[发明专利]一种基于成分向量的经验模态分解高频数据的降噪方法

权利要求书

1.一种估计数据噪声水平的方法，所述方法包括步骤：

(1)使用经验模态分解将含噪声的原始高频数据分解成有限个本征模态函数和残余项；

(2)对所述本征模态函数进行Hilbert变换，得到它们的瞬时振幅和瞬时能量，将本征模态函数的瞬时能量看作为给定时间的基向量；

(3)根据成分向量的定义从所述基向量得到成分向量；在成分向量中，每个元素代表在该给定时间每个本征模态函数的能量占总能量的百分比，以此方式得到成分向量的集合；

(4)利用成分数据的统计特性的优势来分析每个本征模态函数的瞬时能量占比，得到成分向量的置信区间；比较每个成分向量的能量部分，获得每个本征模态函数对总能量的贡献；

(5)置信区间表示相应的本征模态函数所具有的能量占总能量百分比的置信区间，由此通过判断置信区间的上限和下限来判断该本征模态函数的能量占比比重，然后通过设定阈值来将噪声分量分离出来。

2.根据权利要求1的方法，在所述步骤(5)中，将阈值设置为先判定能量占比最大的本征模态函数，得到最大的置信区间，然后置信区间的阈值为：置信上限为该最大置信上限的十分之一，置信下限为该下限的十分之一，由此得到置信区间的阈值，如果其余的本征模态函数的置信区间为该置信区间阈值的子集，则可判别该本征模态函数为噪声分量，否则为信号分量，由此可以从信号中有效除去噪声组分。

3.根据权利要求1的方法，在所述步骤(1)中，信号s(t)被分解成多个本征模态函数和残余项

。

4.根据权利要求1的方法，在所述步骤(2)中，在对每个本征模态函数组分进行Hilbert变换，获得数据的能量-频率-时间分布。

5.根据权利要求3的方法，对于信号s(t)，筛分过程如下：找到s(t)的局部极大点和局部极小点，将所有局部极大点和局部极小点连接起来得到上包络线和下包络线，平均值如下：

式中e₊是上包络线；e_-是下包络线；

计算原始信号和平均值的差，为第一组分：

h₁＝s(t)-m₁(2)

式中t是时间维度；s(t)是t时刻的信号值；

本征模态函数须满足如下两个条件：1)在整个时间范围内，该函数的局部极值点与过零点的数目相等或相差1个；2)由局部极大值定义的上包络线与由局部极小值定义的下包络线的平均值为0，

如果h₁符合本征模态函数的定义，则h₁为第一个本征模态函数，否则重复上述步骤，h₁视为信号：

h_1,1＝h₁-m_1,1(3)

重复筛分过程k次：

h_1,k＝h_1,k-1-m_1,k(4)

确定停止筛分过程的标准，保证本征模态函数组分保持频率有物理意义：

式中t是时间维度，SD的区间为0.2-0.3；

h_1,k表示为

c₁＝h_1,k(6)

因此，从原始数据分离出了第一个本征模态函数组分c₁。c₁包含信号中最大频率组分或最短周期组分；

然后，通过减去c₁获得残余组分：

r₁＝s(t)-c₁(7)

因为残余组分r₁包含更长周期组分，将其作为新的信号，进行相同的筛分过程，筛分过程停止条件：残余组分r_n变成单调函数或者变成常数；

最后，获得从高到低的多个频率范围的多个本征模态函数和残余项，上述过程可以获得

这里实现将信号分解成n个本征模态函数和残余项r_n，残余项r_n是单调函数或常数。