EMD和Hilbert
所有_s,如fopen_sfscanf_s引发的问题,都可以通过关闭_CRT_SECURE_NO_WARNINGS警告来解决。所有\_s,如fopen\_s fscanf\_s引发的问题,都可以通过关闭\_CRT\_SECURE\_NO\_WARNINGS警告来解决。
在项目->属性->C/C++->预处理器->预处理器定中添加 _CRT_SECURE_NO_WARNINGS 这个预定义。
Hilbert通常用来得到解析信号,基于此原理,Hilbert可以用来对窄带信号进行解包络,并求解信号的瞬时频率,但求解包括的时候会出现端点效应。
一、EMD原理介绍
EMD的意义
很多人都知道EMD(Empirical Mode Decomposition)可以将信号分解不同频率特性,并且结合Hilbert求解包络以及瞬时频率。EMD、Hilbert、瞬时频率三者有无内在联系?答案是:有。
f(t)=dΦ(t)d(t)f(t) = \frac{{d\Phi (t)}}{{d(t)}}
然而,这样求解瞬时频率在某些情况下有问题,可能出现f(t)f(t)为负的情况:我1秒手指动5下,频率是5Hz;反过来,频率为8Hz时,手指1秒动8下,可如果频率为-5Hz呢?负频率没有意义。
考虑信号
x(t)=x1(t)+x2(t)=A1ejω1t+A2ejω2t=A(t)ejφ(t)x(t) = {x_1}(t) + {x_2}(t) = {A_1}{e^{j{\omega _1}t}} + {A_2}{e^{j{\omega _2}t}} = A(t){e^{j\varphi (t)}}
为了简单起见,假设A1A_1和A2A_2恒定,且ω1\omega_1和ω2\omega_2是正的。信号x(t)x(t)的频谱应由两个在ω1\omega_1和ω2\omega_2的δ\delta函数组成,即
X(ω)=A1δ(ω−ω1)+A2δ(ω−ω2)X(\omega ) = {A_1}\delta (\omega - {\omega _1}) + {A_2}\delta (\omega - {\omega _2})
因为假设ω1\omega_1和ω2\omega_2是正的,所以该信号解析。求得相位
Φ(t)=A1sinω1t+A2sinω2tA1cosω1t+A2cosω2t\Phi (t) = \frac{{{A_1}\sin {\omega _1}t + {A_{\rm{2}}}\sin {\omega _{\rm{2}}}t}}{{{A_1}\cos {\omega _1}t + {A_{\rm{2}}}\cos {\omega _{\rm{2}}}t}}
分别取两组参数,对tt求导,得到对应参数下的瞬时频率:
参数:
ω1=10Hz\omega_1 = 10Hz和ω2=20Hz\omega_2 = 20Hz.
组1:{A1=0.2,A2=1A_1 = 0.2, A_2 = 1};
组2:{A1=1.2,A2=1A_1 = 1.2, A_2 = 1}
对于组2,瞬时频率出现了负值。
可见:
对任意信号进行Hilbert变换,可能出现无法解释、缺乏实际意义的频率分量。Norden E. Hung等人对瞬时频率进行研究后发现,只有满足特定条件的信号,其瞬时频率才具有物理意义,并将此类信号成为:IMF/基本模式分量。
基本模式分量(IMF)
EMD分解的IMF其瞬时频率具有实际物理意义,原因有两点:
限定1:
在整个数据序列中,极值点的数量NeN_e(包括极大值、极小值点)与过零点的数量必须相等,或最多相差1个,即(Ne−1)≤Ne≥(Ne+1)(N_e-1) \le N_e \ge (N_e+1).
限定2:
在任意时间点tit_i上,信号局部极大值确定的上包络线fmax(t)f_{max}(t)和局部极小值确定的下包络线fmin(t)f_{min}(t)的均值为0.
限定1即要求信号具有类似传统平稳高斯过程的分布;限定2要求局部均值为0,同时用局部最大、最小值的包络作为近似,从而信号局部对称,避免了不对称带来的瞬时频率波动。
二、希尔伯特变换
Hilbert变换是一个很有用的变换,用它来做包络分析更是一种有效的数据处理方法。
信号两次Hilbert变换后是其自身相反数,因此正弦信号的Hilbert是负的余弦。
对于窄带信号x(t),利用Hilbert可以求解解析信号,从而得到信号的幅值解调a(t)和相位解调φ(t),并可以利用相位解调求解频率解调f(t)。
相关MATLAB指令
hilbert
功能:将实数信号x(n)进行Hilbert变换,并得到解析信号z(n).
调用格式:z = hilbert(x)
instfreq
功能:计算复信号的瞬时频率。
调用格式:[f, t] = insfreq(x,t)
z = hilbert(x);
f = instfreq(z);
注意给matlab添加时频工具箱.工具下载:http://download.csdn.net/download/zsz_shsf/9987737
实验理解希尔伯特变换:http://blog.sina.com.cn/s/blog_6163bdeb0102e1wv.html
EMD和Hilbert相关推荐
- Python实现“EMD\EEMD\VMD+Hilbert时频图”与“CWT小波时频图”
Python实现"EMD\EEMD\VMD+Hilbert时频图"与"CWT小波时频图" 信号处理中常需要分析时域统计量.频率成分,但不平稳信号的时域波形往 ...
- [信号处理技术]关于EMD的产生
通俗易懂,有助于理解EMD和HHT,就原封不动的搬过来了. 原文链接:关于EMD的产生 自傅里叶变换与频谱分析技术产生,人们得以从另外一个角度观察时域信号,信号里各个点的密集程度,得以确定性地度量.之 ...
- 多元经验模态分解_环境激励桥梁模态参数识别—环境激励模态参数识别概述
环境激励模态参数识别概述 1 结构模态参数识别 结构模态参数识别属于动力学的反问题,是利用外部激励和系统的响应求解系统的参数问题;这一过程亦称为模态分析(Modal Analysis).模态分析又分为 ...
- 卷积云神经网络_2018.10
HHT在激光云高仪后向散射信号处理中的应用(New method of lidar ceilometer backscatter signal processing based on Hilbert- ...
- 语音识别从菜鸟到入门必看的参考书目
原标题:语音识别从菜鸟到入门必看的参考书目 此前研究这一方面的容,搜罗了些资料,在这里整理如下,做毕业设计,写毕业论文的朋友购书时可以参考一下: 一.<MATLAB数字信号处理> 编者:王 ...
- 与语音信号处理有关的java书籍_MATLAB在语音信号分析与合成中的应用 中文pdf扫描版[198MB]...
语音信号处理是数字信号处理的一个重要分支.本书含有许多数字信号处理的方法和MATLAB函数.全书共10章.第1-4章介绍语音信号处理的一些基本分析方法和手段,以及相应的MATLAB函数:第5-9章介绍 ...
- hht时频图三维_HHT方法的原理
HHT方法的原理 2.1 引言 经验模态分解方法(EMD)是 Norden E.Huang 等人[13]于 1998 年提出的,并将 Hilbert谱引入EMD方法,形成了今日的希尔伯特-黄变换(Hi ...
- hilbert谱 matlab,MATLAB实现EMD分解及希尔伯特谱分析
MATLAB实现EMD分解及希尔伯特谱分析 希尔伯特-黄变换 传统的傅里叶变化只能得到信号在采样周期内的全局频率信息,处理频率随时间变化的非平稳信号具有很大的局限性,希尔伯特-黄变换(Hilbert- ...
- EMD算法之Hilbert-Huang Transform原理详解和案例分析
目录 Hilbert-Huang Transform 希尔伯特-黄变换 Section I 人物简介 Section II Hilbert-Huang的应用领域 Section III Hilbert ...
最新文章
- leetcode--对称二叉树--python
- 《ASP.NET MVC 4框架揭秘》试读章节
- XenDesktop vDisk更新
- 用python 登录 ssh 与 sftp 通过证书登录系统
- 开始学习3年前的东西——MCMS
- usb设备由生产到使用 java 114979888
- java软件架构设计方案_Java软件架构设计慨论
- 对人工智能产品发展的几点认识
- 图像分类数据集-09-p3
- Eclipse中快捷键组合
- Android距离传感器unregisterListener无用解决
- coso2dx-lua 电脑模拟器 , 不重启游戏 直接让修改过的 lua 代码 生效
- AI生成新春祝福海报,AIGC从“炫技”走向日常
- python和r语言哪个简单_python与r语言哪个简单
- 《凤凰项目:一个IT运维的传奇故事》笔记
- labview信号时序分析--谐波失真分析
- 咸鱼前端—CSS高级技巧
- 2023届【校招】安全面试题和岗位总结(字节、百度、腾讯、美团等大厂)
- 论文框架和目录一样吗_看黑板,划重点!速来get论文写作10技巧
- 全球及中国货物围护系统(CCS)行业发展规模及投资动态预测报告2022-2027