作者：位秀雷; 林瑞霖; 刘树勇; 杨庆超总体平均经验模态分解混沌信号奇异值分解降噪
摘要：在总体平均经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）降噪过程中,对本征模态分量（Intrinsic Mode Function,IMF）的有效处理一直是影响降噪效果的关键。为此,提出一种基于改进EEMD的去噪方法。基于＂3σ＂法则和奇异值分解（Singular Value Decomposition,SVD）提取第一个IMF分量中有用信号细节。利用连续均方误差准则对剩余IMF分量进行高低频区分,分别使用SVD和S-G算法提取高低频分量的有用信号,可以有效避免了高频部分有用信号的流失,同时剔除低频分量中的部分噪声,克服了EEMD去噪时IMFs难以有效处理的不足。为了验证该方法的有效性,进行了数字仿真与双势阱混沌振动试验,结果表明,该方法的降噪效果优于小波加权和EEMD去噪方法。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
