75600

ЦИФРОВАЯ ОБРАБОТКА НЕСТАЦИОНАРНЫХ СИГНАЛОВ. ПРЕОБРАЗОВАНИЕ ГИЛЬБЕРТА-ХУАНГА

Лекция

Коммуникация, связь, радиоэлектроника и цифровые приборы

Каждый из этих колебательных режимов может быть представлен функцией внутренней моды intrinsic mode function IMF. IMF представляет собой колебательный режим как часть простой гармонической функции но вместо постоянной амплитуды и частоты как в простой гармонике у IMF могут быть переменная амплитуда и частота как функции независимой переменной времени координаты и пр. Любую функцию и любой произвольный сигнал можно разделить на семейство функций IMF. Процесс отсева функций IMF.

Русский

2015-01-15

140 KB

8 чел.

ОС. Лекция 13-14

ЦИФРОВАЯ ОБРАБОТКА НЕСТАЦИОНАРНЫХ СИГНАЛОВ. ПРЕОБРАЗОВАНИЕ ГИЛЬБЕРТА-ХУАНГА.

Введение

Под преобразованием Гильберта-Хуанга (Hilbert-Huang transform – HHT)  понимается эмпирический метод декомпозиции (EMD) нелинейных и нестационарных процессов и Гильбертов спектральный анализ (HSA). HHT представляет собой частотно-временной анализ данных (сигналов) и не требует априорного функционального базиса. Функции базиса получаются адаптивно непосредственно из данных процедурами отсеивания EMD. Мгновенные частоты вычисляются от производных фазовых функций Гильбертовым преобразованием функций базиса. Заключительный результат представляется в частотно-временном пространстве. Ниже на рис. 1 приведен пример представления потока спектров спутниковых ЛЧМ-сигналов в частотно-временном пространстве.

 

Рис. 1. Пример представления фрагмента потока спектров спутниковых ЛЧМ- сигналов.

EMD-HSA был предложен Норденом Хуангом в 1995 в США (NASA) для изучения поверхностных волн тайфунов, с обобщением на анализ произвольных временных рядов коллективом соавторов  в 1998 г. /2/. В последующие годы, по мере расширения применения EMD-HSA для других отраслей науки и техники, вместо термина EMD-HSA был принят более короткий термин преобразования HHT.

Декомпозиция сигналов основана на предположении, что любые данные состоят из различных режимов колебаний. В любой момент времени данные могут иметь много различных сосуществующих режимов колебаний, нанесенных одно на другое. Каждый режим, линейный или нелинейный, представляет простое колебание, которое имеет экстремумы и нулевые пересечения. Кроме того, колебание будет в определенной степени «симметрично» относительно локального среднего значения. Результат – конечные  сложные данные.

Каждый из этих колебательных режимов может быть представлен функцией внутренней моды (intrinsic mode function - IMF).

IMF представляет собой колебательный режим, как часть простой гармонической функции, но вместо постоянной амплитуды и частоты, как в простой гармонике, у IMF могут быть переменная амплитуда и частота, как функции независимой переменной (времени, координаты, и пр.). Любую функцию и любой произвольный сигнал можно разделить на семейство функций IMF.

Пример разложения цифрового массива модельного сигнала y(k), представленного на слайде. Сигнал смоделирован суммой трех нестационарных по амплитуде гармоник различной частоты на интервале отсчетов по k от 0 до 200, и продлен на начальном и конечном участках на интервалы tp=4 для задания начальных и конечных условий преобразования и устранения ошибок преобразования на концевых интервалах обрабатываемого массива данных.

Рис. 2.

Процесс отсева функций IMF.  Алгоритм эмпирической декомпозиции сигнала складывается из следующих операций его преобразования.

   Операция 1. Идентифицируем по координатам и амплитудам все локальные экстремумы (максимумы и минимумы) сигнала . Группируем раздельно массивы векторов координат (номеров отсчетов) хmax(k) и соответствующих амплитудных значений уmax(k) максимумов, и аналогичные массивы векторов xmin(k) и ymin(k) минимумов всех выделенных экстремумов.

Рис. 3

Операция 2. Кубическим (или каким либо другим) сплайном вычисляем верхнюю и нижнюю огибающие сигнала по выделенным максимумам и минимумам, как это показано на рисунке (красный и синий цвет соответственно). Определяем функцию средних значений m1(k) между огибающими (черный цвет) и находим первое приближение к первой функции IMF:

h1(k) = y(k) – m1(k). 

 

Рис. 4.

Операция 3. Повторяем операции 1 и 2, принимая вместо y(k) функцию h1(k), и находим второе приближение к первой функции IMF – функцию h2(k).

h2(k) = h1(k) – m2(k).

 Аналогично находим третье и последующие приближения к первой функции IMF. По мере увеличения количества итераций функция mi(k), равно как и функция hi(k), стремится к неизменяемой форме. С учетом этого, естественным критерием останова итераций является задание определенного предела по нормализованной квадратичной разности между двумя последовательными операциями приближения, определяемой как

Правило останова

Пример изменения значений d в процессе итераций приведен на рис. 5 При пороге d = 0.0001 количество итераций, как правило, не превышает 6-8.

Результат разложения

Последнее значение hi(k) итераций принимается за наиболее высокочастотную функцию с1(k) = hi(k) семейства IMF, которая непосредственно входит в состав исходного сигнала y(k). Это позволяет вычесть с1(k) из состава сигнала и оставить в нем более низкочастотные составляющие:

Рис. 6.

r1(k) = y(k) – c1(k).           

Функция r1(k) обрабатывается как новые данные по аналогичной методике с нахождением второй функции IMF – c2(k), после чего процесс продолжается:

r2(k) = r1(k) – c2(k),   и т.д.                                              

Таким образом, достигается декомпозиция сигнала в n – эмпирическом приближении:    y(t) =   cn(t)+rn(t).

Критерии останова процесса декомпозиции

  1.  Остаток rn(k) во всем интервале задания сигнала становятся несущественными по своим значениям по сравнению с сигналом.
  2.  Остаток rn(k) становится монотонной функцией, из которой больше не может быть извлечено функций IMF.
  3.  Так как в конечном итоге суммирование всех функций IMF (реконструкция сигнала) должно давать исходный сигнал, то можно останавливать разложение заданием относительной погрешности среднеквадратической реконструкции (без учета остатка rn(k)) .
  4.  По мере увеличения количества функций IMF относительная среднеквадратическая погрешность реконструкции достаточно сложных и протяженных сигналов уменьшается, но, как правило, имеет определенный минимум. По-видимому, это определяется попытками алгоритма разложить остаток на функции, частично компенсирующие друг друга. Соответственно, останов программы может выполняться, если следующая выделенная функция IMF увеличивает погрешность реконструкции.

Практический критерий останова процесса декомпозиции

Другими словами, остановка декомпозиции сигнала должна происходить при максимальном «выпрямлении» остатка, т.е. превращения его в тренд сигнала по интервалу задания с числом экстремумов не более 3. Даже для данных с нулевым средним значением конечный остаток может отличаться от нуля. Чтобы применять метод EMD, центрирования данных не требуется, метод нуждается только в локализациях экстремумов. Нулевая линия для каждого компонента декомпозиции будет сформирована процессом отсеивания.

Пример полной декомпозиции с остановом по критерию 2.

На верхнем графике рисунка приведен входной сигнал преобразования (красным) и сигнал обратной реконструкции (пунктиром) суммированием функций разложения ci (c1-c5).

Рис. 7

Компоненты EMD обычно физически значимы, поскольку характеристические параметры функций IMF определяются материальными данными.

Ортогональность базиса декомпозиции

Входной сигнал y(k) в соответствии с выражением  раскладывается по базису, который, не определен аналитически, но удовлетворяет всем традиционным требованиям базиса. На основании проверки на модельных и опытных данных он является:

- законченным и сходящимся (сумма всех функций IMF и остатка равна исходному сигналу и не зависит от критериев останова итераций),

- ортогональным (все IMF и остаток ортогональны друг другу),

- единственным.

Главное достоинство метода

Метод разложения является адаптивным, так как получен непосредственно из анализируемых данных эмпирическим методом.

 Ортогональность базиса легко может быть проверена скалярным произведением любых пар компонентов IMF. Сумма  всех компонентов IMF, включая остаток, должна реконструировать входной сигнал и может использоваться для определения ошибки декомпозиции. Как правило, наибольшие локальные ошибки декомпозиции наблюдаются на концевых участках входного массива данных. Для исключения ошибок рекомендуется задавать интервалы начальных и конечных условий, а сигнал на этих интервалах формировать какой-либо функцией прогнозирования, или продлевать (четно или нечетно) функцией самого сигнала.


EMBED Equation.3  


 

А также другие работы, которые могут Вас заинтересовать

33916. Абсолютные показатели вариации 20.12 KB
  Чтобы дать представление о величине варьирующего признака недостаточно исчислить средний показатель. Кроме средней необходим показатель характеризующий вариацию признака. Вариация это изменение значения признака у отдельных единиц совокупности.
33917. Относительные показатели вариации 15.59 KB
  Относительные показатели вариации Для сравнения вариации в разных совокупностях рассчитываются относительные показатели вариации. К ним относятся коэффициент вариации коэффициент осцилляции и линейный коэффициент вариации относительное линейное отклонение. Коэффициент вариации это отношение среднеквадратического отклонения к среднеарифметическому рассчитывается в процентах: . Коэффициент вариации позволяет судить об однородности совокупности: 17 абсолютно однородная; 1733 достаточно однородная; 3540 недостаточно...
33918. Мода. Определение моды в дискретных вариационных рядах 15.34 KB
  Определение моды в вариационных рядах с равными интервалами.6 где x0 нижняя граница модального интервала модальным называется интервал имеющий наибольшую частоту; i величина модального интервала; fMo частота модального интервала; fMo1 частота интервала предшествующего модальному; fMo1 частота интервала следующего за модальным.
33919. Понятие медианы, квартилей, децилей 11.29 KB
  Понятие медианы квартилей децилей Медианазначение признака которое делит стат.совти имеет значение признака не МЕНЬШЕ медианы а другая половина значение признака не больше медианы. Значение изучаемого признака всех ед.совти не четное то значение признака находящееся в середине ранжированного ряда будет являться медианой а если число ед.
33920. Определение структурных средних в дискретных вариационных рядах 14.62 KB
  Мода это наиболее часто встречающийся вариант ряда. Модой для дискретного ряда является варианта обладающая наибольшей частотой. Медиана это значение признака которое лежит в основе ранжированного ряда и делит этот ряд на две равные по численности части.
33921. Определение структурных средних в интервальном вариационном ряду 41.92 KB
  При вычислении моды для интервального вариационного ряда необходимо сначала определить модальный интервал по максимальной частоте а затем значение модальной величины признака по формуле: где: значение моды нижняя граница модального интервала величина интервала заменить на iМе частота модального интервала частота интервала предшествующего модальному частота интервала следующего за модальным Медиана это значение признака которое лежит в основе ранжированного ряда и делит этот ряд на две равные по...
33922. Закономерные изменения частот за счет изменения варьирующего признака в вариационных рядах 12.67 KB
  Главной задачей анализа вариационных рядов является выявление закономерностей распределения и характера распределения. Тип закономерности распределения это отражение в вариационных рядах общих условий определяющих распределение в однородной совокупности. Следовательно должна быть построена кривая распределения.
33923. Виды дисперсий. Правило сложения дисперсий 23.06 KB
  Правило сложения дисперсий Вариация признака происходит в резте влияния на него различных факторов. Признакам на вариации под влиянием осн. Отклонение индивидуальных значений результативного признака от ср.значения результативного признака для всей совокупности можно представить как сумму отклонений где i текущий номер признака общей совти; j текущий номер группы в интером ряду распределения; среднее значение результативного признака в jгруппе.
33924. Использование показателей вариации в анализе взаимосвязей социально-экономических явлений 15.36 KB
  Эмпирическое корреляционное отношение характеризует тесноту связи; рассчитывается как корень квадратный из эмпирического коэффициента детерминации Оба показателя находятся в пределах от 0 до 1 при этом чем ближе показатели к 1 тем связь между изучаемыми признаками теснее. Для оценки тесноты связи с помощью корреляционного отношения можно воспользоваться шкалой Чеддока: 0103связь слабая 0305связь умеренная 0507связь заметная 0709связь тесная 09099связь весьма тесная.