影响局部均值分解算法分解精度的若干因素.doc

影响局部均值分解算法分解精度的若干因素.doc

《影响局部均值分解算法分解精度的若干因素.doc》由会员分享，可在线阅读，更多相关《影响局部均值分解算法分解精度的若干因素.doc（5页珍藏版）》请在冰点文库上搜索。

影响局部均值分解算法分解精度的若干因素

局部均值分解LMD（Localmeandecomposition）是一种新的自适应时频分析方法。

LMD可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的PF（Productfunction）分量之和，从而获得原始信号完整的时频分布，其本质上是将多分量的信号自适应地分解为若干个单分量的调幅—调频信号（包络信号和纯调频信号）之和，非常适合处理非平稳、非线性信号，特别是多分量的调幅—调频信号。

局部均值分解的基本理论和算法很容易理解，在许多文献上都给出了详细的介绍，在这里不做过多的阐述，重点讨论影响局部均值分解算法的一些问题。

局部均值分解作为一种新提出的时频分析方法，有许多问题有待于进一步研究，如原始信号的采样频率、求局部均值函数和包络函数用到的滑动平均算法以及端点效应。

采样频率不同会影响LMD分解精度，尤其对瞬时频率影响较大，采用不同的滑动跨度和端点处理方法就会得到不同的分解结果，有时甚至会造成算法的不收敛。

下面将以具体实例分析二者对滑动平均算法的影响。

具体信号如下：

1.采样频率对LMD分解精度的影响

上面两个图是采样间隔为0.2s时得到的PF分量、包络信号分量和对应的瞬时频率分量

下面两个图是采样间隔为1s时得到的PF分量、包络信号分量和对应的瞬时频率分量

2.滑动平均跨度选择对LMD分解精度的影响

滑动平均的跨度不仅关系到LMD分解精度，如果滑动平均跨度选择不合理，有可能造成LMD算法不收敛。

这是因为局域包络函数容易受到滑动平均算法的影响，滑动平均的跨度不同，局域包络函数就会不一样。

在求解每个PF分量时采用的是纯调频信号的判据，即要求局部包络函数满足，因此局域包络函数不同，循环迭代次数也就不同。

其中增减量的取值范围，需要根据不同的信号和不同的精度要求来设定，的值越小，计算量就越大，LMD分解的精度越高，根据经验一般取0.001~0.01。

以上述信号为例，在消除端点影响的前提下，研究滑动平均跨度对LMD分解的影响。

分别采用不同的滑动平均跨度方法求取PF1，观察其循环次数和滑动平均跨度的关系，如下如图所示：

滑动平均跨度（MovingAverageSpan）和循环次数（LoopTimes）关系图

当滑动跨度为5点时，循环7次结束，当滑动跨度超过5时，循环次数逐步增加，直到滑动跨度超过11点（循环16次）时，循环次数显著增加。

当滑动跨度为13点时，循环需要63次才能结束。

当滑动跨度为15点时，循环超过100次时仍未求出纯调频信号，由程序强制结束。

可见，滑动平均跨度的选择会对循环产生一定的影响，当选择不合理时会增加计算量，甚至使算法不收敛。

但是由图也可以看出，对具体信号而言，在某一范围内，滑动平均跨度对PF1分量影响并不是很大，仅仅是影响局部包络函数的个数（循环次数）。

从另一方面讲，在合理的取值范围内，LMD分解精度是与计算量成正比的。

所以滑动平均跨度的选择要综合考虑分解精度和计算量的影响。

（对该信号如果采样时间间隔为0.2s时，跨度选择在25点左右时较为合理，不会对分解结果产生大的影响，当跨度超过33点时波形会产生明显的误差）。

根据经验滑动平均跨度的选择一般采用两种方法，一是取相邻极值点最长距离的三分之一；二是设定为相邻极值点的最短距离。

两种方法对不同的振动信号分解精度也不相同，对具体信号应采用何种方法来选择滑动平均跨度一般很难确定。

但是无论采用哪一种方法分解精度不会相差太大。

对于任何一个信号序列，当采样频率和采样点数确定以后，其相应的滑动平均跨度的最合理取值就可以通过提出的两种方法计算得到。

经过大量实验的证明，我们发现在这个最合理的跨度值附近取值就不会对LMD算法造成大的影响。

图a七点滑动平均图b九点滑动平均图c十一点滑动平均

以上面提到的信号为例。

由于我们已经对端点做了镜像处理，所以端点处数据不会产生大的变形，对于该信号，横坐标为500左右的数据极值点相对其它地方较稀疏，信号在处理时会发生变化，可以选择该段作为观察重点部分。

其最合理的跨度取值为7点（采样间隔较长、每周期采样点数较少，跨度就相对较小），采用7点滑动平均得到的结果如图a所示。

将滑动跨度改为3点、5点、9点我们可以发现图形并没有大的变化，即在这些值之间选择滑动平均跨度均不会对LMD分解产生大的误差，在这里我们选择跨度为9点时的图形（图b）与之比较。

将跨度值进一步增加，取跨度值为11点，图形如图c所示。

跨度超出了其合理取值范围，分解结果产生了一定的误差。

当继续增加跨度值时，误差会更明显，使信号严重失真。

LMD算法在采用滑动平均平滑数据时，不能事先定义滑动跨度的值。

对不同的信号或者同一信号不同的采样频率其最合理的滑动跨度值是不同的。

这个值可以用上述提到的两种方法求得。

一般来说对同一信号，采样时间间隔越短，即一个周期采样点数越多，其跨度值就会越大。

3.端点效应对LMD分解精度的影响

由于实际分析的信号序列其长度总是有限的，无法知道端点以外的信号，所以端点附近的局域均值函数和局域包络函数只能根据已知信号推测，这样就不可避免的会产生误差。

LMD是通过相邻极值点（一个极大值和一个极小值），计算得到局域均值函数，再经过若干次滑动平均得到光滑的局域均值函数。

由求解局部均值函数公式：

可以看出在信号左端点至第一个极值点（n1）之间，局域均值函数是一段未知信号，如下图

箭头至左端点部分所示（为突出端点，截取了原始信号端点附近的部分信号）。

同理，右端点部分也存在同样的问题。

LMD端点附近未知包络信号

下面就端点效应对LMD分解精度的影响程度做进一步讨论：

LMD分解会受到端点效应的影响，由于局域均值包络函数在端点处均存在一段未知的信号，若对端点不进行处理，在程序运行时，会自动给这部分信号添加一些虚假信息，从而对LMD分解产生影响。

LMD端点效应首先发生在端点附近，然后在迭代过程中不断向内部扩散，迭代次数越多端点效应污染整个数据段的程度就越严重。

端点效应会使分解得到的各分量在端点附近产生一些变形，从而使结果不容易满足循环终止条件，增加了循环次数，严重的时候会使数据产生严重失真。

为减小端点效应对算法的影响，在分解前要对端点经行一定的处理，应用最多的处理方法是镜像延拓算法，镜像延拓是在端点以外延拓一段信号。

实际处理的信号两端点一般不是极值点，这时候可以采用镜像延拓的方法进行拓展，在LMD算法中只延拓一个极值点就可以很好的消除端点效应的影响。

延拓方法如下图所示，以离端点最近的一个极值点为对称轴（如图中虚线所示），将离端点次近的极值点向外延拓。

在求解局部均值函数和局部包络函数的时候将这个延拓的极值点代入，即可求得完整的局部均值函数和局部包络函数。

极值点延拓示意图

为加深端点效应对LMD分解精度影响的理解，现采用两种端点处理方法经行比较。

方法一：

极值点延拓处理端点，方法二：

将端点值直接作为极值经行计算。

分解结果如图a、图b所示。

图a极值点延拓处理得到的各PF分量图b将端点作为极值点得到的各PF分量

从图中我们可以直观的看出，采用极值点延拓方法，端点效应得到了很好的抑制，两个PF分量在端点处没有引起大的变形。

并且其残余项的幅值也很小，可以忽略。

而采用方法二时，虽然分解的PF分量保持了大致的形状，可是端点部分却出现了很明显的变形，端点处的幅值变得很突出。

由于端点效应的影响，方法二比方法一多分解出了一个PF分量（PF3），PF3分量除端点部分外，其它部分幅值均很小，可以看作是端点效应所带来的误差。

可见端点效应对LMD算法影响很大，端点如果处理不好不但会增加计算量，带来很多误差，严重时则会使端点信号被无限放大，使信号严重失真。

有些特殊的信号在LMD分解时，不受端点效应的影响或者影响很小。

这些信号一般波形相对简单，并且端点值恰好为极值点，这时以端点值经行计算求解局部均值函数和局部包络函数时就不会带来大的误差，端点效应可以得到基本消除。

如端点为极值的纯调频信号。