论文部分内容阅读
希尔伯特-黄变换(Hilbert-Huang Transform,HHT)作为一种非线性非平稳数据分析方法,由经验模态分解(Empirical Mode Decomposition,EMD)和希尔伯特谱分析(Hilbert Spectrum Analysis,HSA)组成。EMD被称为一个“筛选”过程,它将任意一个信号分解成有限个内禀模态函数(Intrinsic Mode Function,IMF),其结果特别适合于由HAS求取瞬时频率。我们将HHT用于波间和波内变频信号检测。仿真实验发现,HHT分析不仅能够找到信号的奇异点,而且能够精确地检测出频率的改变量,相比于小波分解检测波间变频信号和傅里叶分析分析波内变频信号,HHT有明显的优势。为了解决由EMD所产生的模态混淆(Mode Mixing,MM)现象,一种噪声辅助的方法——集合经验模态分解( Ensemble Empirical Mode Decomposition ,EEMD)被提出。然而集合数和所添加噪声的振幅两个参数在分解前需要确定。我们提出一种EEMD参数选择算法:准梯度搜索(Quasi-Gradient Search,QGS)。QGS首先倍增的选择集合数。其次,在每个集合数下,我们估计了分解误差准梯度方向,QGS迭代地得到了此集合数下最佳添加噪声振幅。仿真实验验证了QGS是快速的、高效的、易操作的。相比于EEMD,QGS在保持误差一定条件下,极大地缩短了计算时间。由于需要对HHT分解得到的IMF进行评价和比较,因此我们引入一种非线性相关度量方法。基于之前提出的非线性数据评价方法:非线性相关系数(Nonlinear Correlation Coefficient,NCC),本文研究了变量改变对非线性相关系数的影响。首先,当变量对的分布改变时,非零网格数的增加导致NCC减小;并且均分网格情况下导致最小的NCC。其次,当变量对的采样同分布的增加时,我们推导了方便NCC计算的数学公式,并证明由于NCC考虑了变量之间的整体分布,NCC为变量分布的增函数。Lorenz系统和线性自回归系统的仿真实验表明了上述理论的有效性。在实际应用中,超声信号往往会被一种“喇叭形”噪声所污染。本文结合EEMD和非线性相关信息分析提出一种去除此类噪声的方法。通过对超声信号进行EEMD分解,我们计算了每个IMF与原始信号的NCC以及IMF组合的NCIE,适当的选取了IMF组合,最终成功地去除了超声“喇叭形”噪声。