劉玫星

（湖南郵電職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理系，湖南長(zhǎng)沙410015）

經(jīng)驗(yàn)?zāi)B(tài)分解的端點(diǎn)問(wèn)題數(shù)值處理方法研究

劉玫星

（湖南郵電職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理系，湖南長(zhǎng)沙410015）

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）是由Huang等發(fā)展的一種新的數(shù)據(jù)分析方法，但在利用樣條插值獲得上下包絡(luò)過(guò)程中存在著棘手的端點(diǎn)問(wèn)題。文章在該問(wèn)題已有解決方法的基礎(chǔ)上，提出了基于極值點(diǎn)單調(diào)性一致的EMD端點(diǎn)問(wèn)題處理方法。根據(jù)信號(hào)的極值序列查找與數(shù)據(jù)末端極值的差值和同時(shí)具備最小、單調(diào)性一致且在單調(diào)性內(nèi)的點(diǎn)數(shù)相等三個(gè)條件的極值序列，進(jìn)而構(gòu)造方程組進(jìn)行極值預(yù)測(cè)。通過(guò)與其他兩種方法的對(duì)比驗(yàn)證，證明了提出的方法可以有效抑制端點(diǎn)效應(yīng)。

EMD端點(diǎn)問(wèn)題；極值點(diǎn)；單調(diào)性一致

1998年，Huang等人在瞬時(shí)頻率的研究中，提出了希爾伯特黃變換方法，即：HHT；隨后對(duì)該方法進(jìn)行了改進(jìn)，使其分解精度提高；接著對(duì)相關(guān)的準(zhǔn)則進(jìn)行了完善，給出了一種高尺度分辨率的改進(jìn)方法。該方法根據(jù)信號(hào)本身具有的特征時(shí)間尺度，第一次提出了本征模態(tài)函數(shù)（tmf）概念以及將信號(hào)分解為固有模態(tài)的方法，即：EMD方法［1］。隨著研究的深入，EMD方法被運(yùn)用到越來(lái)越多的領(lǐng)域中，EMD方法分解質(zhì)量也就受到廣泛的關(guān)注；EMD方法分解是用上下極值點(diǎn)的三次樣條插補(bǔ)擬合均值來(lái)獲得分解信號(hào)，但是采用三次樣條插補(bǔ)方法存在特殊的端點(diǎn)效應(yīng)，嚴(yán)重的會(huì)影響到信號(hào)分解的層數(shù)和端部信號(hào)的污染。由此，陳忠、鄭時(shí)雄提出了通過(guò)在其兩端添加極值點(diǎn)的方法來(lái)抑制端點(diǎn)效應(yīng)，該方法利用端點(diǎn)處三分之一數(shù)據(jù)時(shí)間間隔均值作為時(shí)間軸上的延伸和兩端點(diǎn)幅值或全局統(tǒng)計(jì)平均幅值作為附加極值，由于附加極值預(yù)測(cè)采用的是兩端點(diǎn)幅值或全局統(tǒng)計(jì)平均幅值，因此不能很好的體現(xiàn)附加極值的預(yù)測(cè)性［2］；劉慧婷等人采用了多項(xiàng)式擬合算法來(lái)處理EMD端點(diǎn)效應(yīng)，提出了附加極值預(yù)測(cè)方法［3］；還有一些學(xué)者利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)附加極值的方法［4］［5］［6］［7］，在信號(hào)的兩端分別預(yù)測(cè)下一個(gè)極大值和極小值，再進(jìn)行三次樣條曲線插補(bǔ)，該方法預(yù)測(cè)精確，但時(shí)間運(yùn)行太久；毛博，高斐等人用分段冪函數(shù)插值法代替原EMD方法算法中的三次樣條插值法［8］，該方法雖然從源頭解決了采用三次樣條插值法產(chǎn)生的端點(diǎn)效應(yīng)，但其精度較差，且還產(chǎn)生了一些新的問(wèn)題。上述研究方法中，主要存在時(shí)間和精度不能同時(shí)達(dá)到最優(yōu)的問(wèn)題，因此本文基于附加極值的思想提出了使時(shí)間和精度能同時(shí)達(dá)到最優(yōu)的單調(diào)性一致的EMD端點(diǎn)附加極值預(yù)測(cè)方法，簡(jiǎn)稱單調(diào)性算法。

1　EMD端點(diǎn)問(wèn)題的極值點(diǎn)單調(diào)性處理方法研究

EMD方法［9］從原理上講是對(duì)一個(gè)信號(hào)進(jìn)行平穩(wěn)化處理，其結(jié)果是將信號(hào)中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解，產(chǎn)生一系列具有不同特征尺度的數(shù)據(jù)序列，每個(gè)序列成為1個(gè)固有模態(tài)函數(shù)（imf）。但是在分解過(guò)程中會(huì)有端點(diǎn)效應(yīng)的產(chǎn)生，針對(duì)端點(diǎn)效應(yīng)常見(jiàn)采用的有端點(diǎn)極值法、用全局統(tǒng)計(jì)平均幅值作為端點(diǎn)的附加極值法［2］、多項(xiàng)式擬合算法、對(duì)稱延拓算法和鏡像延拓基算法。在上述算法中對(duì)稱延拓和鏡像延拓是基于局部近似預(yù)測(cè)，而端點(diǎn)極值法、全局統(tǒng)計(jì)平均幅值作為端點(diǎn)的附加極值法和多項(xiàng)式擬合算法都是基于三次樣條插補(bǔ)算法。

信號(hào)可以分為周期信號(hào)和非周期信號(hào)，而非周期信號(hào)可以看作是周期無(wú)限大的周期信號(hào)，可以近似的認(rèn)為信號(hào)具有周期性，因此提出了對(duì)稱延拓算法和鏡像延拓基算法。而對(duì)稱延拓算法和鏡像延拓基算法只是基本的運(yùn)用信號(hào)具有周期性、計(jì)算簡(jiǎn)單和時(shí)間短等特點(diǎn)，但并沒(méi)有去判斷和識(shí)別出與末端局部信號(hào)最近似的局部信號(hào)進(jìn)行對(duì)稱或鏡像，所以計(jì)算精度很低，因此本文提出基于信號(hào)極值點(diǎn)之間的相關(guān)性（單調(diào)性）來(lái)尋找最近似的局部信號(hào)，然后采用極值點(diǎn)的多項(xiàng)式擬合求解末端的下一個(gè)極大和極小值，具體方法如下：

1）提取信號(hào)x（t）的極大值pmax與極小值pmin，右端最近的一個(gè)極大pmax（end）與極小值pmin（end）；將對(duì)應(yīng)的極大值與極小值之差的絕對(duì)值相加得誤差集，即：并將誤差集從小到大排列；

2）求右端點(diǎn)最近的極大值與極小值的左邊的單調(diào)性情況，即：，與所求誤差集中的每一點(diǎn)（i）的左邊的單調(diào)性進(jìn)行比較，如果單調(diào)性與數(shù)量的個(gè)數(shù)（m1）一樣，則保留，否則刪除；

3）計(jì)算誤差集中的點(diǎn)（i）右邊第一個(gè)極值是否與左邊單調(diào)性一致的情況，即：，比較1-4四種情況的出現(xiàn)頻率，選擇出現(xiàn)頻率較高者，相差不大（＜3）認(rèn)為同等；

4）選擇單調(diào)性中點(diǎn)的個(gè)數(shù)（m1）與誤差集中的點(diǎn)的個(gè)數(shù)（m2）較小的數(shù)（m），構(gòu)造方程或方程組，即：

將方程（1），即：AX=B求解出的系數(shù)A代入方程（2）中，解出pmax（end+1），其坐標(biāo)由誤差集中最小誤差點(diǎn)坐標(biāo)和后一個(gè)坐標(biāo)差加上端點(diǎn)pmax（end）坐標(biāo)。右端極小值可以使用同樣的方法求得；將信號(hào)倒置后，采用同樣的方法可以得到左端極大值與極小值。

由于該方法是基于極值誤差和的方法尋找近似點(diǎn)得出的，部分篩選條件將過(guò)于嚴(yán)格，因此在數(shù)據(jù)很少時(shí)可能導(dǎo)致無(wú)解，這時(shí)將進(jìn)行如下處理：在步驟a提取出極大值pmax與極小值pmin時(shí)，右端的第一個(gè)極大pmax（end）與第一個(gè)極小值pmin（end）分別與剩余的極大值與極小值相減得到差值，兩差值的絕對(duì)值相加就得了誤差集，如下式并從小到大排列，再按照b，c，d步驟進(jìn)行求解，單調(diào)性算法流程如圖1。

圖1　單調(diào)性算法流程圖

2　方法論證

2.1三種方法的端點(diǎn)極值的預(yù)測(cè)比較

在經(jīng)驗(yàn)?zāi)B(tài)分解過(guò)程中常用來(lái)處理端點(diǎn)效應(yīng)的方法是三次樣條插補(bǔ)，其實(shí)質(zhì)是對(duì)信號(hào)兩端的極大值和極小值預(yù)測(cè)，其預(yù)測(cè)的極值與真實(shí)值越接近，其誤差就越?。?0］。所以通過(guò)比較預(yù)測(cè)兩端的極大值和極小值，可以得出端點(diǎn)效應(yīng)強(qiáng)與弱，因此下面將通過(guò)端點(diǎn)極值法、徑向神經(jīng)網(wǎng)絡(luò)RBF和本文提出的單調(diào)一致性方法對(duì)信號(hào)兩端的極值進(jìn)行對(duì)比分析，并與真實(shí)值進(jìn)行比較。

設(shè)信號(hào)x（t）由調(diào)幅信號(hào)x1（t）和正弦信號(hào)x2（t）合成，即：

其信號(hào)如圖2所示。

圖2　信號(hào)x（t）圖

圖3　三種方法求得預(yù)測(cè)極值和實(shí)際極值的包絡(luò)線圖

如圖3是分別采用上述三種方法得到包絡(luò)線圖和實(shí)際包絡(luò)線圖。其中“.”代表實(shí)際值包絡(luò)線點(diǎn)；“*”點(diǎn)是由端點(diǎn)極值法得到極值再采用三次樣條插補(bǔ)得到點(diǎn)，從圖4中可以看出左端極大值和右端極小值所擬合得到的點(diǎn)較為靠近真實(shí)的值，而左端極小值和右端極大值擬合所得出來(lái)的點(diǎn)離真實(shí)值較遠(yuǎn)，其端點(diǎn)效應(yīng)較為強(qiáng)烈；“+”點(diǎn)指由徑向神經(jīng)網(wǎng)絡(luò)RBF三次樣條插補(bǔ)曲線，其左右兩端的極小值所預(yù)測(cè)值的插值點(diǎn)離實(shí)際點(diǎn)較小的偏差，而兩端的極大值所預(yù)測(cè)值的插值點(diǎn)與真實(shí)結(jié)果十分靠近，其端點(diǎn)效應(yīng)較弱；“-”是由本文提出的單調(diào)一致性算法得出的結(jié)果，其左右兩端的極大值所預(yù)測(cè)值的插值點(diǎn)離實(shí)際點(diǎn)有較小的偏差，而兩端的極小值所預(yù)測(cè)值的插值點(diǎn)與真實(shí)結(jié)果基本一致，因此所帶來(lái)的端點(diǎn)效應(yīng)較弱。從整體上，單調(diào)性預(yù)測(cè)極值和徑向神經(jīng)網(wǎng)預(yù)測(cè)極值都比以數(shù)據(jù)端點(diǎn)作為極值點(diǎn)好，且單調(diào)性算法預(yù)測(cè)的極值與徑向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的極值具有相等的精度。

2.2實(shí)驗(yàn)驗(yàn)證

發(fā)生機(jī)械故障時(shí)，故障信息往往以調(diào)制形式存在于振動(dòng)和噪聲中，調(diào)制信號(hào)反映了故障的特征信息［11］［12］。下面仿真常見(jiàn)的機(jī)械振動(dòng)信號(hào)，信號(hào)是由基頻為7.5Hz，調(diào)制頻率15Hz，30Hz的調(diào)頻調(diào)幅信號(hào)和頻率為120Hz正弦信號(hào)疊加。以MATLAB14a為仿真軟件，win8系統(tǒng)，處理器為Intel（R）Core（TM）i5-2400，表達(dá)式為［13］：

圖4三種方法分解的結(jié)果比較圖

圖4是利用以數(shù)據(jù)端點(diǎn)作為極值點(diǎn)、神經(jīng)網(wǎng)絡(luò)延拓、單調(diào)性三種算法對(duì)該振動(dòng)信號(hào)分解后的結(jié)果（圖中縱坐標(biāo)為幅值；橫坐標(biāo)為采樣點(diǎn)數(shù)）。從圖4（a）的分解結(jié)果可知，對(duì)于該仿真的振動(dòng)信號(hào)，采用直接以數(shù)據(jù)端點(diǎn)作為極值點(diǎn)，雖然很好地抑制了分解得到的imf的端部特征，但是它實(shí)質(zhì)是強(qiáng)制扭曲了信號(hào)的端部特征，因此嚴(yán)重污染了信號(hào)。從圖4（b）的分解結(jié)果可知，神經(jīng)網(wǎng)絡(luò)延RBF拓算法較好地抑制了端點(diǎn)效應(yīng)，還能很好分解出x1（t）與x2（t），但由于在每次循環(huán)中要利用該方法對(duì)原始數(shù)據(jù)序列的兩端進(jìn)行數(shù)據(jù)延拓，每次若延拓到下一個(gè)極值點(diǎn)，循環(huán)次數(shù)為從信號(hào)的末點(diǎn)到下一個(gè)極值點(diǎn)中間所有的點(diǎn)個(gè)數(shù)。但采樣率過(guò)高時(shí)則循環(huán)次數(shù)增加，運(yùn)算時(shí)間也會(huì)進(jìn)一步增加，由表1可知，循環(huán)次數(shù)太多造成了運(yùn)算速度太慢。從圖4（c）的分解結(jié)果可知，單調(diào)性方法對(duì)該振動(dòng)信號(hào)的分析結(jié)果十分理想，不但能抑制端點(diǎn)效應(yīng)，還能將表達(dá)式x1（t）與x2（t）很好分解出來(lái)，而且時(shí)間很短，由表1可知。

表1　三種算法運(yùn)行時(shí)間

由端點(diǎn)數(shù)據(jù)為附加極值、神經(jīng)網(wǎng)絡(luò)RBF、單調(diào)性三種方法來(lái)預(yù)測(cè)附加極值的比較中，能夠得出數(shù)據(jù)端點(diǎn)為附加極值點(diǎn)的方法抑制端點(diǎn)效應(yīng)非常有效果，但是在數(shù)據(jù)量少時(shí)，其附加極值的誤差帶來(lái)了分解層數(shù)的增加，產(chǎn)生不存在的im f分量；神經(jīng)網(wǎng)絡(luò)延拓算法，抑制端點(diǎn)效應(yīng)結(jié)果很好，沒(méi)有產(chǎn)生不存在的imf分量，但缺點(diǎn)卻十分的明顯，運(yùn)算速度太慢了；單調(diào)性方法能抑制端點(diǎn)效應(yīng)，沒(méi)有產(chǎn)生不存在的imf分量，運(yùn)算時(shí)間小于神經(jīng)網(wǎng)絡(luò)RBF的百分之一，其分解的精度和神經(jīng)網(wǎng)絡(luò)相差甚小。所以不論從理論分析還是實(shí)驗(yàn)分析中可以看出該算法是一種能較好處理端點(diǎn)效應(yīng)的方法。

3　結(jié)論

本文基于信號(hào)周期性的特點(diǎn)，提出單調(diào)性一致算法，該方法能減弱經(jīng)驗(yàn)?zāi)B(tài)分解時(shí)所產(chǎn)生的端點(diǎn)效應(yīng)，并保證了端點(diǎn)局部信號(hào)完整性，保證了端點(diǎn)預(yù)測(cè)值與端點(diǎn)局部密切相關(guān)，由此保證了預(yù)測(cè)值的可靠性和高精度性。單調(diào)性算法本質(zhì)屬于對(duì)稱延拓算法和鏡像算法的改進(jìn)，所以單調(diào)性算法同時(shí)具有計(jì)算簡(jiǎn)單和計(jì)算時(shí)間短的特性。

［1］范虹.非平穩(wěn)信號(hào)特征提取方法及其應(yīng)用［M］.北京：科學(xué)出版社，2013.125-126.

［2］陳忠，鄭時(shí)雄.EMD信號(hào)分析方法邊緣效應(yīng)的分析［J］.數(shù)據(jù)采集與處理，2003（3）：114-118.

［3］劉慧婷，張旻，程家興.基于多項(xiàng)式擬合算法的EMD端點(diǎn)問(wèn)題的處理［J］.計(jì)算機(jī)工程與應(yīng)用，2004（16）：84-86.

［4］喬新勇，趙秀玉，劉春華.一種抑制EMD端點(diǎn)效應(yīng)的改進(jìn)方法［J］.軟件，2012（8）：72-74.

［5］瞿威廉，程磊.應(yīng)用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)處理EMD方法中的邊界問(wèn)題［J］.華中科技大學(xué)學(xué)報(bào)（城市科學(xué)版），2006（4）：1-4.

［6］韓建平，錢炯，董小軍.采用鏡像延拓和RBF神經(jīng)網(wǎng)絡(luò)處理EMD中端點(diǎn)效應(yīng)［J］.振動(dòng).測(cè)試與診斷，2010（4）：414-417，474.

［7］郭云喜，張潔.采用RBF和BP神經(jīng)網(wǎng)絡(luò)處理EMD分解過(guò)程中端點(diǎn)效應(yīng)［J］.機(jī)械，2012（8）：18-21.

［8］毛博，高斐，孟軍.一種基于分段冪函數(shù)插值法的經(jīng)驗(yàn)?zāi)B(tài)分解方法及其應(yīng)用研究［J］.中國(guó)測(cè)試，2013（2）：125-128.

［9］Huang NE eta1.The empiricalmode decomposition and the HilbertSpectrum fornonlinearand non-stationary time seriesanalysis［J］.ProcRSoc Lond A.，1998（1971）：903-995.

［10］程軍圣，于德介，楊宇.機(jī)械故障診斷的Hilbert-Huang變換方法［M］.北京：科學(xué)出版社，2006.

［11］Jonathan Derota，etal.Correlation between long-term marine temperature time series from theeastern andwestern English Channel：Scaling analysisusingempiricalmode decomposition［J］.ComptesRendusGeoscience，2016（5）：343-349.

［12］ShutangYou，etal.Oscillationmode identification based on wide-area ambientmeasurementsusingmultivariate empiricalmode decomposition［J］.Electric PowerSystem Research，2016（134）：158-166.

［13］顧小興，金濤，郭艷威.改進(jìn)EMD端點(diǎn)效應(yīng)電力系統(tǒng)HHT諧波檢測(cè)研究［J］.中國(guó)測(cè)試，2015（3）：99-102，107.

Numericalprocessingmethod of endpoint issueof EMD

LIU Mei-xing
（DepartmentofEconomic Management，Hunan Postand Telecommunication College，Changsha，Hunan，China410015）

The EmpiricalMode Decomposition（EMD）is a newmethod for data analysis developed by Huang，etc.But there is a troublesome endpoint issue during the course of obtaining two envelops of the data with spline interpolation.A new endpoint issue processingmethod based on samemonotonicity of extreme points is proposed on the basis of existing algorithms.The difference values between theextremumsof data end are looked up according to theextremum sequencewhich satisfies the conditions simultaneously such as minimum value，same monotonicity and equal point count in the monotonicity zone.Then the extremums are predicted with constructed equation set.It is verified that the proposed method can restrain endpoint effectavailably by the comparison experiments with theother twomethods.

endpoint issue of EMD；extreme point；samemonotonicity

10.3969/j.issn.2095-7661.2016.03.022】

TN911.7

A

2095-7661（2016）03-0076-04

2016-06-25

劉玫星（1967-），女，湖南新化人，湖南郵電職業(yè)技術(shù)學(xué)院副教授，本科，研究方向：數(shù)據(jù)處理、智能算法。