基于EEMD的信号处理方法分析和实现

IMF 集成均值作为最终结果。

EMMD 算法流程如图1 所示。

图1 EEMD 算法流程图

4 系统功能介绍和仿真实验分析

为了验证EEMD 方法的改进之处，利用Mat lab 的GU I 工具设计了简单直观的仿真系统。

此系统实现的功能是，对输入信号进行传统EMD分解和EEMD 分解，可显示信号分解后的各个模态函数IMF 分量及其瞬时频率，并能对Hilbert 时频谱进行刻画。

系统界面如图2 所示。

图2 仿真系统界面

参数设置功能 可自由设置加入白噪声的方差和噪声组数目( 范围1~ 500) ，当方差设置为0，噪声组数目选择为1 时，该系统实现传统EMD 分解的功能。

EEMD 分解功能 对信号进行加入上述设定白噪声EEMD 分解，并刻画出输入信号的Hilbert 时频谱。

显示IMFs 功能 可通过弹出FIG 的形式显示对信号分解后的各IMF 分量及瞬时频率。

仿真实验结果如下：

首先对多分量理想样本信号进行分解，信号构成如下：

　　其中，归一化频率为:

其中，归一化频率为:

　　EMD 分解方法应将包含4 个频率分量的信号分解为4 个包含单一频率信息的IMF 分量。

分解结果如图3 所示。

图3 传统EMD 对理想信号H ilber t 谱图

可以看到，对于无干扰的理想信号，传统EMD 分解方法具有非常好的效果，清晰地将4 个频率分量在Hilbert 谱上显示了出来。

对一组存在中断干扰的实际信号进行分解，结果如图4~ 图6 所示。

图4 实际信号时域图

图5 传统EMD 对信号的分解

图6 传统EM D 对信号的H ilber t 谱刻画

通过频谱图可以看到，低频分量混杂在一起，难以分辨。

对EEMD 分解方法进行分析，加入了100 组标准差为0. 2 的高斯白噪声，结果如图7，图8 所示。

通过Hilbert 谱的比较可以看出，分解结果有了较大改进。

图7 EEMD 对信号的分解

图8 EEMD 对信号的H ilber t 谱刻画

5 结 语

EEMD 以噪声辅助信号处理原理为基础，通过加入小幅度的白噪声来均衡信号，有效地解决了模态混叠现象，利用高斯白噪声零均值的特性，使真实信号得到了保留，是对传统EMD 分析方法的巨大改进。