HHT/EMD端点延拓新法：振动信号中LS-SVM抑制与高效分析

本文主要探讨了在振动信号处理中，针对Hilbert-Huang变换（HHT）所面临的端点效应问题。Hilbert-Huang变换是一种时频分析工具，尤其适用于非线性、非平稳信号的处理，但在信号的起始和结束部分，由于数据不足或信号特性突变，可能导致分析结果的不准确。端点效应是指在信号边界处，HHT提取的本征模分量和固有频率可能出现异常。 针对这一问题，研究者郭明威、倪世宏、朱家海和张志鹏提出了一种创新的方法，即基于时间尺度的最小二乘支持向量机（LS-SVM）端点延拓技术。LS-SVM作为一种强大的机器学习模型，其回归特性被用于预测信号中的极值点，包括幅度和时间点。他们采用了一种自适应预测算法，能够根据不同信号特性动态调整预测策略，提高预测精度。 首先，通过LS-SVM回归，对信号的端点附近进行预测，对幅度进行延伸，同时考虑时间点的延拓，确保信号的连续性。接着，对预测出的极值信息进行埃尔米特插值，这是一种数值分析方法，可以平滑地连接预测点，避免了直接插值可能引入的尖峰和噪声。这样，就实现了对原始信号的有效延拓，消除了端点效应。 实验部分，作者分别使用仿真信号和实际的航空发动机振动信号进行了深入的分析和验证。结果显示，该方法能够有效地同时抑制两种端点效应，即幅度端点效应和时间端点效应。此外，新方法还展现出预测精度高、有效延拓距离长以及处理速度较快的优点，这对于信号处理中的实时性和准确性至关重要。 这项研究不仅提升了HHT在振动信号分析中的稳健性，也为其他信号处理领域中如何应对端点效应问题提供了新的思路和技术支持。通过结合时间尺度分析和机器学习技术，该方法为非线性、非平稳信号处理提供了一种有效的解决方案，对于提升信号处理的质量和效率具有重要意义。