[发明专利]一种用于非平稳信号的变分模态分解参数优化的迭代方法

说明书

本发明提供了一种用于非平稳信号的变分模态分解参数优化的迭代方法,其采用变分模态迭代分解信号的方式来消除分解层数对变分模态分解效果的影响，而针对惩罚参数对变分模态分解性能影响的问题，其利用操作简单和收敛速度快的灰狼优化算法对该惩罚参数进行全局寻优，从而实现快速地将非平稳信号的各个频段信号有效地分解在不同模态分量中，其不仅能够解决分解层数对变分模态分解的影响，还能有效地对惩罚参数进行寻优，其与传统变分模态分解相比，其在分解效果和对信号的分解速度上具有更好的优势。

技术领域

本发明涉及非平稳信号处理的技术领域，尤其涉及一种用于非平稳信号的变分模态分解参数优化的迭代方法。

背景技术

经验模态分解（Empirical mode decomposition, EMD）是一种常用的时频信号分析方法，其能够实现信号的自适应分解，并且广泛应用于非平稳信号的处理上，能够将非平稳信号分解成若干模态分量，但是由于其过度依赖极值点搜索和载波包络线的差值，容易造成模态混叠、端点效应和分解效率低下等问题。虽然，现有技术针对上述问题提出了局部均值分解（Local mean decomposition ，LMD）和集合经验模态分解（Ensemble empiricalmode decomposition ，EEMD）等算法，但是其并没有从根本上解决上述问题。

为了进一步解决上述问题，提出了变分模态分解（Variational modedecomposition ，VMD），其通过迭代搜寻变分模型最优解来确定每个模态分量的带宽和中心频率从而实现了信号的自适应分解的过程，其具有完备的数学基础，能够有效解决模态混叠、端点效应以及分解效率低下等问题，但是变分模态在分解信号之前，需要预设一些参数，其中对变分模态分解效果有严重影响的有分解层数和惩罚参数。然而，目前并没有较高效率的方式来选择设置该变分模态分解中分解层数和惩罚参数。

发明内容

针对上述现有技术存在的缺陷，本发明用于非平稳信号的变分模态分解参数优化的迭代方法，其包括步骤S1，对多分量的非平稳信号进行快速傅里叶变换，以此得到相应的初始信号频谱，并统计该初始信号频谱的波峰总个数，记录波峰所对应的频点，并将个频点共同作为该初始信号的特征频点，步骤S2，设置变分模态分解的参数以及灰狼优化算法的参数，其中设置该变分模态分解的参数包括将变分模态分解的惩罚参数设为待优化参数，并根据该惩罚参数的寻优空间初始化该灰狼优化算法中的狼群位置，步骤S3，设计适应度函数为频域峰值因子与相关性的乘积，将狼群位置设置为变分模态分解的惩罚参数的取值，并对该非平稳信号进行变分模态分解，再计算该适应度函数的值，然后根据该适应度函数的计算值的大小，找到本次迭代寻优对应的最优解、次优解和第三最优解，步骤S4，更新该灰狼优化算法的迭代寻优的次数，根据上一次迭代寻优的最优解、次优解和第三最优解更新该狼群位置，以及计算更新后的狼群位置对应的适应度函数值，步骤S5，重复上述步骤S3和步骤S4直到迭代寻优的次数大于预设最大的迭代寻优次数，结束该灰狼优化算法的迭代寻优过程，并将最后一次迭代寻优对应找到的最优解作为该迭代寻优的最终最优解，步骤S6，将最终最优解作为该变分模态分解的惩罚参数，以及将该变分模态分解的分解层数设为1，然后对该非平稳信号进行变分模态的迭代分解，并将每一次迭代分解产生的模态分量进行快速傅里叶变换，以此得到该模态分量频域的最大峰值频点，再根据该最大峰值频点与该步骤S1确定个频点之间的对照结果，确定是否结束该迭代分解；可见，该用于非平稳信号的变分模态分解参数优化的迭代方法采用变分模态迭代分解信号的方式来消除分解层数对变分模态分解效果的影响，而针对惩罚参数对变分模态分解性能影响的问题，其利用操作简单和收敛速度快的灰狼优化算法对该惩罚参数进行全局寻优，从而实现快速地将非平稳信号的各个频段信号有效地分解在不同模态分量中，其不仅能够解决分解层数对变分模态分解的影响，还能有效地对惩罚参数进行寻优，其与传统变分模态分解相比，其在分解效果和对信号的分解速度上具有更好的优势。

本发明提供一种用于非平稳信号的变分模态分解参数优化的迭代方法，其特征在于，其包括如下步骤：