[发明专利]一种基于小波和ICA改进EEMD的结构模态参数识别方法

说明书

本发明公开了一种基于小波和ICA改进EEMD的结构模态参数识别方法，利用小波中的小波软阈值去噪法消除经典EEMD分解后IMFs中的噪声残余，并利用ICA中的FastICA处理后得到新的IMFs去除模态混叠，进而利用新IMFs与原信号间的相关系数来判定真正的IMF分量，去除虚假模态，接着利用随机减量技术获得各真正IMFs的自由振动响应，最后利用希尔伯特变换(HT)和最小二乘拟合技术相结合的方法来识别出结构的频率和阻尼比。通过具备针对EEMD分解后的白噪声残余、模态混叠及有效IMFs的筛选等问题，将小波变换中的小波软阈值去噪和ICA中的FastICA相结合对EEMD进行改进的优点，解决了经典EEMD过程中产生过多虚假模态、噪声残余以及真正IMF的判定问题。

技术领域

本发明涉及一种结构振动响应进行信号分析与模态参数识别方法技术领域，具体为一种基于小波和ICA改进EEMD的结构模态参数识别方法。

背景技术

经验模态分解方法(Empirical Modal Decomposition，EMD)自提出后，被广泛应用于各领域的信号处理和分析中。但在实际应用过程中，由于经典EMD方法本身存在着一些缺陷，如模态混叠、端点效应等，大大阻碍了该方法在实际中的进一步应用。模态混叠现象的出现有两方面的原因：一方面是与EMD本身算法相关，另一方面原始信号的频率特征也会影响分解结果，甚至产生模态混叠。如EEMD分解后的白噪声残余、虚假模态等，而且随着EEMD方法应用的增多，EEMD方法的缺陷也渐渐凸显出来，实践证明EEMD并不能有效地解决模态混叠现象，而且有效的IMF需要人为进行筛选等。其他学者在EEMD方法的基础上提出了各种改进的EEMD方法，如基于SVM改进EEMD、互补总体经验模态分解(CEEMD)等，这些噪声辅助方法中，互补集总体经验模态分解(CEEMD)和完全噪声辅助噪声集总体经验模态分解(CEEMDAN)恢复了EMD分解的完整性，但这些方法都需要较多的迭代次数、计算时间长及分解效率低等缺陷。

由上可知，EEMD分解后的白噪声残余、模态混叠及有效IMFs的筛选将直接影响结构模态参数的识别精度。因此，可以将小波变换中的小波软阈值去噪和ICA中的FastICA相结合对EEMD进行改进，FastICA算法是盲信号处理常用的一种算法，它能消除各个输入量之间的互信息和信息冗余，分离出信息之间隐藏的内部相互独立的成分。由于FastICA算法运算过后所得到的输出量具有独立特性，所以输出得到的IMF分量也是独立的。

基于此，本发明提出了一种新的基于小波和FastICA改进EEMD的结构模态参数识别方法，来解决经典EEMD过程中产生过多虚假模态、噪声残余以及真正IMF的判定问题，从而实现真正IMF的有效识别。

发明内容

本发明的目的在于提供一种基于小波和ICA改进EEMD的结构模态参数识别方法，具备针对EEMD分解后的白噪声残余、模态混叠及有效IMFs的筛选等问题，将小波变换中的小波软阈值去噪和ICA中的FastICA相结合对EEMD进行改进的优点，解决了经典EEMD过程中产生过多虚假模态、噪声残余以及真正IMF的判定问题。

为实现上述目的，本发明提供如下技术方案：一种基于小波和ICA改进EEMD的结构模态参数识别方法，利用小波中的小波软阈值去噪法消除经典EEMD分解后IMFs中的噪声残余，并利用ICA中的FastICA处理后得到新的IMFs去除模态混叠，进而利用新IMFs与原信号间的相关系数来判定真正的IMF分量，去除虚假模态，接着利用随机减量技术获得各真正IMFs的自由振动响应，最后利用希尔伯特变换(HT)和最小二乘拟合技术相结合的方法来识别出结构的频率和阻尼比。

该算法实现的步骤如下：

A：首先对响应信号进行经典EEMD过程，得到若干个IMF分量，并对各IMF分量进行小波软阈值去噪，得到去噪后的IMFs输入矩阵c(t)；

B：利用ICA中的FastICA算法对去噪后的IMFs输入矩阵c(t)进行分离，得到输出矩阵S即为去模态混叠后的新IMFs；