改进Hilbert-Huang变换：消除虚假成分的K-S检验法

"该文提出了一种改进的Hilbert-Huang变换方法，旨在消除HHT变换过程中的虚假成分，以提高信号分析的准确性。通过Kolmogorov-Smirnov (K-S)检验法识别和去除这些虚假分量，以确保信号分解的可靠性。这种方法对比了分解后的固有模态分量(IMF)与原始信号的相似概率，从而判断其真实性。文章在仿真信号上进行了验证，证明了改进方法相比传统的通过相关系数去除虚假分量的方法具有更好的性能和合理性。Hilbert-Huang变换(HHT)是一种处理非线性和非平稳信号的强大工具，但其自身的虚假分量问题限制了其分析精度。HHT通过经验模式分解(EMD)将信号分解为IMF和残量，再利用Hilbert变换获取瞬时频率。尽管HHT在多个领域如海洋学、地震学、结构健康监测和语音识别中有广泛应用，但其产生的虚假IMF分量和低频假象仍然是需要解决的关键问题。" 在Hilbert-Huang变换(HHT)中，经验模式分解(EMD)是基础步骤，它能将复杂信号分解为一系列IMF分量和一个残量。IMF分量体现了信号在时间和频率上的局部特性，而残量则反映了信号的整体趋势。然而，EMD过程中可能会出现虚假分量，特别是低频部分，这会干扰对信号真实特性的解析。为了解决这一问题，文章提出了使用K-S检验的策略。K-S检验是一种统计检验方法，用于比较两个分布的相似性。在本文中，它被用来评估每个IMF分量与原始信号之间的相似程度，若相似概率低于某一阈值，则认定为虚假分量并予以剔除。 传统的去除虚假分量的方法常常依赖于相关系数，但这种方法可能不够精确或稳定。相比之下，K-S检验提供了一种更为严谨的判据，因为它直接衡量的是分布的匹配程度，而非简单的线性关系。作者通过模拟信号的实验验证了新方法的有效性，显示其在减少虚假分量、提升分析准确性方面的优势。 这篇论文提出的改进HHT方法通过引入K-S检验来识别和消除虚假IMF分量，从而提高了对非平稳和非线性信号分析的准确性和可靠性。这对于那些依赖HHT进行信号处理的领域来说，是一个重要的进步，有助于进一步挖掘和理解复杂信号的动态特性。