间歇信号的IEMF筛选与模态混叠解决方案

间歇信号的经验模态筛选方法是一篇由钱昌松、刘代志、刘志刚、胡重庆和齐玮、易世华共同撰写的学术论文，发表在第二炮兵工程学院，西安，探讨了经验模态分解（EMD）中遇到的间歇事件导致的模态混叠问题。EMD是一种非线性和自适应的信号分解技术，特别适合处理非线性和非平稳信号，但在实际应用中，由于其固有的模态混叠问题，限制了其广泛使用。 论文的核心贡献在于提出了一种新的概念——间歇经验模态分量（IEMF），这是一种专门用于描述和处理间歇事件的技术。作者提出了一种基于经验模态域滤波的筛选算法，旨在有效地分离IEMF，避免模态混叠。此外，他们还设计了一种经验周期谱分析方法来检测模态混叠的存在，确保分解的准确性。 论文的关键实验部分涉及构造标准模态叠加模型和高斯混合叠加模型生成模拟信号，然后使用作者的算法以及传统的EMD算法对这些信号进行分解。结果显示，作者的算法能够有效消除间歇模态带来的模态混叠，分解出的模态分量与理论模型基本吻合，这证明了新方法的有效性和优越性。 此外，论文也讨论了解决模态混叠问题的传统方法，如瞬态测试，这种方法依赖于主观设定的尺度，对于复杂尺度的数据可能不适用。作者的方法则克服了这些问题，提供了一种更为客观和有效的解决方案。 总结来说，这篇论文对间歇信号的经验模态分析提出了创新性的处理策略，不仅解决了模态混叠这一关键问题，还展示了IEMF在实际信号处理中的实用价值，为非线性和非平稳信号的分解提供了新的可能性。这对于信号处理领域的研究者和工程师来说，具有重要的理论和实践意义。