[發明專利]一種改進型局部均值分解方法

在審

• 申請號: 201711009198.X
• 申請日: 2017-10-25
• 公開（公告）號: CN107886111A
• 公開（公告）日: 2018-04-06
• 發明（設計）人: 賈林山;張慶;何小高;姚普林
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安智大知識產權代理事務所61215
• 代理人: 賀建斌

技術領域

本發明屬于局部均值分解方法技術領域，具體涉及一種改進型局部均值分解方法。

背景技術

局部均值分解方法(Local Mean Decomposition,LMD)可以將多分量分解為若干個單分量的調幅-調頻信號之和，并可以得到各個分量的瞬時頻率，瞬時幅值，從而可以得到原始信號完整的時頻分布，非常適合于處理多分量的調幅-調頻信號(程軍圣，楊宇，于德介.一種新的時頻分析方法—局部均值分解方法[J].振動與沖擊，2008,27(S):129-131.)。然而，在實際計算過程中，由于LMD方法要求使用滑動平均法生成局部均值函數和包絡函數，運算量極大，存在運算速度慢、迭代時間長、相位偏移、分解精度差、收斂成功率低等缺點，限制了LMD方法在實際工程中的應用。

經驗模態分解(Empirical Mode Decomposition,EMD)是和局部均值分解類似的一種自適應的信號分解方法(Huang N E,Shen Z,Long S R,et al.The Empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis.Proc.R.Soc.Lond.A,1998:903-995)，該方法使用三次樣條對信號極值點插值獲取信號局部均值，算法效率高但是存在過包絡、欠包絡等問題。同時，已有學者將EMD分解中的包絡思想應用到LMD的改進當中(胡勁松，楊世錫，任達千.基于樣條的振動信號局域均值分解方法[J].數據采集與處理，2009,24(1):82-86.)，但由于前述三次樣條本身的缺陷使得其在某些情形下影響了LMD的收斂，而經典LMD方法中的滑動平均法可以較好的解決三次樣條的過包絡和欠包絡問題(Jonathan S.Smith,The local mean decomposition and its application to EEG perception data,J.R.Soc.Interface 2(5),2005:443–454.)。

目前還未見有同時結合樣條插值法和滑動平均法求取局部均值函數和包絡函數的有關報道。

發明內容

為了克服上述現有技術的缺點，本發明的目的在于提供一種改進型局部均值分解方法，可以有效提高LMD方法的運算速度、分解精度以及收斂成功率。

為了實現上述目的，本發明采取的技術方案是：

一種改進型局部均值分解方法，包括以下步驟：

1)確定原始信號x(t)所有的局部極值點n_i，其中局部極大值點為MaxE_i，局部極小值點為MinE_i；

2)把原始信號x(t)的局部極大值點MaxE_i進行三次樣條插值，形成上包絡函數env_max(t)，把原始信號x(t)的局部極小值點MinE_i進行三次樣條插值，形成下包絡函數env_min(t)；設定選擇指標Z，Z＝env_max(t)-env_min(t)；

如果滿足Z＞0，則局部均值函數m₁₁(t)和包絡估計函數a₁₁(t)分別為：

如果不滿足Z>0，計算局部均值m_i，即：

然后計算局部幅值a_i，即：

使用最近鄰插值方法將局部均值m_i和局部幅值a_i進行插值，使用滑動平均方法將最近鄰插值結果進行平滑，直到任何一個采樣點與其相鄰兩側的采樣點數值不一致為止，最終得到局部均值函數m₁₁(t)和包絡估計函數a₁₁(t)；

3)將局部均值函數m₁₁(t)從原始信號x(t)中分離出來，得到：

h₁₁(t)＝x(t)-m₁₁(t)

4)用h₁₁(t)除以包絡估計函數a₁₁(t)，從而對h₁₁(t)進行解調，得到：

s₁₁(t)＝h₁₁(t)/a₁₁(t)