專利名稱：一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信號分析與處理技術(shù)領(lǐng)域，具體涉及一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法。

背景技術(shù)：
工程實(shí)踐中要處理的數(shù)據(jù)或信號多是非線性、非平穩(wěn)的，如地震振動數(shù)據(jù)、電網(wǎng)波動數(shù)據(jù)、股票波動數(shù)據(jù)、建筑結(jié)構(gòu)損傷監(jiān)測數(shù)據(jù)和設(shè)備故障特征監(jiān)測數(shù)據(jù)等。目前多采用集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD的方法對非線性非平穩(wěn)信號進(jìn)行處理，在使用常規(guī)的EEMD方法對非線性非平穩(wěn)信號進(jìn)行處理時(shí)添加的噪聲振幅和集合數(shù)尚不確定，添加的噪聲振幅的幅度越小，原始信號分解后的結(jié)果越精確，但是如果添加的噪聲振幅的幅度太小，噪聲不足以激活原始信號，從而不能很好的解決模態(tài)混淆問題；反之，如果添加的噪聲振幅a的幅度太大，根據(jù)

為保證分解誤差e滿足精度要求，集合數(shù)P必須選取的較大，然而隨著集合數(shù)的增加，計(jì)算量呈線性增加。目前使用常規(guī)的EEMD方法對非線性非平穩(wěn)信號進(jìn)行處理時(shí)無法同時(shí)實(shí)現(xiàn)分解精度高且計(jì)算量小。


發(fā)明內(nèi)容
為了解決使用常規(guī)的EEMD方法對非線性非平穩(wěn)信號進(jìn)行處理時(shí)無法同時(shí)實(shí)現(xiàn)分解精度高且計(jì)算量小的問題，本發(fā)明提供一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法。
本發(fā)明的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，具體為 步驟一設(shè)置用于集合經(jīng)驗(yàn)?zāi)B(tài)分解的初始值、分解誤差預(yù)設(shè)差值和分解誤差最大差值，所述初始值包括集合數(shù)初始值P0和噪聲振幅初始值a0，并利用所述初始值計(jì)算集合數(shù)初始值P0下的分解誤差初始值e0，0； 步驟二向待分解信號加入噪聲振幅為au的白噪聲，對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，得到內(nèi)固模態(tài)函數(shù)矩陣，并依據(jù)內(nèi)固模態(tài)函數(shù)矩陣求得前一次分解誤差eu，v和本次分解誤差eu+1，v，v表示第v個(gè)集合數(shù)，u表示在集合數(shù)Pv下的第u次迭代； 步驟三比較本次分解誤差eu+1，v與前一次分解誤差eu，v，當(dāng)本次分解誤差eu+1，v小于前一次分解誤差eu，v時(shí)，根據(jù)公式

計(jì)算新噪聲振幅au+1，重復(fù)步驟二進(jìn)行下一次迭代，直至獲得的本次分解誤差eu+1，v大于或等于前一次分解誤差eu，v時(shí)，將所述前一次分解誤差eu，v作為集合數(shù)Pv下的最佳分解誤差ev*，u＝0，1，2……N； 步驟四設(shè)置集合數(shù)Pv+1，并利用噪聲振幅初始值a0，計(jì)算集合數(shù)Pv+1下的分解誤差初始值e0，v+1，重復(fù)步驟二和步驟三獲得集合數(shù)Pv+1下的最佳分解誤差ev+1，并計(jì)算相鄰兩次分解誤差差值

v＝0，1，2……N； 步驟五比較相鄰兩次分解誤差差值Δe和分解誤差預(yù)設(shè)差值，當(dāng)相鄰兩次分解誤差差值Δe大于或等于分解誤差預(yù)設(shè)差值時(shí)，重復(fù)步驟四進(jìn)行下一次迭代，直至相鄰兩次分解誤差差值Δe小于分解誤差預(yù)設(shè)差值時(shí)，具有激勵(lì)噪聲添加集合數(shù)和添加振幅選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解完畢。
本發(fā)明的有益效果為本發(fā)明的集合數(shù)和噪聲振幅的參數(shù)選擇分別按照集合數(shù)由小到大、噪聲振幅的幅度由大到小的逐次逼近的參數(shù)確定方法，集合數(shù)按倍數(shù)增加，在給定集合數(shù)情況下，噪聲振幅的幅度采用按下確界方向逐步逼近的方法確定，實(shí)現(xiàn)了EEMD分解精度高、避免了模態(tài)混淆且計(jì)算量小。



圖1是本發(fā)明的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法的流程圖；圖2是具體實(shí)施方式
五中待分解語音信號示意圖；圖3-圖6是使用常規(guī)EEMD方法對待分解語音信號進(jìn)行處理的語音信號分解結(jié)果示意圖，其中，常規(guī)集合數(shù)P為1000，常規(guī)噪聲振幅a為原信號最大振幅的0.2倍；圖7-圖10是使用具體實(shí)施方式
五對待分解語音信號進(jìn)行處理的語音信號分解結(jié)果示意圖。

具體實(shí)施例方式具體實(shí)施方式
一根據(jù)說明書附圖1具體說明本實(shí)施方式，本實(shí)施方式所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，所述分解方法為 步驟一設(shè)置用于集合經(jīng)驗(yàn)?zāi)B(tài)分解的初始值、分解誤差預(yù)設(shè)差值和分解誤差最大差值，所述初始值包括集合數(shù)初始值P0和噪聲振幅初始值a0，并利用所述初始值計(jì)算集合數(shù)初始值P0下的分解誤差初始值e0，0； 步驟二向待分解信號加入噪聲振幅為au的白噪聲，對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，得到內(nèi)固模態(tài)函數(shù)矩陣，并依據(jù)內(nèi)固模態(tài)函數(shù)矩陣求得前一次分解誤差eu，v和本次分解誤差eu+1，v，v表示第v個(gè)集合數(shù)，u表示在集合數(shù)Pv下的第u次迭代； 步驟三比較本次分解誤差eu+1，v與前一次分解誤差eu，v，當(dāng)本次分解誤差eu+1，v小于前一次分解誤差eu，v時(shí)，根據(jù)公式

計(jì)算新噪聲振幅au+1，重復(fù)步驟二進(jìn)行下一次迭代，直至獲得的本次分解誤差eu+1，v大于或等于前一次分解誤差eu，v時(shí)，將所述前一次分解誤差eu，v作為集合數(shù)Pv下的最佳分解誤差ev*，u＝0，1，2……N； 步驟四設(shè)置新集合數(shù)Pv+1，并利用噪聲振幅初始值a0，計(jì)算新集合數(shù)Pv+1下的分解誤差初始值e0，v+1，重復(fù)步驟二和步驟三獲得集合數(shù)Pv+1下的最佳分解誤差ev+1，并計(jì)算相鄰兩次分解誤差差值

v＝0，1，2……N； 步驟五比較相鄰兩次分解誤差差值Δe和分解誤差預(yù)設(shè)差值，當(dāng)相鄰兩次分解誤差差值Δe大于或等于分解誤差預(yù)設(shè)差值時(shí)，重復(fù)步驟四進(jìn)行下一次迭代，直至相鄰兩次分解誤差差值Δe小于分解誤差預(yù)設(shè)差值時(shí)，具有激勵(lì)噪聲添加集合數(shù)和添加振幅選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解完畢。
具體實(shí)施方式
二本實(shí)施方式是對具體實(shí)施方式
一所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法的進(jìn)一步說明，具體實(shí)施方式
一中步驟一中所述的集合數(shù)初始值P0選為2，噪聲振幅初始值a0選為待分解信號最大振幅的1/2。
具體實(shí)施方式
三本實(shí)施方式是對具體實(shí)施方式
一所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法的進(jìn)一步說明，具體實(shí)施方式
一中步驟二中所述的對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，得到內(nèi)固模態(tài)函數(shù)矩陣，并依據(jù)內(nèi)固模態(tài)函數(shù)矩陣求得前一次分解誤差eu，v和本次分解誤差eu+1，v的具體過程為 對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，獲得Pv組內(nèi)固模態(tài)函數(shù)序列cij(tk)和一組最終的內(nèi)固模態(tài)函數(shù)序列ci(tk)，i＝1，Λ，n，j＝1，Λ，Pv，k＝1，Λ，L，L為分解數(shù)據(jù)的長度，通過公式一計(jì)算前一次分解誤差eu，v 公式一 其中， 對于每一組內(nèi)固模態(tài)函數(shù)序列cij(tk)，在Pv次集合經(jīng)驗(yàn)?zāi)B(tài)分解中，按照分解時(shí)間tk和集合數(shù)Pv寫成L列Pv行的內(nèi)固模態(tài)函數(shù)矩陣，從所述內(nèi)固模態(tài)函數(shù)矩陣的每列中找出最接近該列最終內(nèi)固模態(tài)函數(shù)ci(tk)的cim(tk)，用所得的n個(gè)內(nèi)固模態(tài)函數(shù)序列按公式二重新計(jì)算分解誤差eu+1，v 公式二 其中， 具體實(shí)施方式
四本實(shí)施方式是對具體實(shí)施方式
一所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法的進(jìn)一步說明，具體實(shí)施方式
一中步驟四中所述的設(shè)置新集合數(shù)Pv+1的方法為Pv+1＝2SPv，S為自然數(shù)。
具體實(shí)施方式
五本實(shí)施方式是對具體實(shí)施方式
四所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法的進(jìn)一步說明，具體實(shí)施方式
四中S＝1。
針對本實(shí)施方式，進(jìn)行實(shí)例分析 實(shí)施例為要分解一段語音信號，該語音信號來源于柏林語音信號中心，其網(wǎng)址為http://pascal.kgw.tu-berlin.de/emodb/index-1024.html，該段語音信號的含義是，用德語平和語氣表達(dá)“桌布是放在冰箱上的”。
待分解語音信號如圖2所示，所述待分解語音信號的橫坐標(biāo)是時(shí)間，其單位是秒(s)，待分解語音信號的縱坐標(biāo)是聲音幅度，其單位是100分貝(100dB)，即縱坐標(biāo)幅度為1表示100dB。
從圖2中可知，待分解語音信號幅度的最大峰峰值是1。
在步驟一中，分解誤差預(yù)設(shè)差值小于5‰，分解誤差最大差值為500，所述分解誤差最大差值500為相鄰兩次分解誤差差值Δe的一個(gè)充分大的初值； 在步驟二中，向待分解語音信號加入噪聲振幅為a的白噪聲，進(jìn)行EMD分解，得到P組IMF序列cij(tk)，i＝1，Λ，n，j＝1，Λ，P，k＝1，Λ，L，并按照公式一求得前一次分解誤差eu，另外將不同噪聲加入次數(shù)的每一個(gè)內(nèi)固模態(tài)序列寫成矩陣形式，共L列P行，求IMF的集合均值

即相同內(nèi)固模態(tài)函數(shù)、相同時(shí)刻、不同添加噪聲情況下的均值；比較IMF系數(shù)矩陣中同一時(shí)刻不同行(即不同添加噪聲獲得的分解系數(shù))的cij(tk)(j＝1，Λ，P)與該列均值ci(tk)，得到每列最接近c(diǎn)i(tk)的cim(tk)，并按公式二求得本次分解誤差eu+1，v； 在步驟三中，比較本次分解誤差eu+1，v與前一次分解誤差eu，v，當(dāng)本次分解誤差eu+1，v小于前一次分解誤差eu，v時(shí)，根據(jù)公式

計(jì)算新噪聲振幅au+1，重復(fù)步驟二進(jìn)行下一次迭代，直至獲得的本次分解誤差eu+1，v大于或等于前一次分解誤差eu，v時(shí)，將所述前一次分解誤差eu，v作為集合數(shù)Pv下的最佳分解誤差ev*，u＝0，1，2……N； 在步驟四中，設(shè)置新集合數(shù)Pv+1，并利用噪聲振幅初始值a0，計(jì)算新集合數(shù)Pv+1下的分解誤差初始值e0，v+1，重復(fù)步驟二和步驟三獲得新集合數(shù)Pv+1下的最佳分解誤差ev+1，并計(jì)算相鄰兩次分解誤差差值
在步驟五中，比較相鄰兩次分解誤差差值Δe和分解誤差預(yù)設(shè)差值5‰，當(dāng)相鄰兩次分解誤差差值Δe大于或等于分解誤差預(yù)設(shè)差值5‰時(shí)，重復(fù)步驟四直至相鄰兩次分解誤差差值Δe小于分解誤差預(yù)設(shè)差值5‰時(shí)，具有激勵(lì)噪聲添加集合數(shù)和添加振幅選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解完畢，此時(shí)得到的集合數(shù)和噪聲振幅為集合經(jīng)驗(yàn)?zāi)B(tài)分解的激勵(lì)噪聲添加參數(shù)。
圖4和圖5分別給出了采用常規(guī)EEMD參數(shù)P＝1000，a＝0.2和采用本發(fā)明方法的最終分解結(jié)果。分解后原始信號和前三個(gè)IMF，圖中第一個(gè)圖為原始信號，第二到四個(gè)圖分別為EEMD分解的前三個(gè)IMF。從圖4和圖5可以看出在解決模態(tài)混淆現(xiàn)象的條件下，本發(fā)明方法的分解精度與常規(guī)方法基本相同。
表1列出了按照本發(fā)明所給方法進(jìn)行分解的過程。表中次序表示分解的次序，P為集合數(shù)亦即添加噪聲的次數(shù)，a為添加噪聲的幅度值，t為分解過程運(yùn)算時(shí)間，e為分解誤差，e*為某集合數(shù)情況下最佳的分解誤差，Δe為不同集合數(shù)情況下最佳分解誤差的查。從表1來看，通過23次分解，最終確定參數(shù)P＝16，所加入噪聲振幅a＝0.015032dB，按此參數(shù)實(shí)現(xiàn)分解的運(yùn)算時(shí)間為t＝378.104523秒，最終分解誤差e＝0.0035381dB，與P＝8時(shí)分解誤差的差為Δe＝0.0049089dB，滿足事先給定的兩次分解誤差的差Δe小于5‰的要求，分解結(jié)束。
圖3表示使用常規(guī)的EEMD方法分解后語音信號，圖4、5和6表示使用常規(guī)的EEMD方法分解的前三個(gè)IMF；圖7表示使用具體實(shí)施方式
五方法分解后語音信號，圖8、9和10表示使用具體實(shí)施方式
五方法分解的前三個(gè)IMF。
表1列出了按照本具體實(shí)施方式
五所給方法進(jìn)行分解的過程。表中次序表示分解的次序，P為集合數(shù)亦即添加噪聲的次數(shù)，a為添加噪聲的幅度值，t為分解過程運(yùn)算時(shí)間，e為分解誤差，e*為某集合數(shù)情況下最佳的分解誤差，Δe為不同集合數(shù)情況下最佳分解誤差的查。從表1來看，通過23次分解，最終確定參數(shù)P＝16，所加入噪聲振幅a＝0.015032dB，按此參數(shù)實(shí)現(xiàn)分解的運(yùn)算時(shí)間為t＝378.104523秒，最終分解誤差e＝0.0035381dB，與P＝8時(shí)分解誤差的差為Δe＝0.0049089dB，滿足事先給定的兩次分解誤差的差Δe小于預(yù)設(shè)誤差差值5‰的要求，分解結(jié)束。
表1


表2列出了本具體實(shí)施方式
五的方法與常規(guī)EEMD方法以及原始EMD方法在模態(tài)是否混淆、集合數(shù)P、添加噪聲幅度a、分解誤差e以及運(yùn)行時(shí)間t的比較。從表2可以看出，在分解精度保持的條件下，本發(fā)明的方法極大地縮短了分解運(yùn)算時(shí)間。
表2 表1和表2中的運(yùn)行時(shí)間是在如下配置的計(jì)算機(jī)上，采用Matlab 7.1軟件運(yùn)行得到的。
計(jì)算機(jī)配置CPUAMD Turion 64×2主頻1.60GHz，內(nèi)存1G。
綜上所述，對于EEMD的應(yīng)用，本發(fā)明所給的添加噪聲參數(shù)選取方法，可以在保持分解精度的條件下，大為降低分解時(shí)間。
權(quán)利要求
1.一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，其特征在于所述分解方法為
步驟一設(shè)置用于集合經(jīng)驗(yàn)?zāi)B(tài)分解的初始值、分解誤差預(yù)設(shè)差值和分解誤差最大差值，所述初始值包括集合數(shù)初始值P0和噪聲振幅初始值a0，并利用所述初始值計(jì)算集合數(shù)初始值P0下的分解誤差初始值E0，0；
步驟二向待分解信號加入噪聲振幅為au的白噪聲，對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，得到內(nèi)固模態(tài)函數(shù)矩陣，并依據(jù)內(nèi)固模態(tài)函數(shù)矩陣求得前一次分解誤差eu，v和本次分解誤差eu+1，v，v表示第v個(gè)集合數(shù)，u表示在集合數(shù)Pv下的第u次迭代；
步驟三比較本次分解誤差eu+1，v與前一次分解誤差eu，v，當(dāng)本次分解誤差eu+1，v小于前一次分解誤差eu，v時(shí)，根據(jù)公式
計(jì)算新噪聲振幅au+1，重復(fù)步驟二進(jìn)行下一次迭代，直至獲得的本次分解誤差eu+1，v大于或等于前一次分解誤差eu，v時(shí)，將所述前一次分解誤差eu，v作為集合數(shù)Pv下的最佳分解誤差ev*，u＝0，1，2……N；
步驟四設(shè)置集合數(shù)Pv+1，并利用噪聲振幅初始值a0，計(jì)算集合數(shù)Pv+1下的分解誤差初始值e0，v+1，重復(fù)步驟二和步驟三獲得集合數(shù)Pv+1下的最佳分解誤差ev+1*，并計(jì)算相鄰兩次分解誤差差值
v＝0，1，2……N；
步驟五比較相鄰兩次分解誤差差值Δe和分解誤差預(yù)設(shè)差值，當(dāng)相鄰兩次分解誤差差值Δe大于或等于分解誤差預(yù)設(shè)差值時(shí)，重復(fù)步驟四進(jìn)行下一次迭代，直至相鄰兩次分解誤差差值Δe小于分解誤差預(yù)設(shè)差值時(shí)，具有激勵(lì)噪聲添加集合數(shù)和添加振幅選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解完畢。
2.根據(jù)權(quán)利要求1所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，其特征在于步驟一中所述的集合數(shù)初始值P0選為2，噪聲振幅初始值a0選為待分解信號最大振幅的1/2。
3.根據(jù)權(quán)利要求1所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，其特征在于步驟二中所述的對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，得到內(nèi)固模態(tài)函數(shù)矩陣，并依據(jù)內(nèi)固模態(tài)函數(shù)矩陣求得前一次分解誤差eu，v和本次分解誤差eu+1，v的具體過程為
對待分解信號進(jìn)行集合數(shù)Pv下的集合經(jīng)驗(yàn)?zāi)B(tài)分解，獲得Pv組內(nèi)固模態(tài)函數(shù)序列cij(tk)和一組最終的內(nèi)固模態(tài)函數(shù)序列ci(tk)，i＝1，Λ，n，j＝1，Λ，Pv，k＝1，Λ，L，L為分解數(shù)據(jù)的長度，通過公式一計(jì)算前一次分解誤差eu，v
公式一
其中，
對于每一組內(nèi)固模態(tài)函數(shù)序列cij(tk)，在Pv次集合經(jīng)驗(yàn)?zāi)B(tài)分解中，按照分解時(shí)間tk和集合數(shù)Pv寫成L列Pv行的內(nèi)固模態(tài)函數(shù)矩陣，從所述內(nèi)固模態(tài)函數(shù)矩陣的每列中找出最接近該列最終內(nèi)固模態(tài)函數(shù)ci(tk)的cim(tk)，用所得的n個(gè)內(nèi)固模態(tài)函數(shù)序列按公式二重新計(jì)算分解誤差eu+1，v
公式二
其中，
4.根據(jù)權(quán)利要求1所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，其特征在于步驟四中所述的設(shè)置集合數(shù)Pv+1的方法為Pv+1＝2sPv，S為自然數(shù)。
5.根據(jù)權(quán)利要求4所述的一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，其特征在于S＝1。
全文摘要
一種具有激勵(lì)噪聲添加參數(shù)選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解方法，它涉及信號分析與處理技術(shù)領(lǐng)域。它解決了使用常規(guī)的EEMD方法對非線性非平穩(wěn)信號進(jìn)行處理時(shí)無法同時(shí)實(shí)現(xiàn)分解精度高且計(jì)算量小的問題，本發(fā)明的步驟為一、設(shè)置集合數(shù)和噪聲振幅的初始值；二、對信號進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解，得到內(nèi)固模態(tài)函數(shù)矩陣；三、求得分解誤差下界，與前次結(jié)果比較，判斷分解誤差是否減小以便確定是否還要進(jìn)一步減小噪聲振幅；四、改變集合數(shù)，獲得新集合數(shù)下的分解誤差；五、比較分解誤差，使EEMD的分解誤差差值小于預(yù)設(shè)分解誤差差值，停止分解，具有激勵(lì)噪聲添加集合數(shù)和添加振幅選取功能的集合經(jīng)驗(yàn)?zāi)B(tài)分解完畢。本發(fā)明適用于非線性、非平穩(wěn)信號處理。
文檔編號G06F17/00GK101763336SQ201010032480
公開日2010年6月30日 申請日期2010年1月18日 優(yōu)先權(quán)日2010年1月18日
發(fā)明者沈毅, 沈志遠(yuǎn) 申請人:哈爾濱工業(yè)大學(xué)