【信号处理】经验模态分解 (Empirical Mode Decomposition)

【信号处理】经验模态分解 (Empirical Mode Decomposition)这篇博客介绍了经验模态分解 EMD 和集合经验模态分解 EEMD 的概念及其在信号处理中的应用

大家好,欢迎来到IT知识分享网。

经验模态分解(Empirical Mode Decomposition,简称EMD)

经验模态分解EMD是基于瞬时频率、本征模态函数(Intrinsic Mode Function,IMF)的概念,能够将复杂信号分解为若干个IMF分量,每个IMF表征信号的局部特征。依据的是数据自身的时间尺度特征来进行信号分解,无需预先设定任何基函数,因此具有自适应性。再通俗一点,EMD就像一台机器,把一堆混在一起的硬币扔进去,他会自动按照1元、5毛、1毛、5分、1分地分成几份。

经验模态分解的基本思想:将一个频率不规则的波化为多个单一频率的波+残波的形式。原波形 = ∑ IMFs + 余波。

EMD分解python代码:

import pandas as pd import matplotlib.pyplot as plt %matplotlib inline import numpy as np from PyEMD import EMD import scipy.io.wavfile as wf plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示符号 Fs = 44100 T = 1/Fs sample_rate, noised_sigs = wf.read('noised.wav') t = np.linspace(0,len(noised_sigs)-1,len(noised_sigs)) s = np.array(noised_sigs) emd = EMD() imfs = emd.emd(s,t,10) # Plot results plt.figure(figsize=(12,15)) plt.subplot(7,2,1) plt.plot(t, s, 'r') plt.title("Input signal") plt.figure(figsize=(12,15)) plt.subplot(7,2,1) plt.plot(t, s, 'r') plt.title("IMFS") for n, imf in enumerate(imfs): plt.subplot(13,2,n+3) plt.plot(t[:2000], imf[:2000], 'g') plt.ylabel("IMF %i" %(n+1)) plt.tight_layout() plt.show() 

在这里插入图片描述

同理,集合经验模态分解(EEMD)分解展示如下:

import pandas as pd import matplotlib.pyplot as plt %matplotlib inline import numpy as np from PyEMD import EEMD import scipy.io.wavfile as wf plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示符号 Fs = 44100 T = 1/Fs sample_rate, noised_sigs = wf.read('noised.wav') t = np.linspace(0,len(noised_sigs)-1,len(noised_sigs)) s = np.array(noised_sigs) emd = EEMD() imfs = emd.emd(s,t,10) # Plot results plt.figure(figsize=(12,15)) plt.subplot(7,2,1) plt.plot(t, s, 'r') plt.title("Input signal") plt.figure(figsize=(12,15)) plt.subplot(7,2,1) plt.plot(t, s, 'r') plt.title("IMFS") for n, imf in enumerate(imfs): plt.subplot(13,2,n+3) plt.plot(t[:2000], imf[:2000], 'g') plt.ylabel("IMF %i" %(n+1)) plt.tight_layout() plt.show() 

在这里插入图片描述
测试数据(noised.wav)放在这里,方便大家复现:
链接:https://pan.baidu.com/s/1_nMaikrjGYDmae8u1RYIVA
提取码:z55v


免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://haidsoft.com/123025.html

(0)
上一篇 2025-10-12 10:33
下一篇 2025-10-12 11:00

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信