EMD算法的改進及其在非平穩(wěn)信號處理中的應(yīng)用.pdf

1、非平穩(wěn)信號的分析與處理在實際應(yīng)用中占據(jù)著非常重要的地位，在處理這類信號時，傳統(tǒng)的時頻分析方法有短時傅里葉變換、小波變換、Wigner-Ville分布等，但它們從本質(zhì)上來講都還是擺脫不了傅里葉變換的約束，在分析非平穩(wěn)信號時具有一定的局限性。Hilbert-Huang變換是美國國家宇航局的科學(xué)家NordenE.Huang等人在1998年提出的一種具有自適應(yīng)性的新型信號處理方法，特別適用于非線性、非平穩(wěn)信號的分析和處理，它由經(jīng)驗?zāi)B(tài)分解(EM

2、D)和Hilbert變換兩大部分構(gòu)成。
　　本文在對EMD算法進行深入研究的基礎(chǔ)上對其存在的端點效應(yīng)問題進行了改進，并將改進后的EMD算法應(yīng)用在非平穩(wěn)信號處理中。以軸承故障信號的特征提取和太陽黑子時間序列的預(yù)測這兩種非平穩(wěn)信號為例來進行研究。具體內(nèi)容如下:
　　(1)針對EMD分解中存在的端點效應(yīng)，在對現(xiàn)有的信號延拓算法進行總結(jié)的基礎(chǔ)上，采用了一種基于波形匹配法和窗函數(shù)相結(jié)合的算法，改進算法充分利用了二者的優(yōu)勢，有效地抑制了

3、端點效應(yīng)，提高了分解精度。
　　(2)為了更好地準(zhǔn)確提取出軸承故障頻率，將改進的小波閾值去噪方法與EMD分解相結(jié)合應(yīng)用在滾動軸承的故障診斷中。首先利用改進的小波去噪法對軸承故障信號進行去噪以便獲得更好的去噪效果，然后采用EMD方法將去噪后的信號自適應(yīng)地分解成一系列IMF分量，最后通過能量和相關(guān)系數(shù)相結(jié)合的方法準(zhǔn)確選取能夠反映故障特征的IMF分量進行包絡(luò)譜分析，進而提取出故障頻率。實驗結(jié)果表明該方法能夠使故障特征頻率處的譜峰更加明顯

4、，提高分析的準(zhǔn)確性。
　　(3)為了更好地對太陽黑子時間序列進行預(yù)測，將EMD分解和組合預(yù)測模型方法相結(jié)合運用到太陽黑子時間序列的預(yù)測中。首先將經(jīng)過去噪處理后的太陽黑子序列通過EMD分解進行處理，將其分解為一系列相對平穩(wěn)的IMF分量，然后針對高頻分量相對較復(fù)雜而低頻分量和余項規(guī)律性較強的特點，對低頻分量及余項選擇RBF模型進行預(yù)測，對高頻分量采用SVM模型進行預(yù)測，最后將各個分量的預(yù)測值相疊加得到最終預(yù)測值。仿真結(jié)果表明EMD分解