CN115640512A - 基于集合经验模态分解的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于集合经验模态分解的煤岩识别方法，涉及采煤机强振动环境下煤岩界面识别领域。本发明在时域上根据被测信号的特征尺度，自适应的生成若干个固有模态函数，通过主动引入高斯白噪声，将被测信号进行多次模态分解，再通过高斯白噪声的统计学特征进行平均计算，得到全新的IMF，然后采用样本熵来判定这个序列的自我相似性。本发明保证原有数据有效信息被充分利用的基础上，充分挖掘振动信号所反映的滚筒齿轮负载对象，提取煤机井下作业的工作状态特征，利用集合经验模态分解快速有效地提取截割煤层、岩层时表征煤机振动特性的分量，并利用这些特征分量与煤机震动数据源进行比对、分析，从而判断采煤机的当前运行状态。

Description

基于集合经验模态分解的煤岩识别方法

技术领域

本发明涉及采煤机强振动环境下煤岩界面识别领域，具体为一种基于集合经验模态分解的煤岩识别方法。

背景技术

煤矿智能化开采是综合机械化开采、自动化开采的深入创新与发展，是煤炭生产方式变革的新阶段,将有效支撑我国煤炭工业高质量发展。其中，煤层界面自动识别技术是实现智能化、无人化采煤的关键技术之一。在煤机进行截割作业时，通常是井下的工作人员观察当前综采工作面的情况，利用无线遥控器等设备，控制截割作业。在井下恶劣的工作环境下，工作人员工作时间长、任务量大、极易造成由人为因素导致的对煤机截割状态的判断偏差，进而导致煤机滚筒截割到煤矸石等非煤质的矿物层，造成包括综采面煤层回采率低，降低工作效率、截割齿轮加速磨损、减短采煤机的使用寿命、煤矸石与落煤混杂、环境条件如粉尘杂质多，机械噪声大等危害。煤岩识别正是解决这一技术难题的关键技术之一。煤岩识别，即在采煤机截割作业时，能通过系统采集的多维感知信息，识别出截割齿轮的负载对象类型以及截割岩层的特性，煤岩识别技术智能化开采中具有三个技术意义：①使采掘设备具有智能化的自主采掘作业能力；②使采煤机实时获取和更新采掘工艺数据，包括地质条件、煤岩变化、设备方位、开采工序等；③使采煤机能根据开采条件变化自动调控采掘过程。当智能化采掘设备与煤岩识别方案集为一体，即形成无人化开采工作面。

近年来，煤岩识别技术已经取得了许多理论进展：煤炭三向截割力传感器被应用于煤岩识别领域，应用于截割齿轮的应力式传感器可以测量量应力值和水平固有频率值，根据传感器的输出数据对煤层、岩层的应力特性进行分析；通过分析液压支架上的检波器信息，检测到垮落煤矸石、截割煤层的振动信号，经过Hilbert-Huang变换，将信号分解为具有不同特征参数的谱密度信息，实现煤岩识别；图像处理方法对于预知煤机截割运功状态方面有天然优势，对于井下截割作业来说，截割对象主要是煤层和煤矸石，所以截割返回的矿物只有煤渣、岩屑，二者在图像特征方面区别明显，关系特征存在交叉的模糊区域，通过煤岩的图像特征提取方法来实现煤岩识别被证明可行。但是目前所存在的问题是，虽然到采煤机在负载对象分别为煤层和煤矸石等其余矿层时，振动信号传递了不同特征，但是对振动信号特征提取仍有不足，煤炭识别的精度还较低，所以仍然需要对煤炭识别方法进行改进。

发明内容

本发明为了解决采煤机对振动信号特征提取仍有不足，煤炭识别的精度还较低的问题，提供了一种基于集合经验模态分解的煤岩识别方法。

首先经验模态分解是在时域上根据被测信号的特征尺度，自适应的生成若干个固有模态函数(Intrinsic Mode Function,IMF)。由于其算法特性，在生成IMF的临界频率上出现噪声信号时，这个噪声成分可能会被同时分解到多个不同的IMF中，导致相邻的IMF分解成分混叠，不利于后续算法解析。而集合经验模态分解是在传统经验模态分解的基础上通过主动引入高斯白噪声，将被测信号进行多次模态分解，再通过高斯白噪声的统计学特征进行平均计算，得到全新的IMF，从而有效避免模态混叠现象而诞生的新方法，并且得到的IMF的随机平稳性得到极大的改善。其具有不需要运用任何已经定义好的函数作为基底的优点，可以用于分析非线性、非平稳的信号序列，有效降低被测信号的非平稳性。这种方法提出后在振动信号分析、机械故障检测、医学肌电信号采集等很多领域得到了非常广泛的应用。

本发明采用了集合经验模态分解方法，将复杂的被测信号通过希尔伯特变换后得到相关的解析函数，于是我们得到了一个物理上瞬时频率的概念，也称为时间的单值函数。我们通过集合经验模态分解得到的IMF正是基于这个概念提出的。本发明是通过如下技术方案来实现的：一种基于集合经验模态分解的煤岩识别方法，包括如下步骤：

一、在采煤机作业过程中，在综放开采区现场采集采煤机尾梁液压支架处振动监测装置所测量的振动数据；步骤一采集到的振动数据满足如下条件：①在整体数据集合中，局部数据区域中的极大值与极小值数目之和与经过零点的数据点数目相等或数目相差不大于1；②在任意的时域点上，局部数据区域的极大值与极小值所定义的上包络线与下包络线的均值应该为0。

二、在得到振动信号后，经过集合经验模态分解方法，将原始数据分解为固有模态分量不同的信号，通过构建基于固有模态分量的垮落煤层特征向量，来提取煤层、岩层的特征信息；通过主动引入高斯白噪声，将被测信号进行多次模态分解，再通过高斯白噪声的统计学特征进行平均计算，得到全新的固有模态函数IMF，具体包括如下步骤：

(1)假设已有被测信号x(t)，加入高斯白噪声序列n(t)，将高斯白噪声序列融入被测信号，得到一个待分析信号s(t)：

s(t)＝x(t)+n(t) (1)

对融入高斯白噪声序列后的待分析信号s(t)进行集合经验模态分解，得到固有模态分量IMF命名为P_1j(t)(j＝1,2,3,…,M)，以及余项Q_1n(t)，得到：

在时域上多次加入规定的高斯白噪声，且每次加入高斯白噪声并不相同，之后再重复进行经验模态分解，则有：

进行多次分解后，可以得到每次分解后IMF，对对应的IMF求平均，由于高斯白噪声序列具有不相关特性，所以对应的统计平均值为0，得到的最终IMF为：

上式中，P_j表示在第j次集合经验模态分解中得到IMF，(i＝1,2,3,…,N，j＝1,2,3,…,M)；将信号重构还原成初始被测信号，即为：

Q(t)为原始信号x(t)经过j次经验模态分解后依然保留的余项；

(2)假设存在N个数据点共同组成一个时间序列{x(n)}＝x(1)，x(2)，x(3)，...，x(N)，采用样本熵来判定这个序列的自我相似性，参数N为时间序列的长度，样本熵(SampEn)是一种通过度量信号中产生的新模式的概率大小来表征了时间序列复杂程度的方法。并且样本熵值与新模式产生概率即时间序列复杂度呈正相关。样本熵在近似熵的基础上，存在两点改进：①样本熵的计算不依赖数据长度；②样本熵参数具有更好的影响一致性，即向量序列深度m和向量序列相似度r的变化对样本熵的影响程度是相同的。由于样本熵减少了对时间序列长度的依赖性以及一致性的提升，使它广泛于特征提取、模态分类以及其他领域。例如：电信号处理，机械故障识别以及信号去噪。该步骤具体如下：

将数据点重构为一组深度为m的向量序列，即X_m(1)，X_m(2)，...，X_m(N-m+1)；其中的无特征点X_m(i)，即从第i个开始连续m个数据点组成向量：

X_m(i)＝{x(i)，x(i+1)，...，x(i+m-1)} 1≤i≤N-m+1 (6)

定义差异函数D[X_m(i),X_m(j)]为向量X_m(i)与X_m(j)中元素的最大差异值的绝对值，即为：

D[X_m(i)，X_m(j)]＝maxD[x(i)-x(j)] i≠j (7)

将从EEMD中分解得到的k个IMF，形成固有模态函数集合IMFs，分别带入差异函数D[X_m(i),X_m(j)]中，当差异函数小于最初设定的向量序列相似度r时，此时保留IMF并命名为差异模态分量P_IMF：

D[X_m(i)，X_m(j)]＜r (r＞0) (8)

得到k个差异模态分量P_IMF，计算每个P_IMF与总距离数之比，得到

即：

求

的平均值，记作平均差异模态分量

描述在m维向量加持下的IMF的匹配序列平均不确定水平，并不表征IMF整体的时间序列复杂性；所以需要在m+1维的辅助下寻找整个IMF的样本熵值，从而确定其时间序列的复杂程度；

将m+1维的向量X_m+1(i)重新组合，计算其差异函数D[X_m+1(i),X_m+1(j)]，得到m+1维的差异模态分量Q_IMF，并计算其平均值

即为：

此时，获得了在同一向量序列相似度下的m维与m+1维相邻差异模态分量的平均值

与

时间序列的样本熵SampEn(m，r)在采样点N趋近无穷大时定义为：

考虑到IMF中的采样点数量不可能无穷大，数据有长度，将IMF输出长度的极限取值可用下式近似估计表示：

此时IMF的样本熵值仍含有两个参数，即向量序列深度m和向量序列相似度r；通过样本熵值得到的IMF的时间序列复杂性可以表征IMF中信号的混乱程度，将得到的IMF对应样本熵值对比被测信号的样本熵值，从而进行区分，分为：可信区间、杂糅区间和噪声区间。

三、最后，经过识别尾梁振动信号的特征量，提取出滚筒截割煤层与岩层时的齿轮运行状态，将各IMF的能量值输入到煤机的控制系统中心，进而调整滚筒的截割高度，实现煤岩截割的智能化操控。

与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于集合经验模态分解的煤岩识别方法，在保证原有数据有效信息被充分利用的基础上，充分挖掘振动信号所反映的滚筒齿轮负载对象，提取煤机井下作业的工作状态特征，利用集合经验模态分解快速有效地提取截割煤层、岩层时表征煤机振动特性的分量，并利用这些特征分量与煤机震动数据源进行比对、分析，从而判断采煤机的当前运行状态。本发明从原理上可以有效避免煤机截割部件的高使用率，降低维护成本，对于提升井下煤机开采效率具有重要意义；通过验证，本发明所设计方法提取垮落煤层、截割煤矸石的振动信号特征分量的准确率达到90％，相较于同类型煤岩识别方法在不更改原有硬件平台的基础上，具有算法上的优越性。

附图说明

图1为本发明的集合经验模态分解算法流程图。

图2为本发明的样本熵值算法流程图。

图3为本发明的集合经验模态分解振动信号流程简图。

图4为经过集合经验模态分解后得到的IMFs与分解余项Q(t)图形。

图5为IMF1有效成分提取后信号还原图。

图6为三种滤波算法效果对比图。

具体实施方式

以下结合具体实施例对本发明作进一步说明。

本实施例以顶煤层垮落的实际情况为例，在这种工况下，液压支架振动检测装置所采集到的振动信号与截割煤矸石时，液压支架振动监测装置所采集到的振动信号在幅值上并无太大差异，振动频率也难以显著区分。且在这两种工况(顶煤垮落与截割煤矸石)下，振动信号的噪声来源具有多样性，这使得信号方差变化不规律，即振动信号在两种工况下具有非线性度强，平稳度差的特征。传统的方法在时域与频域上表征煤岩界面的特征识别，但是识别的准确度有待提升。然而，使用本发明所设计的经验模态分解方法，对顶煤垮落与截割煤矸石两类样本进行信号分析与特征识别，具体的基于集合经验模态分解的煤岩识别方法，如图1所示，包括如下步骤：

一、在采煤机作业过程中，在综放开采区现场采集采煤机尾梁液压支架处振动监测装置所测量的振动数据；步骤一采集到的振动数据满足如下条件：①在整体数据集合中，局部数据区域中的极大值与极小值数目之和与经过零点的数据点数目相等或数目相差不大于1；②在任意的时域点上，局部数据区域的极大值与极小值所定义的上包络线与下包络线的均值应该为0。

二、在得到振动信号后，经过集合经验模态分解方法，将原始数据分解为固有模态分量不同的信号，通过构建基于固有模态分量的垮落煤层特征向量，来提取煤层、岩层的特征信息；通过主动引入高斯白噪声，将被测信号进行多次模态分解，再通过高斯白噪声的统计学特征进行平均计算，得到全新的固有模态函数IMF，具体包括如下步骤：

(1)假设已有被测信号x(t)，加入高斯白噪声序列n(t)，将高斯白噪声序列融入被测信号，得到一个待分析信号s(t)：

s(t)＝x(t)+n(t) (1)

对融入高斯白噪声序列后的待分析信号s(t)进行集合经验模态分解，得到固有模态分量IMF命名为P_1j(t)(j＝1,2,3,…,M)，以及余项Q_1n(t)，得到：

在时域上多次加入规定的高斯白噪声，且每次加入高斯白噪声并不相同，之后再重复进行经验模态分解，则有：

进行多次分解后，可以得到每次分解后IMF，对对应的IMF求平均，由于高斯白噪声序列具有不相关特性，所以对应的统计平均值为0，得到的最终IMF为：

上式中，P_j表示在第j次集合经验模态分解中得到IMF，(i＝1,2,3,…,N，j＝1,2,3,…,M)；将信号重构还原成初始被测信号，即为：

Q(t)为原始信号x(t)经过j次经验模态分解后依然保留的余项；

(2)假设存在N个数据点共同组成一个时间序列{x(n)}＝x(1)，x(2)，x(3)，...，x(N)，采用样本熵来判定这个序列的自我相似性，参数N为时间序列的长度，过程如图2所示：

将数据点重构为一组深度为m的向量序列，即X_m(1)，X_m(2)，...，X_m(N-m+1)；其中的无特征点X_m(i)，即从第i个开始连续m个数据点组成向量：

X_m(i)＝{x(i)，x(i+1)，...，x(i+m-1)} 1≤i≤N-m+1 (6)

定义差异函数D[X_m(i),X_m(j)]为向量X_m(i)与X_m(j)中元素的最大差异值的绝对值，即为：

D[X_m(i),X_m(j)]＝maxD[x(i)-x(j)] i≠j (7)

将从EEMD中分解得到的k个IMF，形成固有模态函数集合IMFs，分别带入差异函数D[X_m(i),X_m(j)]中，当差异函数小于最初设定的向量序列相似度r时，此时保留IMF并命名为差异模态分量P_IMF：

D[X_m(i),X_m(j)]＜r (r＞0) (8)

得到k个差异模态分量P_IMF，计算每个P_IMF与总距离数之比，得到

即：

求

的平均值，记作平均差异模态分量

描述在m维向量加持下的IMF的匹配序列平均不确定水平，并不表征IMF整体的时间序列复杂性；所以在m+1维的辅助下寻找整个IMF的样本熵值，从而确定其时间序列的复杂程度；

将m+1维的向量X_m+1(i)重新组合，计算其差异函数D[X_m+1(i),X_m+1(j)]，得到m+1维的差异模态分量Q_IMF，并计算其平均值

即为：

此时，获得了在同一向量序列相似度下的m维与m+1维相邻差异模态分量的平均值

与

时间序列的样本熵SampEn(m，r)在采样点N趋近无穷大时定义为：

考虑到IMF中的采样点数量不可能无穷大，数据有长度，将IMF输出长度的极限取值可用下式近似估计表示：

此时IMF的样本熵值仍含有两个参数，即向量序列深度m和向量序列相似度r；通过样本熵值得到的IMF的时间序列复杂性可以表征IMF中信号的混乱程度，将得到的IMF对应样本熵值对比被测信号的样本熵值，从而进行区分，分为：可信区间、杂糅区间和噪声区间。

三、最后，经过识别尾梁振动信号的特征量，提取出滚筒截割煤层与岩层时的齿轮运行状态，将各IMF的能量值输入到煤机的控制系统中心，进而调整滚筒的截割高度，实现煤岩截割的智能化操控。

上述方法中，循环添加白噪声的次数m＝10，白噪声标准差与样本标准差的比值为0.3，通过分解原始数据得到5个固有模态函数IMFs，以及最后所剩余项Q(t)如图4所示；由图4可见在被测信号被分解后，固有模态函数IMF1依旧含有复杂成分，整体噪声成分以及趋势并不清晰；固有模态函数IMF2与IMF3含有间歇性噪声成分；固有模态函数IMF4、IMF5信号成分较为清晰，以及余项基本平滑，说明经验模态分解有效。

此时并不能依据信号波形外观特性对其进行分域处理，需要对每个固有模态函数进行依据其样本熵值的分别。将得到的5个固有模态函数IMF带入样本熵值算法，并且通过熵值因子与得到的样本熵值敏感趋势，预估样本熵参数合理取值范围，从而更好体现整体5个固有模态函数样本熵值分布，对其进行合理的分域处理。由样本次熵值分布图，将5个整体固有模态函数进行可信区间、杂糅区间、噪声区间的分域。根据样本熵值的结果，计划对样本熵值最高的，即图中可见含有复杂噪声成分的IMF1进行粒子滤波进行有效成分的提取。对图中可见含有间歇性噪声成分的IMF2进行维纳滤波进行系统线性估计，提取有效成分。

将固有模态函数IMF1数据从整体模态集合中分离，单独进行粒子滤波处理。通过对IMF进行重要性粒子采样，并得到粒子集的权重分布，得到新的后验概率密度函数，再重复进行重要性采样，对采集得到的新粒子集进行权重的归一化处理，直到出现粒子权重趋近于0的情况，即达到有效采样粒子数。得到原始IMF1信息真实状态，后验均值的估计结果以及最终概率密度估计函数对系统状态的估计，如图5所示。

由图6可知，在煤机作业工程中，振动信号的全部5个IMFs序列的分解波形在采样点数为2000-3000以及7000-8000时有明显的冲击分量叠加进来，并在短暂的时间后信号衰减。而顶煤垮落样本的5个IMFs序列的波形在多处有幅值的变化。两类样本的集合经验模态分解结果有明显的区分性，经过分解得到的振动信号分量在幅值和频率特征上均有显著差异。然后，通过熵值因子与得到的样本熵值敏感趋势，预估样本熵参数合理取值范围，从而更好体现整体5个固有模态函数样本熵值分布，对其进行合理的分域处理。进而实现有效成分的提取与信号的还原。

为了说明所提出的一种基于集合经验模态分解的煤岩识别方法，也就是联合滤波算法的优越性，将原始测试信号直接通过维纳滤波与粒子滤波的手段进行降噪分析。将原始测试信号的分析结果与联合滤波算法的结果进行对比。

经过上图三种滤波方法降噪效果的对比，可以看出三种滤波的算法模型对建模的原始测试信号还原趋势相似，没有产生降噪失真的情况。说明三种滤波算法对于原始测试数据的拟合度较高，都具有一定降噪效果。

从降噪水平来看，最下面是维纳滤波的对被测信号的降噪处理，其效果是三种滤波算法中效果最差。维纳滤波根据原始信号与估计信号之间的均方误差进行估计，对线性高斯噪声具有良好的预估滤除的效果，但是测试信号中含有非平稳性较强的非线性噪声成分没有得到很好的滤除效果，仅对抖动噪声进行平滑处理，依旧保留了一些噪声成分，对本发明所提出的高频微弱信号的滤波降噪能力有限。

中间波形为粒子滤波对被测信号的降噪处理，明显滤波效果要优于维纳滤波。粒子滤波基于贝叶斯估计与蒙特卡罗采样对采集的粒子规划权重，通过后验信息的概率密度函数进行重采样。粒子滤波对高频微弱非平稳性的原始信号的滤波能力有限，大量的数据点对通过后验信息概率密度函数进行的重要性采样是一种极大的负担。这种有效成分与噪声成分在微弱信号中的混叠对粒子滤波并不友好，最终有效粒子集中仍有无用粒子保持一定权重，对整体的效果存在一定影响。

本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。

Claims (3)

1.一种基于集合经验模态分解的煤岩识别方法，其特征在于：包括如下步骤：

一、在采煤机作业过程中，在综放开采区现场采集采煤机尾梁液压支架处振动监测装置所测量的振动数据；

二、在得到振动信号后，经过集合经验模态分解方法，将原始数据分解为固有模态分量不同的信号，通过构建基于固有模态分量的垮落煤层特征向量，来提取煤层、岩层的特征信息；

三、最后，经过识别尾梁振动信号的特征量，提取出滚筒截割煤层与岩层时的齿轮运行状态，将各IMF的能量值输入到煤机的控制系统中心，进而调整滚筒的截割高度，实现煤岩截割的智能化操控。

2.根据权利要求1所述的一种基于集合经验模态分解的煤岩识别方法，其特征在于：步骤一采集到的振动数据满足如下条件：①在整体数据集合中，局部数据区域中的极大值与极小值数目之和与经过零点的数据点数目相等或数目相差不大于1；②在任意的时域点上，局部数据区域的极大值与极小值所定义的上包络线与下包络线的均值为0。

3.根据权利要求1所述的一种基于集合经验模态分解的煤岩识别方法，其特征在于：步骤二：通过主动引入高斯白噪声，将被测信号进行多次模态分解，再通过高斯白噪声的统计学特征进行平均计算，得到全新的固有模态函数IMF，具体包括如下步骤：

(1)假设已有被测信号x(t)，加入高斯白噪声序列n(t)，将高斯白噪声序列融入被测信号，得到一个待分析信号s(t)：

s(t)＝x(t)+n(t) (1)

对融入高斯白噪声序列后的待分析信号s(t)进行集合经验模态分解，得到固有模态分量IMF命名为P_1j(t)(j＝1，2，3，…，M)，以及余项Q_1n(t)，得到：

在时域上多次加入规定的高斯白噪声，且每次加入高斯白噪声并不相同，之后再重复进行经验模态分解，则有：

进行多次分解后，可以得到每次分解后IMF，对对应的IMF求平均，由于高斯白噪声序列具有不相关特性，所以对应的统计平均值为0，得到的最终IMF为：

上式中，P_j表示在第j次集合经验模态分解中得到IMF，(i＝1，2，3，…，N，j＝1，2，3，…，M)；将信号重构还原成初始被测信号，即为：

Q(t)为原始信号x(t)经过j次经验模态分解后依然保留的余项；

(2)假设存在N个数据点共同组成一个时间序列{x(n)}＝x(1)，x(2)，x(3)，...，x(N)，采用样本熵来判定这个序列的自我相似性，参数N为时间序列的长度：

将数据点重构为一组深度为m的向量序列，即X_m(1)，X_m(2)，...，X_m(N-m+1)；其中的无特征点X_m(i)，即从第i个开始连续m个数据点组成向量：

X_m(i)＝{x(i)，x(i+1)，...，x(i+m-1)}1≤i≤N-m+1 (6)

定义差异函数D[X_m(i)，X_m(j)]为向量X_m(i)与X_m(j)中元素的最大差异值的绝对值，即为：

D[X_m(i)，X_m(j)]＝nmxD[x(i)-x(j)]i≠j (7)

将从EEMD中分解得到的k个IMF，形成固有模态函数集合IMFs，分别带入差异函数D[X_m(i)，X_m(j)]中，当差异函数小于最初设定的向量序列相似度r时，此时保留IMF并命名为差异模态分量P_IMF：

D[X_m(i)，X_m(j)]＜r(r＞0) (8)

得到k个差异模态分量P_IMF，计算每个P_IMF与总距离数之比，得到

即：

求

的平均值，记作平均差异模态分量

描述在m维向量加持下的IMF的匹配序列平均不确定水平，并不表征IMF整体的时间序列复杂性；所以在m+1维的辅助下寻找整个IMF的样本熵值，从而确定其时间序列的复杂程度；

将m+1维的向量X_m+1(i)重新组合，计算其差异函数D[X_m+1(i)，X_m+1(j)]，得到m+1维的差异模态分量Q_IMF，并计算其平均值

即为：

此时，获得了在同一向量序列相似度下的m维与m+1维相邻差异模态分量的平均值

与

时间序列的样本熵SampEn(m，r)在采样点N趋近无穷大时定义为：

考虑到IMF中的采样点数量不可能无穷大，数据有长度，将IMF输出长度的极限取值可用下式近似估计表示：

此时IMF的样本熵值仍含有两个参数，即向量序列深度m和向量序列相似度r.通过样本熵值得到的IMF的时间序列复杂性可以表征IMF中信号的混乱程度，将得到的IMF对应样本熵值对比被测信号的样本熵值，从而进行区分，分为：可信区间、杂糅区间和噪声区间。

Images