02 | 国家电网公司 | 基于eemd峰度阈值的变压器振动信号降噪方法 |
WO2017178878A1 (en) * | 2016-04-13 | 2017-10-19 | Universitat Politecnica De Catalunya | A full time-domain method for analyzing two or more signals for assessing them as electromagnetic interference (emi) |
CN107306153A (zh) * | 2016-04-18 | 2017-10-31 | 上海贝尔股份有限公司 | 光纤通信系统中的信号处理的方法和设备 |
Non-Patent Citations (2)
Title |
---|
向玲 ; 张力佳 ; .变分模态分解在转子故障诊断中的应用.振动.测试与诊断.(第04期),全文. * |
周柏彤 ; 刘增力 ; 朱健晨 ; .关于多种模态分解方法的分离效果的差别探讨.信息技术.(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109753943A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taqqu | Fractional Brownian motion and long-range dependence | |
Ahrabian et al. | Synchrosqueezing-based time-frequency analysis of multivariate data | |
Haykin et al. | Spectrum sensing for cognitive radio | |
Reju et al. | An algorithm for mixing matrix estimation in instantaneous blind source separation | |
Singh | Novel Fourier quadrature transforms and analytic signal representations for nonlinear and non-stationary time-series analysis | |
DE102016118734B4 (de) | Skalierung von Festkomma-Schnelle-Fourier-Transformationen bei Radar- und Sonaranwendungen | |
CN106911410B (zh) | 一种通信主用户感知方法及系统 | |
JP2019518515A5 (zh) | ||
CN110187313B (zh) | 基于分数阶Fourier变换的雷达信号分选识别方法及装置 | |
CN109753943B (zh) | 一种自适应分配变模态分解方法 | |
CN106019102A (zh) | 信号去噪方法和装置 | |
Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
Welter et al. | Multifractal analysis based on amplitude extrema of intrinsic mode functions | |
CN103295583B (zh) | 用于提取声音的子带能量特征的方法、设备以及监视系统 | |
CN109460614B (zh) | 基于瞬时带宽的信号时间-频率分解方法 | |
CN115902396B (zh) | 大型风电并网系统的谐振检测方法和装置 | |
Susrutha et al. | Analysis on FFT and DWT transformations in image processing | |
Imani et al. | Using weighted multilevel wavelet decomposition for wideband spectrum sensing in cognitive radios | |
CN107632963A (zh) | 长度为复合数的基于fft的电力系统采样信号希尔伯特变换方法 | |
CN113271273A (zh) | 基于维纳滤波预处理的调制识别方法 | |
Romulus | A comparison between instantaneous frequency estimation methods of frequency modulated signals covered with gaussian noise | |
CN116500553B (zh) | 雷达互相干扰抑制方法、装置、计算机设备及存储介质 | |
Babichev et al. | A hybrid model of 1-D signal adaptive filter based on the complex use of Huang transform and wavelet analysis | |
Spooner et al. | Performance evaluation of cyclic polyspectrum estimators | |
CN117928949A (zh) | 轴承故障信号的分析方法及装置、存储介质、计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |