"非递归变分模态分解(VMD)及其在信号分解中的应用"
需积分: 49 192 浏览量
更新于2024-01-13
3
收藏 4.22MB DOCX 举报
生成一段描述,严格要求2000字,关于VMD(变分模态分解)译文的总结:
在90年代末, Hμang引入了经验模态分解(EMD)算法,该算法现在被广泛用于将信号进行递归分解为不同的模态。然而,EMD算法存在对噪声和采样的敏感性等限制。其他一些数学方法如同步压缩,经验小波和递归变分分解等方法也只能部分解决这些限制。因此,在这篇文章中我们提出了一个全新的非递归模态分解模型,即变分模态分解(VMD)模型,该模型可以同时提取这些模态。通过寻找模态及其对应的中心频率,使得这些模态能够共同重构输入信号,并且这些模态在解调为基带后都变得平滑。
在傅立叶域中,这种模态分解方法与窄带优先的方法一致。实际上,我们将经典的维纳滤波器推广为多个自适应频带,从而与VMD方法有了重要的关系。这种模型提供了一个理论上合理且易于理解的解决方案,并且可以有效地通过交替方向乘性优化算法进行优化。初步结果表明,相比现有的模态分解模型,VMD模型具有更好的性能。特别地,我们的模型对采样和噪声具有更高的鲁棒性。
在这篇论文中,我们展示了VMD方法与维纳滤波器降噪方法的联系。更具体地说,我们将经典的维纳滤波器推广为多个自适应频带的VMD模型。这种模型不仅提供了理论上可行且易于理解的解决方案,而且通过交替方向乘性优化算法进行的优化也非常高效。
最后,我们在一系列人工合成数据集和真实世界数据中测试了VMD模型的性能。结果显示,与现有的模态分解模型相比,VMD模型具有更好的性能。特别是在采样和噪声较高的情况下,我们的模型表现出更高的鲁棒性。
总而言之,本文提出的VMD模型是一种全新的非递归模态分解方法,该方法在理论上合理且易于理解。通过提取一组模态和其对应的中心频率,VMD模型可以将信号递归地分解为不同的模态,并且在解调为基带后使得每个模态变得平滑。与现有的模态分解模型相比,VMD模型具有更好的性能和鲁棒性,特别是在采样和噪声较高的情况下。我们的研究结果为信号分解问题提供了一种有效的解决方案,具有广泛的应用前景。
2018-03-14 上传
2020-03-24 上传
2024-01-28 上传
2022-11-30 上传
2022-12-15 上传
2022-07-13 上传
2024-02-15 上传
谭拥
- 粉丝: 77
- 资源: 2
最新资源
- Aspose资源包:转PDF无水印学习工具
- Go语言控制台输入输出操作教程
- 红外遥控报警器原理及应用详解下载
- 控制卷筒纸侧面位置的先进装置技术解析
- 易语言加解密例程源码详解与实践
- SpringMVC客户管理系统:Hibernate与Bootstrap集成实践
- 深入理解JavaScript Set与WeakSet的使用
- 深入解析接收存储及发送装置的广播技术方法
- zyString模块1.0源码公开-易语言编程利器
- Android记分板UI设计:SimpleScoreboard的简洁与高效
- 量子网格列设置存储组件:开源解决方案
- 全面技术源码合集:CcVita Php Check v1.1
- 中军创易语言抢购软件:付款功能解析
- Python手动实现图像滤波教程
- MATLAB源代码实现基于DFT的量子传输分析
- 开源程序Hukoch.exe:简化食谱管理与导入功能