EEMD、EMD去噪原理
代码地址:https://download.csdn.net/download/qq_43827877/84112011
一.EEMD原理
EEMD方法的本质是一种叠加高斯白噪声的多次经验模式分解,利用了高斯白噪声具有频率均匀分布的统计特性,通过每次加入同等幅值的不同白噪声来改变信号的极值点特性,之后对多次EMD得到的相应IMF进行总体平均来抵消加入的白噪声,从而有效抑制模态混叠的产生。
EEMD分解步骤如下:
**(1)设定总体平均次数M;
(2)将一个具有标准正态分布的白噪声ni(t)\mathop{ni(t)}ni(t)加到原始信号x(t)\mathop{x(t)}x(t)上,以产生多个新的信号:xi(t)=ni(t)+x(t),i=1,2,3...,M\mathop{xi(t) = ni(t)+x(t),i = 1,2,3...,M}xi(t)=ni(t)+x(t),i=1,2,3...,M
式中:ni(t)\mathop{ni(t)}ni(t)表示第i次加性白噪声序列,xi(t)\mathop{xi(t)}xi(t)表示第i次试验的附加噪声信号;
(3)对所得含噪声的信号xi(t)\mathop{xi(t)}xi(t)分别进行EMD分解,得到各自和的形式:
式中,cij(t)\mathop{cij(t)}cij(t)为第i次加入白噪声后分解得到的第j个imf;rij(t)\mathop{rij(t)}rij(t)是残余函数;J的IMF数量;
(4)重复步骤(2)和步骤(3)进行M次,每次分解加入幅值不同的白噪声信号得到的集合为:
(5)利用不相关序列的统计平均值为零的原理, 将上述对应的进行集合平均运算,得到EEMD分解后最终的,即:**
式中cj(t)\mathop{cj(t)}cj(t)是EEMD分解的第j个IMF。
可以看出eemd分解的本质还是emd,那emd是如何分解出多个imf的?
二. EMD
经验模态分解(EMD)方法的实质是通过特征时间尺度来识别信号中所内含的所有振动模态。在这一过程中,特征时间尺度及IMF的定义都具有一定的经验性和近似性。与其他信号处理方法相比,EMD方法是直观的、间接的、后验的、自适应的,其分解所用的特征时间尺度是源自于原始信号的。
EMD分解方法是基于以下假设条件:
(1)数据至少有两个极值,一个最大值和一个最小值;
(2)数据的局部时域特性是由极值点间的时间尺度唯一确定;
(3)如果数据没有极值点但有拐点,则可以通过对数据微分一次或多次求得极值,然后再通过积分来获得分解结果。这种方法的本质是通过数据的特征时间尺度来获得本征波动模式,然后分解数据。这种分解过程可以形象地称之为“筛选”过程。
分解过程:
(1)找到信号x(t)所有的极值点;
(2)用3次样条曲线拟合出上下极值点的包络线emax(t)和emin(t),并求出上下包络线的平均值m(t),在x(t)中减去它:h(t)=x(t)-m(t);
(3)根据预设判据判断h(t)是否为IMF;
(4)如果不是,则以h(t)代替x(t),重复以上步骤直到h(t)满足判据,则h(t)就是需要提取的 IMFCK(t);
(5)每得到一阶IMF,就从原信号中扣除它,重复以上步骤;直到信号最后剩余部分rn就只是单调序列或者常值序列。
这样,经过EMD方法分解就将原始信号x(t)分解成一系列IMF以及剩余部分的线性叠加:
从EMD理论的介绍可以看出,EMD的目的是将组成原始信号的各尺度分量不断从高频到低频进行提取,则分解得到的特征模态函数顺序是按频率由高到低进行排列的,即首先得到最高频的分量,然后是次高频的,最终得到一个频率接近为0的残余分量。而针对不断进行分解的信号而言,能量大的高频分量总是代表了原信号的主要特性,是最主要的组成分量,所以EMD方法是一种将信号的主要分量先提取出来,然后再提取其他低频部分分量的一种新的主成分分析方法。(但是这种从高频到低频不是严格的高频到低频,也就是会出现模态混叠的现象,eemd的出现就是为了抑制模态混叠)
Eemd去噪实验
余弦信号添加噪声后做eemd分解的imf分量及其频谱
去噪结果
频谱图
去噪结果
从图中可以看出,eemd分解后,噪声频率被分解到除了imf6的各个频段的分量中。其中imf6基本上不包含噪声。
EEMD、EMD去噪原理相关推荐
- 手把手教你EMD算法原理与Python实现(更新)
Rose今天主要介绍一下EMD算法原理与Python实现.关于EMD算法之前介绍过<EMD算法之Hilbert-Huang Transform原理详解和案例分析>, SSVEP信号中含有自 ...
- EMD算法原理与python实现
目录 简介 EMD算法原理 python实现EMD案例 本教程为脑机学习者Rose发表于公众号:脑机接口社区 .QQ交流群:903290195 简介 SSVEP信号中含有自发脑电和大量外界干扰信号,属 ...
- 小波阈值去噪原理及实现
小波阈值去噪原理及实现 1.小波阈值去噪的基本原理 2.小波阈值去噪需要考虑的问题 3.小波阈值的实现 1.小波阈值去噪的基本原理 将信号通过小波变换(采用Mallat算法)后,信号产生的小波系数含有 ...
- 机器学习之MATLAB代码--CEEMDAN+EEMD+EMD+VMD+IMF重构络(十八)
机器学习之MATLAB代码--CEEMDAN+EEMD+EMD+VMD+IMF重构络(十八) 压缩分量的EEMD代码 压缩分量的EEMD数据 压缩分量的EEMD结果 CEEMDAN代码 CEEMDAN ...
- 经验模式分解EMD算法原理
目录 简介 假设条件与原理 假设条件 基本原理 EMD的优缺点 存在的问题 简介 经验模态分解(Empirical Mode Decomposition, EMD)算法是由 NE. Huang 等人提 ...
- 一维信号小波去噪原理及python实现示例
信号去噪是经常用到的信号预处理过程,以达到在保留原有信号真是信息的基础上尽可能低降低或者消除噪声,获得更高质量的信号,从而为下一步的处理奠定基础. 去噪方法可分为时域方法与频域方法.时域方法是指直接在 ...
- java 小波去噪原理_小波去噪的基本知识
本篇是这段时间学习小波变换的一个收尾,了解一下常见的小波函数,混个脸熟,知道一下常见的几个术语,有个印象即可,这里就当是先作一个备忘录,以后若有需要再深入研究. 一.小波基选择标准 小波变换不同于傅里 ...
- EMD算法原理分解信号
SSVEP信号中含有自发脑电和大量外界干扰信号,属于典型的非线性非平稳信号.传统的滤波方法通常不满足对非线性非平稳分析的条件,1998年黄鄂提出希尔伯特黄变换(HHT)方法,其中包含经验模式分解(EM ...
- 【小知识】光的偏振态及镜头前加偏振片的去噪原理
导语 最近在做水面图像特征点提取相关的工作,整体的思路一直被限制在如何通过各种各样的图像处理算法来提高最终的实验精度,进展缓慢,前几日经人点拨,尝试通过在相机镜头前加入偏振片,直接从拍照源头去掉某些噪 ...
- NL-Mean和BM3D去噪原理
本文为转载,原博客地址:http://blog.csdn.net/jacke121/article/details/55215416 图像去噪是非常基础也是非常必要的研究,去噪常常在更高级的图像处理之 ...
最新文章
- xp与Linux双系统共存
- 评分卡模型剖析之一(woe、IV、ROC、信息熵)
- SpringBoot+Spring Security验证密码MD5加密
- Web开发人员常备连接总结
- Windows7系统自带的备份与还原功能使用介绍
- 54失败是成功之母二
- 揭密|淘宝服务端千万级高并发架构的演进之路
- 作者:崔辰州(1976-),男,博士,中国科学院国家天文台研究员、硕士生导师...
- java元注解 @Documented注解使用
- 369寝室(数组、模拟)
- cad镜像后标注尺寸数字反了_急!CAD镜像后文字反向应该怎么处理?
- 华为员工爆料,这个岗位要开始大量招人了!!!
- /usr/bin/ld: cannot find -lxxx 的解决办法
- linux 下安装apache 快速教程
- HTTP 500 - Internal Server Error 服务器内部错误
- 推荐模型之DeepFM与DIN
- DRV8301/8303代码讲解
- 数据分享|R语言逻辑回归、线性判别分析LDA、GAM、MARS、KNN、QDA、决策树、随机森林、SVM分类葡萄酒交叉验证ROC...
- 省市县的json数据
- matlab语音识别系统(源代码),matlab语音识别系统(源代码)最新版DOC.doc