基于SVD的EMD模態(tài)混疊消除方法

張小明，唐 建，韓 錦

(1.解放軍理工大學(xué) 野戰(zhàn)工程學(xué)院，南京 210007；2.西北工業(yè)集團(tuán)有限公司 物流中心，西安 710043)

基于SVD的EMD模態(tài)混疊消除方法

張小明1，唐 建1，韓 錦2

(1.解放軍理工大學(xué) 野戰(zhàn)工程學(xué)院，南京 210007；2.西北工業(yè)集團(tuán)有限公司 物流中心，西安 710043)

為了改進(jìn)EMD中模態(tài)混疊的缺陷，提出一種基于SVD的模態(tài)混疊消除方法。SVD有兩個特性，一是每個頻率成分對應(yīng)兩個大小相當(dāng)?shù)钠娈愔?；二是各頻率成分經(jīng)分解得到的奇異值大小與該頻率成分的振幅呈正相關(guān)。該方法根據(jù)信號中主要頻率成分構(gòu)造出一組與原信號頻率相等、幅值與原信號振幅成整倍數(shù)的正弦信號，并與原信號疊加后對疊加信號進(jìn)行SVD分解，然后成對選取分解得到的奇異值重構(gòu)出一組信號，依次減去前面加入的對應(yīng)頻率的正弦信號即可得到分解結(jié)果。實驗表明，對于EMD分解模態(tài)混疊現(xiàn)象嚴(yán)重的信號，該方法能夠進(jìn)行有效消除模態(tài)混疊。

振動與波；EMD；模態(tài)混疊；SVD；構(gòu)造信號

EMD(EmpiricalModeDecomposition)是 由Huang等提出的一種信號的時域分解方法，它能將信號由高頻至低頻分解成一系列 IMF(Intrinsic Mode Functions)分量，該方法尤其擅長分解非線性、非平穩(wěn)信號[1-2]。在EMD分解中，理想的分解結(jié)果是信號中的每一個頻率成分被單獨地分到一個IMF分量中。但是在實際應(yīng)用中，往往會出現(xiàn)單個IMF分量中含有多個頻率成分，或者是一個頻率成分會發(fā)散到多個IMF分量中，即發(fā)生模態(tài)混疊[3]。尤其是當(dāng)信號中的各成分頻率比較接近的時，模態(tài)混疊更易發(fā)生。

模態(tài)混疊產(chǎn)生的原因有兩方面，一是在采用三次樣條擬合情況下上下包絡(luò)時產(chǎn)生過沖和欠沖。在插值方法的改進(jìn)上，學(xué)者們提出了B樣條插值法[4]、分段拋物線插值法[5]、分段冪函數(shù)插值法[6]、保持分段三次插值方法等[7]。這些方法在一定程度上抑制了過沖和欠沖，改善了模態(tài)混疊現(xiàn)象。二是方法本身的缺陷。在方法改進(jìn)方面，Huang等提出了EEMD(Ensemble Empirical Mode Decomposition)[3]，采用向信號中加入多組白噪聲、分別分解后再求平均的方法來抑制模態(tài)混疊，但該方法面臨著如何選取合適的噪聲組數(shù)和方差的困難；Ryan Deering等提出掩膜信號法[8]，通過對原信號分別加上和減去一個掩膜信號分別進(jìn)行EMD分解，再對IMF分量做平均；趙玲等進(jìn)一步對平均瞬時頻率進(jìn)行修正來改進(jìn)掩膜信號[9]，掩膜信號法需要針對不同的信號確定不同的掩膜信號，而且用Hilbert變換估計出的瞬時頻率偏差比較大，該方法在分離含有頻率成分比較接近的信號時效果并不好。

奇異值分解(Singular Value Decomposition，SVD)是一種通過矩陣運算進(jìn)行信號分解的方法，該方法被學(xué)者們用來進(jìn)行信號的降噪和特征提取[10-13]。原信號先被轉(zhuǎn)換成一個Hankel矩陣，再通過SVD得到兩個酉矩陣和一個對角矩陣，通過選取對角矩陣中奇異值重構(gòu)信號中的成分。SVD完全根據(jù)信號本身的特征進(jìn)行自適應(yīng)的分解，尤其擅長分解平穩(wěn)信號。

SVD分解有兩個特點，一是原信號中的每個頻率成分對應(yīng)大小相當(dāng)?shù)膬蓚€奇異值[14]；二是代表不同頻率成分的奇異值的大小與該頻率的幅值呈正相關(guān)。根據(jù)SVD分解的這兩個特點，由信號中的主要頻率成分先構(gòu)造一組頻率相等、振幅已知的正弦信號，再將這組信號與原信號疊加，用各正弦信號已知的振幅關(guān)系來掩蓋原信號中各頻率成分模糊的振幅關(guān)系，疊加信號經(jīng)SVD處理后重構(gòu)出一組信號，再分別減去對應(yīng)頻率的正弦信號，最終得到原信號中各頻率成分的時間序列。

1 SVD簡介

信號x可以根據(jù)Hankel矩陣形式被構(gòu)造成一個信號矩陣，構(gòu)造方法如下

式(1)中H是一個m×n的矩陣，N為信號x的長度；n為Hankel矩陣的列數(shù)(1＜n＜N)；m為矩陣的行數(shù)(m=N-n+1)。

對H進(jìn)行SVD分解

式(2)中U是m×m的酉矩陣，S是m×n的對角矩陣，V是n×n的酉矩陣。其中，S可表示成

式(3)中∑=diag(σ1,σ2,…,σr)，σ1＞σ2＞…＞σr＞0。

這種變換本質(zhì)上是將原始信號分解為一系列分量信號的簡單線性疊加，而這一系列分量可以通過單獨選取S中對角線上的奇異值重構(gòu)獲得，且重構(gòu)出的信號的相位和它在原信號中疊加的相位是不變的，即具有零相位偏移特性。

2 基于SVD消除EMD中模態(tài)混疊

2.1 SVD的典型特點

通過其他學(xué)者的研究[14]及相關(guān)實驗，得到SVD的以下兩點性質(zhì)。

(1)對于僅含有一個頻率成分的信號，其Hankel矩陣經(jīng)SVD分解后，能在對角矩陣S的前2階獲得兩個較大的奇異值，其他階的奇異值很??；而含兩個頻率成分的信號經(jīng)SVD分解后，其前4階奇異值較大，其他階的奇異值很小。依此類推，含有k個頻率成分的信號經(jīng)SVD分解后，對角矩陣S的前2k階奇異值較大，其他階的奇異值很小。而對于信噪比較高的信號，仍然滿足上述規(guī)律。

(2)每個頻率成分經(jīng)SVD所獲得的奇異值的大小是由該頻率成分的振幅決定，振幅越大，經(jīng)分解后在S中所表現(xiàn)出的奇異值的數(shù)值越大。而奇異值的大小和頻率大小無明顯關(guān)系。

現(xiàn)構(gòu)造信號y1對以上性質(zhì)加以說明。y1中含有四個分量，分量1是頻率10 Hz、振幅為1的正弦分量；分量2是頻率為20 Hz、振幅為2的正弦分量；分量3是頻率為30 Hz、振幅為3的正弦分量；分量4是均值為0、方差為1的白噪聲。y1的采樣頻率為1 000 Hz，含有1 024個采樣點。圖1是y1及其各分量的時域圖。

圖1 y1及各分量的時域圖

構(gòu)造Hankel矩陣并對其進(jìn)行SVD分解，獲得U1、S1和V1。畫出S1中奇異值隨其所在階數(shù)的變化火柴梗圖，見圖2。

圖2 奇異值-階數(shù)變化圖

從圖2中可以發(fā)現(xiàn)：前6階奇異值(772.34、762.55、520.89、506.16、256.98、250.05)的數(shù)值比較大，為有用信號的奇異值，而之后的奇異值很小，為噪聲成分的奇異值。而且前6階奇異值可以很明顯地分成三組：772.34和762.55為一組；520.89和506.16為一組；256.98和250.05為一組。由前述的SVD的性質(zhì)可得：這三組奇異值是由三個頻率成分分解獲得，而且這三個頻率成分的振幅依次遞減。再參照y1的頻率組成可以確定：772.34和762.55是30 Hz分量的奇異值，520.89和506.16是20 Hz分量的奇異值，256.98和250.05為10 Hz分量的奇異值。

分別選取前三組奇異值重構(gòu)出三個時間序列，圖3為三個序列時域圖及幅值譜。

從圖3中可以明顯看出三個序列各自對應(yīng)著y1中的30 Hz、20 Hz和10 Hz的頻率成分，和前面的結(jié)論相吻合。

圖3 三組奇異值重構(gòu)出的時間序列的時域圖及幅值譜

2.2 基于SVD的模態(tài)混疊消除方法

由前面的分析可知，SVD對于各頻率成分的振幅敏感，只要不同頻率振幅不一樣，它們經(jīng)SVD后得到的奇異值的大小就會存在差異。因此，可基于SVD的振幅分辨能力來消除EMD中的模態(tài)混疊現(xiàn)象，在不改變信號的頻率成分的前提下，使得各成分振幅的大小關(guān)系變得明確。根據(jù)原信號中的頻率成分由小到大依次構(gòu)造出一組振幅不同的正弦信號，再將其疊加到原信號中產(chǎn)生一個疊加信號，該信號的頻率成分與原信號的頻率成分完全相同。如果每個正弦信號的振幅選取合適，就可以掩蓋原信號中的各頻率成分的振幅差異，使疊加信號中各頻率成分振幅的大小關(guān)系和加入的正弦信號的振幅大小關(guān)系一致，進(jìn)而再用SVD獲取疊加信號中的每個頻率成分，并減去相對應(yīng)的正弦信號，即可得到原信號的分解結(jié)果。

用于研究模態(tài)混疊的原信號應(yīng)滿足以下兩個要求：一是原信號是平穩(wěn)的，平穩(wěn)信號由若干個固定的頻率組成且這些成分存在于整個信號區(qū)間。這樣分解得到的分量才能用幅值譜的方法得到它們的頻率組成；二是信號的截取應(yīng)滿足采樣定理及信號的長度不能太短，以使原信號中的頻率不發(fā)生失真及獲得較高的頻率分辨率。

假設(shè)x是一個經(jīng)EMD分解易產(chǎn)生模態(tài)混疊的信號，模態(tài)混疊消除方法的具體步驟如下：

(1)從x的時域圖上得到它的振幅A，從幅值譜上得到其頻率成分

(2)相應(yīng)地分別構(gòu)造k個正弦信號

(3)把這k個信號疊加到x中。得到一個新序列xnew。

xnew中的頻率成分仍然為f1、f2、···、fk，由于每個正弦信號的振幅選取為A的整數(shù)倍，即使原信號中各頻率成分的振幅相差再大，也大不過A，這就保證了x'k中各頻率成分的振幅的大小關(guān)系掩蓋了原信號中的各頻率成分的振幅大小關(guān)系，因此xnew中振幅由大到小的各頻率成分依次為：f1、f2、···、fk。

(4)構(gòu)造xnew的Hankel矩陣Hnew，并對其進(jìn)行SVD分解，獲得兩個酉矩陣Unew和Vnew，一個對角矩陣Snew。

(5)依次成對選取Snew中的前2k奇異值重構(gòu)出k個信號成分xb1、xb2、···、xbk。顯然，xbi(i=1, 2，…，k)是疊加信號中fi對應(yīng)的時間序列。

(6)從xbi中減去x'i(i=1,2，…，k)，得到原信號中fi對應(yīng)的信號成分xi。

2.3 基于仿真信號性能檢驗

實驗發(fā)現(xiàn)，EMD在分解含有頻率成分值較接近的信號時易產(chǎn)生模態(tài)混疊，因此構(gòu)造信號y2(見圖2)，其中含有10 Hz、12 Hz和14 Hz的頻率成分，且各成分振幅相等。該信號共有1 024個采樣點，采樣頻率為1 000 Hz。

圖4 y2的時域圖

先對y2進(jìn)行EMD分解，圖5為IMF分量的時域圖和幅值譜。從圖5(b)中可以明顯地看出IMF分量中存在著模態(tài)混疊現(xiàn)象，體現(xiàn)在IMF1中同時含有10 Hz、12 Hz、14 Hz三個頻率成分；IMF1和IMF2中都含有10 Hz的頻率成分。

圖5 IMF分量的時域圖和幅值譜

下面，用基于SVD的模態(tài)混疊消除方法進(jìn)行處理。

從時域圖上得到y(tǒng)2的幅值為A2=2.93。再根據(jù)其中10 Hz、12 Hz、14 Hz的頻率成分，分別構(gòu)造三組正弦信號

將y2、x'1、x'2、x'3相加，得到一個新序列y2new。y2new中同樣含有10 Hz、12 Hz、14 Hz的頻率成分。振幅由大到小的各頻率成分依次為：10 Hz、12 Hz、14 Hz。

構(gòu)造y2new的Hankel矩陣H2new并對其進(jìn)行SVD，并成對選取對角陣的前六個奇異值分別重構(gòu)出3個序列xb1、xb2、xb3。從xbi中減去x'i，分別得到三個分量x1、x2和x3。圖6為xi的時域圖和幅值譜。從圖6(b)中可以看出每個幅值譜明顯只含有一種頻率成分，不存在模態(tài)混疊現(xiàn)象，且各頻率依次為10 Hz、12 Hz、14 Hz，和原信號中的頻率成分吻合。圖6(a)中xi的振幅都穩(wěn)定在1處，和原信號中的各頻率振幅一致。各頻率成分被很好地單獨從y2中分離出來。

2.4 基于實測信號的性能檢驗

唐宏賓等指出，在實測環(huán)境中獲得的液壓信號大都可以看成由噪聲和若干個不同頻率族分量組成，而每個頻率族分量所對應(yīng)的幅值可以看成調(diào)幅信號[15]，這類信號可以看成廣義平穩(wěn)信號，因此采用液壓信號來檢驗所提出方法的性能。y3是一個實測液壓振動信號，含有1 024個采樣點，采樣頻率為1 000 Hz。圖7是y3的時域圖和幅值譜，圖7(b)中較為明顯的頻率成分有20 Hz、40 Hz、60 Hz、175 Hz。

圖6 xi的時域圖和幅值譜

圖7 y3的時域圖和幅值譜

先對y3進(jìn)行EMD分解，圖8為IMF分量的時域圖和幅值譜。從圖8(b)中可以看出兩點：一是分解得到的IMF分量中存在著模態(tài)混疊，IMF2中同時含有40 Hz、60 Hz的頻率成分；二是IMF分量的頻域圖比較散亂，分量中噪聲含量較高。

圖8 IMF分量的時域圖及其幅值譜

用基于SVD的模態(tài)混疊消除方法進(jìn)行處理。步驟同上，得到四個時間序列x1、x2、x3和x4，圖9為xi的時域圖和幅值譜。圖9(b)中每個幅值譜中明顯只含有一種頻率成分，不存在模態(tài)混疊現(xiàn)象，各頻率成分被很好地單獨從y3中分離出來。分別為20 Hz、40 Hz、60 Hz和175 Hz，和圖7(b)中的主要頻率成分吻合。同時各分量的頻域譜線比較平滑，噪聲含量比較小。

3 結(jié)語

利用SVD分解得到的奇異值對不同頻率振幅大小的分辨能力，提出一種基于SVD分解的消除模態(tài)混疊的方法，通過向原信號中疊加一組單一頻率的正弦信號，使得原信號中各頻率模糊的振幅關(guān)系在疊加信號變得清晰。然后再利用SVD分解的振幅分辨能力將各頻率成分分開。

對仿真信號和實測信號的分解實驗表明，對于EMD分解容易產(chǎn)生模態(tài)混疊的信號，文中提出的方法能夠較好地將信號中的各頻率成分單獨地分開，很好地消除了模態(tài)混疊的現(xiàn)象，改進(jìn)了EMD的性能。

圖9 xi的時域圖及其幅值譜

[1]HUANG N E,SHEN ZHENG,LONG S R,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]. Proceedings of the RoyalSociety ofLondon A: Mathematical, Physical and Engineering Sciences. London:The Royal Society,1998.903-995.

[2]HUANG N E,WU MAN LI,QU WEN DONG,et al. Applications of Hilbert-Huang transform to non-stationary financialtime seriesanalysis[J].AppliedStochastic Models in Business and Industry,2003,19(3):245-268.

[3]WU ZHAO HUA,HUANG N E.Ensemble empirical mode decomposition:a noise-assisted data analysis method [J].Advances in Adaptive Data Analysis,2009,1(1):1-41.

[4]邱綿浩，劉薔，叢華.基于B樣條插值曲線直接篩選的EMD及其在機(jī)械振動信號處理中的應(yīng)用[J].裝甲兵工程學(xué)院學(xué)報，2007，21(3)：29-33.

[5]XU ZHENG GUANG.An alternative envelope approach for empirical mode decomposition[J].Digital Signal Processing,2010,20(1):77-84.

[6]毛博，高斐，孟軍.一種基于分段冪函數(shù)插值法的經(jīng)驗?zāi)B(tài)分解方法及其應(yīng)用研究[J].中國測試，2013，39(2)：125-128.

[7]朱賽，尙偉.經(jīng)驗?zāi)B(tài)分解中的包絡(luò)算法[J].火力與指揮控制，2012，37(9)：125-128.

[8]RYAN D,KAISER J F.The use of a masking signal to improve empirical mode decomposition[C].International Conference on Acousic,Speech and Signal Processing 2005 IEEE.MA,USA:MIT Press,2005:485-488.

[9]趙玲，劉小峰，秦樹人，等.消除經(jīng)驗?zāi)B(tài)分解中混疊現(xiàn)象的改進(jìn)掩膜信號法[J].振動與沖擊，2010，29(9)：13-17.

[10]HASSANPOUR H,ZEHTABIAN A.Time domain signal enhancement based on an optimized singular vector denoising algorithm[J].Digital Signal Processing,2012, 22(5):786-794.

[11]劉鎏，閆云聚，李鵬博.奇異譜分解在超聲速無人機(jī)聲振試驗數(shù)據(jù)處理中的應(yīng)用[J].振動與沖擊，2015(3)：28-34.

[12]王超，孔凡讓，黃偉國，等.改進(jìn)的奇異值分解在軸承故障診斷中的應(yīng)用[J].振動工程學(xué)報，2014，27(2)：296-303.

[13]胥永剛，謝志聰，孟志鵬，等.基于奇異值分解的磁記憶信號特征提取方法[J].振動、測試與診斷，2014，34(6)：1105-1109.

[14]錢征文，程禮，李應(yīng)紅.利用奇異值分解的信號降噪方法[J].振動、測試與診斷，2011，31(4)：459-463.

[15]唐宏賓，吳運新，滑廣軍，等.基于EMD包絡(luò)譜分析的液壓泵故障診斷方法[J].振動與沖擊，2012，31(9)：44-48.

An EMD ModeAliasing Elimination Method based on SVD

ZHANG Xiao-ming1,TANG Jian1,HAN Jin2
(1.Engineering Institute of Engineering Corps,PLAUniversity of Science and Technology, Nanjing 210007,China; 2.Logistics Center,Northwest Industry Group Co.Ltd.,Xi'an 710043,China)

An EMD mode aliasing elimination method is proposed based on SVD.The SVD has two features:(1)each frequency component corresponds to two sizeable singular values after decomposition;(2)these singular values have a positive correlation with the frequency.According to the major frequency components of the original signal,a series of sinusoidal signals are constructed whose frequencies are the same as those of the original signal but the amplitudes are integer times of those of the original signal.Then,these sinusoidal signals are superimposed with the original signal and the new signal is decomposed by SVD.Selecting the singular values in pairs from the decomposed new signal,another series of signals is reconstructed.The final decomposition results are achieved by subtracting the corresponding sinusoidal signals from the reconstructed signals.Experiments show that this method can eliminate the mode aliasing effectively even when the frequency components are close in the signal.

vibration and wave;EMD;mode aliasing;SVD;signal construction

TH137

：A

：10.3969/j.issn.1006-1335.2016.06.028

1006-1355(2016)06-0142-06

2016-04-10

國家自然科學(xué)基金資助項目(51175511，61472392)；江蘇省青年基金項目(BK20150724)

張小明（1991-），男，江蘇省南通市人，碩士生，主要研究方向為信號處理、機(jī)械故障診斷。E-mail:18761682069@163.com

唐建，女，講師，主要研究方向為信號處理、機(jī)械故障診斷。