基于非平稳性度量的EMD趋势噪声分解：理论、方法与应用

基于非平稳性度量的EMD趋势噪声分解：理论、方法与应用一、引言1.1研究背景与意义在众多科学与工程领域，如生物医学、通信工程、机械故障诊断、金融数据分析等，非平稳信号广泛存在。例如，生物医学中的心电图（ECG）信号，其形态和频率会随着心脏的生理状态变化而改变；通信工程中，由于信道的时变特性和多径传播，接收到的信号常常呈现非平稳特性；机械故障诊断中，机械设备在运行过程中，由于磨损、疲劳等因素，其振动信号的统计特性会随时间变化；金融市场的波动受宏观经济环境、政策调整、投资者情绪等多种因素影响，导致金融数据如股票价格、汇率等呈现出明显的非平稳性。这些非平稳信号蕴含着丰富的信息，准确分析和处理它们对于相关领域的研究和应用至关重要。然而，传统的基于平稳信号假设的信号处理方法，如傅里叶变换，由于其在分析信号时将信号视为平稳的，只能提供信号在整个时间跨度上的全局频率信息，无法反映信号的时变特性，在处理非平稳信号时存在很大的局限性，难以有效提取信号的特征信息。经验模态分解（EMD）作为一种自适应的非线性信号处理方法，在非平稳信号处理领域具有重要地位。它能够根据信号自身的特性，将复杂的非平稳信号分解为一系列具有不同时间尺度的固有模态函数（IMF）和一个趋势项，无需预先设定基函数，极大地拓展了非平稳信号分析的范围。在趋势噪声分解任务中，EMD发挥着关键作用。通过将信号分解为IMF和趋势项，EMD可以将信号中的趋势成分和噪声成分分离出来，为后续的信号分析和处理提供便利。在金融时间序列分析中，利用EMD分解可以将股票价格序列中的长期趋势和短期波动（噪声）分离，有助于投资者更好地把握股票价格的走势，做出合理的投资决策；在机械故障诊断中，通过EMD对振动信号进行趋势噪声分解，能够提取出反映设备运行状态的特征信息，实现对设备故障的早期预警和诊断。然而，传统的EMD方法在进行趋势噪声分解时存在一些问题，导致分解效果不够理想。其中一个主要问题是模态混叠，即一个IMF中可能包含多个不同频率尺度的信号成分，或者同一频率尺度的信号成分被分散到多个IMF中，这使得IMF的物理意义不明确，难以准确区分趋势成分和噪声成分，影响后续的分析和应用。另一个问题是端点效应，EMD在处理信号时对信号的端点比较敏感，可能会在端点处产生虚假的高频振荡，这些虚假振荡会传播到整个分解过程中，导致分解结果出现偏差，降低趋势噪声分解的精度。此外，传统EMD方法在确定IMF是属于趋势分量还是噪声分量时，缺乏有效的准则，往往依赖于经验判断，这使得分解结果的主观性较强，缺乏一致性和可靠性。非平稳性度量作为衡量信号非平稳程度的量化指标，为提升EMD趋势噪声分解效果提供了新的思路和方法。通过引入非平稳性度量，可以更准确地描述信号的非平稳特性，为EMD分解过程中IMF的分类提供客观依据。根据信号的非平稳性度量值，可以判断IMF的变化规律和复杂程度，从而更合理地将IMF划分为趋势分量和噪声分量，减少模态混叠现象，提高趋势噪声分解的准确性。在处理具有复杂变化趋势的信号时，非平稳性度量能够帮助识别出信号中的突变点和趋势转折点，使得EMD分解能够更好地捕捉信号的特征，将趋势成分和噪声成分更准确地分离出来。因此，研究基于非平稳性度量的EMD趋势噪声分解方法，对于解决传统EMD方法存在的问题，提高非平稳信号处理的精度和可靠性，具有重要的理论意义和实际应用价值。它可以为生物医学信号分析、通信工程中的信号检测与识别、机械故障诊断以及金融风险预测等领域提供更有效的技术支持，推动这些领域的发展和进步。1.2国内外研究现状在经验模态分解（EMD）方面，自1998年由黄锷博士提出以来，EMD迅速成为非平稳信号处理领域的研究热点。国内外学者对EMD的理论和应用进行了广泛而深入的研究。在理论研究上，众多学者致力于完善EMD的数学基础，尽管EMD缺乏像傅里叶变换那样严格的数学推导，但通过大量的数值实验和实际应用验证，其有效性得到了广泛认可。学者们对EMD分解过程中的关键步骤，如极值点的搜索、包络线的拟合等进行了深入分析和优化，以提高分解的准确性和稳定性。在应用研究方面，EMD在机械故障诊断领域取得了显著成果。例如，通过对机械设备振动信号进行EMD分解，提取出反映设备故障特征的固有模态函数（IMF），能够有效地识别设备的故障类型和故障程度。在生物医学信号处理中，EMD也被广泛应用于心电图、脑电图等信号的分析，有助于疾病的诊断和治疗。在通信领域，EMD可用于信号去噪、调制识别等，提高通信信号的质量和可靠性。关于非平稳性度量，国内外学者提出了多种度量方法。常见的有基于统计特征的方法，如计算信号的均值、方差随时间的变化程度来衡量非平稳性；基于频域分析的方法，通过分析信号频率成分随时间的变化来度量非平稳性；还有基于信息论的方法，如利用信息熵来描述信号的不确定性和非平稳程度。这些方法在不同的应用场景中都取得了一定的效果，但也都存在各自的局限性。基于统计特征的方法计算简单，但对于复杂的非平稳信号，可能无法全面准确地反映其非平稳特性；基于频域分析的方法在处理时变频率信号时存在一定困难；基于信息论的方法虽然能够从信息层面描述非平稳性，但计算过程相对复杂，且对数据的要求较高。在将非平稳性度量与EMD相结合进行趋势噪声分解的研究方面，已有一些相关成果。部分研究尝试利用非平稳性度量来改进EMD分解过程中的端点效应问题。通过在端点处根据信号的非平稳性度量值进行合理的延拓或修正，减少端点处虚假振荡的产生，从而提高分解结果的准确性。还有研究利用非平稳性度量来判断IMF的属性，将非平稳性度量值作为一个重要指标，辅助确定IMF是属于趋势分量还是噪声分量。然而，目前这方面的研究还存在一些不足。一方面，现有的结合方法在处理复杂非平稳信号时，仍然难以完全避免模态混叠问题，分解效果有待进一步提高；另一方面，对于非平稳性度量指标的选择和应用，缺乏系统的理论分析和比较研究，不同的度量指标在不同的信号场景下的适用性尚未明确，导致在实际应用中难以选择最合适的非平稳性度量方法来与EMD相结合，以达到最佳的趋势噪声分解效果。1.3研究目标与内容本研究旨在完善基于非平稳性度量的EMD趋势噪声分解方法，提高对复杂非平稳信号的分解精度和可靠性，为相关领域的信号分析和处理提供更有效的技术支持。在理论研究方面，深入剖析非平稳性度量与EMD的内在关联。系统研究不同非平稳性度量方法的原理、特点和适用范围，分析它们在描述信号非平稳特性方面的优势和局限性。在此基础上，探究如何将非平稳性度量合理地融入EMD分解过程，从理论层面揭示基于非平稳性度量的EMD趋势噪声分解的机制和原理，为方法的改进提供坚实的理论依据。在方法改进方面，提出并优化基于非平稳性度量的EMD趋势噪声分解算法。针对传统EMD方法存在的模态混叠和端点效应问题，结合非平稳性度量进行针对性改进。例如，在分解过程中，根据信号的非平稳性度量值自适应地调整分解参数，如极值点的搜索范围、包络线的拟合方式等，以减少模态混叠现象的发生；利用非平稳性度量对信号端点进行处理，通过合理的延拓或修正策略，降低端点效应的影响。同时，建立基于非平稳性度量的IMF分类准则，根据IMF的非平稳性度量值大小和变化趋势，准确判断其属于趋势分量还是噪声分量，提高分解结果的准确性和可靠性。在应用验证方面，将改进后的方法应用于多个实际领域的信号处理。选择生物医学信号，如心电图信号，通过对其进行趋势噪声分解，提取出反映心脏生理状态的特征信息，辅助医生进行疾病的诊断和治疗方案的制定；应用于机械故障诊断领域，对机械设备的振动信号进行分析，实现对设备故障的早期检测和诊断，提高设备的运行安全性和可靠性；应用于金融市场数据处理，如股票价格序列分析，分离出趋势成分和噪声成分，为投资者提供更准确的市场趋势预测，辅助投资决策。通过在这些实际领域的应用，验证改进方法的有效性和实用性，并根据应用结果进一步优化方法，使其更好地满足不同领域的实际需求。1.4研究方法与技术路线本研究综合运用多种研究方法，确保研究的全面性、深入性和可靠性。通过广泛查阅国内外相关文献，全面了解非平稳信号处理、经验模态分解以及非平稳性度量等领域的研究现状和发展趋势，梳理已有研究成果和存在的问题，为本研究提供坚实的理论基础和研究思路。对非平稳性度量和EMD的原理进行深入的理论分析，探究它们之间的内在联系和相互作用机制，从数学和信号处理的角度揭示基于非平稳性度量的EMD趋势噪声分解的本质，为方法的改进和优化提供理论依据。利用计算机仿真技术，生成具有不同特征的非平稳信号，如包含不同频率成分、噪声强度和趋势变化的信号。通过对这些模拟信号进行基于非平稳性度量的EMD趋势噪声分解实验，对比不同方法和参数下的分解结果，评估方法的性能指标，如分解精度、抗噪声能力等，从而优化算法参数和改进方法。将改进后的方法应用于实际领域的信号处理，如生物医学信号、机械故障诊断信号和金融市场数据等。通过对实际信号的处理和分析，验证方法在实际应用中的有效性和实用性，同时收集实际应用中的反馈信息，进一步完善方法。技术路线方面，首先进行文献调研，收集和整理相关领域的研究资料，明确研究的切入点和重点问题。接着开展理论研究，深入分析非平稳性度量和EMD的原理及关联。在此基础上，提出基于非平稳性度量的EMD趋势噪声分解的改进算法，并进行算法设计和编程实现。然后利用模拟信号进行仿真实验，对算法进行性能评估和参数优化。优化后的算法应用于实际信号处理，通过实际案例分析验证方法的有效性。最后，总结研究成果，撰写研究报告和学术论文，为相关领域的研究和应用提供参考。整个研究过程形成一个闭环，通过不断的理论分析、实验验证和应用反馈，逐步完善基于非平稳性度量的EMD趋势噪声分解方法。二、相关理论基础2.1经验模态分解（EMD）2.1.1EMD的基本原理经验模态分解（EMD）作为一种自适应的信号处理方法，在分析非线性、非平稳信号时具有独特优势。其基本原理是将复杂的非平稳信号分解为一系列具有不同特征尺度的固有模态函数（IMF）和一个残余趋势项。这一过程模拟了信号在不同时间尺度上的波动特性，通过对信号的层层筛选和分解，提取出信号中蕴含的不同频率成分和趋势信息。EMD分解的关键在于确定信号的极值点。对于给定的信号，首先需要找出其所有的局部极大值点和极小值点。这些极值点反映了信号在局部范围内的变化趋势，是后续分解的基础。通过三次样条插值法，利用这些极值点构建信号的上下包络线。上包络线由所有局部极大值点通过三次样条插值连接而成，下包络线则由所有局部极小值点通过三次样条插值连接而成。这两条包络线紧密贴合信号的上下边界，能够准确地描述信号在局部范围内的变化幅度。计算上下包络线的平均值，得到信号的平均趋势。将原始信号减去该平均趋势，得到一个新的信号。这个新信号包含了原始信号中去除平均趋势后的波动成分。接下来，需要判断这个新信号是否满足IMF的条件。IMF需满足两个条件：在整个数据长度上，极值点的数量与过零点的数量相同或最多相差一个；在任意时刻，由局部极大值定义的上包络线和由局部极小值定义的下包络线的平均值为零，即信号关于时间轴局部对称。若新信号不满足IMF条件，则将其作为新的原始信号，重复上述寻找极值点、构建包络线、计算平均趋势并相减的过程，直到得到满足IMF条件的信号，该信号即为第一个IMF分量。这个IMF分量代表了原始信号中最高频率的成分，反映了信号在最短时间尺度上的快速波动。将第一个IMF分量从原始信号中分离出来，得到剩余信号。对剩余信号重复上述分解过程，依次提取出其他IMF分量。随着分解的进行，后续提取的IMF分量频率逐渐降低，时间尺度逐渐增大，分别代表了原始信号中不同频率和时间尺度的波动成分。直到剩余信号成为单调函数或满足预设的终止条件，此时的剩余信号即为残余趋势项。残余趋势项包含了原始信号中变化缓慢的低频成分，反映了信号的整体趋势。通过这样的分解过程，EMD将原始信号分解为多个IMF分量和一个残余趋势项，每个IMF分量和残余趋势项都具有明确的物理意义，分别对应着信号在不同时间尺度和频率上的特征。2.1.2EMD的算法步骤初始化：给定一个非平稳信号x(t)，将其作为原始信号进行处理。这是整个EMD分解过程的起点，后续的所有操作都基于这个原始信号展开。寻找极值点：通过遍历信号x(t)，找出其所有的局部极大值点和极小值点。这一步骤是EMD分解的关键，准确地确定极值点对于后续构建包络线和提取IMF分量至关重要。在实际操作中，可以采用一些局部极值检测算法，如比较相邻数据点的大小来确定极值点的位置。构建包络线：利用三次样条插值法，根据找到的局部极大值点构建上包络线e_{max}(t)，根据局部极小值点构建下包络线e_{min}(t)。三次样条插值能够保证包络线的光滑性和连续性，使其更好地贴合信号的边界。在构建包络线时，需要注意插值点的选取和插值方法的参数设置，以确保包络线能够准确地反映信号的局部变化。计算平均包络线：计算上下包络线的平均值m(t)=\frac{e_{max}(t)+e_{min}(t)}{2}。这个平均包络线代表了信号在当前尺度下的平均趋势，通过将原始信号减去平均包络线，可以得到去除平均趋势后的波动信号。提取IMF：将原始信号x(t)减去平均包络线m(t)，得到一个新的信号h(t)=x(t)-m(t)。判断h(t)是否满足IMF的两个条件：一是在整个数据长度上，极值点的数量与过零点的数量相同或最多相差一个；二是在任意时刻，由局部极大值定义的上包络线和由局部极小值定义的下包络线的平均值为零。若h(t)不满足IMF条件，则将h(t)作为新的原始信号，重复步骤2至4，直到得到满足IMF条件的信号，该信号即为第一个IMF分量c_1(t)。在判断IMF条件时，需要进行精确的计算和严格的判断，以确保提取的IMF分量具有准确的物理意义。分离IMF：将第一个IMF分量c_1(t)从原始信号x(t)中分离出来，得到剩余信号r_1(t)=x(t)-c_1(t)。r_1(t)包含了原始信号中除了第一个IMF分量之外的其他成分，接下来将对r_1(t)进行进一步的分解。迭代分解：将剩余信号r_1(t)作为新的原始信号，重复步骤2至6，依次提取出第二个IMF分量c_2(t)、第三个IMF分量c_3(t)……直到剩余信号r_n(t)成为单调函数或满足预设的终止条件。预设的终止条件可以根据具体的应用需求和信号特点来确定，例如可以设定剩余信号的标准差小于某个阈值，或者剩余信号的能量小于一定比例等。通过不断地迭代分解，将原始信号逐步分解为多个IMF分量和一个残余趋势项。获得分解结果：经过上述迭代过程，最终得到一系列的IMF分量c_1(t),c_2(t),\cdots,c_n(t)和残余趋势项r_n(t)，原始信号x(t)可以表示为x(t)=\sum_{i=1}^{n}c_i(t)+r_n(t)。这样，EMD就完成了对原始信号的分解，将其分解为不同频率和时间尺度的成分，为后续的信号分析和处理提供了便利。2.1.3EMD的特点与应用EMD具有显著的自适应特性。与传统的信号分解方法，如傅里叶变换和小波变换不同，傅里叶变换基于正弦和余弦函数的正交基展开，小波变换依赖于预先定义的小波基函数，而EMD无需任何先验的基函数。它能够根据信号自身的特点和内在结构，自适应地将信号分解为一系列IMF分量和残余趋势项。在处理生物医学信号时，由于生物信号的复杂性和个体差异性，不同个体的信号特征可能存在很大差异，而EMD能够根据每个信号的独特特征进行分解，准确地提取出其中的生理信息，不受固定基函数的限制，从而更好地适应不同信号的分析需求。EMD能够对信号进行多尺度分析。它将信号分解为多个不同频率尺度的IMF分量，每个IMF分量代表了信号在特定时间尺度上的波动特征。从高频的IMF分量到低频的残余趋势项，涵盖了信号从快速变化的细节信息到缓慢变化的整体趋势。在分析地震信号时，高频的IMF分量可以反映地震波中的高频噪声和短周期的震动，有助于研究地震的短时间内的能量释放和震动特性；低频的IMF分量和残余趋势项则可以揭示地震波的长周期变化和整体趋势，对于研究地震的孕育和发生机制具有重要意义。通过对不同尺度IMF分量的分析，可以全面地了解信号在不同时间尺度上的变化规律，获取更丰富的信号特征。EMD在机械故障诊断领域有着广泛的应用。机械设备在运行过程中，其振动信号往往包含了丰富的设备运行状态信息。通过对振动信号进行EMD分解，可以将信号分解为多个IMF分量，不同的IMF分量对应着不同的故障特征。在滚动轴承故障诊断中，当轴承出现故障时，振动信号会产生特定频率的调制现象，通过EMD分解可以将这些调制信号分离出来，表现为特定的IMF分量。通过对这些IMF分量的分析，如计算其能量、频率等特征参数，可以准确地判断轴承是否发生故障以及故障的类型和严重程度，实现对机械设备故障的早期预警和诊断，提高设备的运行可靠性和安全性。在生物医学信号处理中，EMD也发挥着重要作用。以心电图（ECG）信号分析为例，ECG信号反映了心脏的电生理活动，包含了丰富的生理和病理信息。由于心脏的生理状态和疾病情况的复杂性，ECG信号呈现出明显的非平稳性。EMD可以将ECG信号分解为多个IMF分量，不同的IMF分量对应着心脏不同生理过程产生的电信号变化。通过对这些IMF分量的分析，可以提取出反映心脏节律、心肌缺血、心律失常等生理和病理状态的特征信息，辅助医生进行疾病的诊断和治疗方案的制定，为生物医学研究和临床诊断提供有力的技术支持。2.2非平稳性度量2.2.1非平稳性的概念与表现非平稳性是指时间序列的统计特性随时间发生变化的特性。在平稳时间序列中，其均值、方差和自相关函数等统计特性不随时间的推移而改变，具有相对稳定的特征。然而，非平稳时间序列的数据值在时间上的变化呈现出一定的趋势性，这使得其统计特性不稳定，给信号分析和处理带来了挑战。非平稳时间序列的均值随时间变化是常见的表现之一。在经济领域，随着时间的推移，由于经济增长、通货膨胀等因素的影响，某些经济指标如国内生产总值（GDP）、物价指数等的均值会呈现出上升或下降的趋势。在股票市场中，股票价格的均值可能会随着市场行情、宏观经济环境的变化而波动，难以保持稳定。这种均值的变化反映了时间序列中存在的长期趋势或系统性变化，使得基于平稳假设的传统分析方法难以准确捕捉数据的真实特征。方差随时间变化也是非平稳性的重要表现。以金融市场的波动为例，在市场动荡时期，如金融危机期间，股票价格、汇率等金融数据的波动会加剧，方差明显增大；而在市场相对稳定时期，波动较小，方差也相应减小。这种方差的时变特性表明金融时间序列的不确定性在不同时间段存在差异，传统的固定方差模型无法准确描述这种变化，需要采用能够适应方差时变的方法进行分析。自相关函数随时间变化同样体现了非平稳性。自相关函数用于衡量时间序列中不同时刻数据之间的相关性。在非平稳时间序列中，由于数据的统计特性随时间改变，不同时刻数据之间的相关性也会发生变化。在气象数据中，气温、降水等时间序列的自相关函数可能会随着季节、气候变化而改变，夏季和冬季的气温自相关特性可能存在明显差异，这反映了时间序列在不同季节的内在变化规律不同，传统的基于固定自相关结构的分析方法无法有效处理这种情况。2.2.2常用的非平稳性度量方法ADF检验：增广迪基-富勒检验（ADF检验）是一种广泛应用的单位根检验方法，用于判断时间序列是否具有单位根，进而确定其平稳性。其基本原理基于对时间序列的自回归模型进行检验。对于一个时间序列y_t，假设其自回归模型为y_t=\alpha+\betat+\gammay_{t-1}+\sum_{i=1}^{p}\varphi_i\Deltay_{t-i}+\epsilon_t，其中\alpha为常数项，\beta为趋势项系数，\gamma为自回归系数，\varphi_i为差分滞后项系数，\Deltay_{t-i}=y_{t-i}-y_{t-i-1}为差分算子，\epsilon_t为白噪声误差项。原假设H_0:\gamma=1，即存在单位根，时间序列是非平稳的；备择假设H_1:\gamma\lt1，即不存在单位根，时间序列是平稳的。通过构建检验统计量t=\frac{\hat{\gamma}-1}{s.e.(\hat{\gamma})}，其中\hat{\gamma}是\gamma的估计值，s.e.(\hat{\gamma})是\hat{\gamma}的标准误差，将该统计量与ADF分布的临界值进行比较。若t值小于临界值，则拒绝原假设，认为时间序列是平稳的；反之，则接受原假设，时间序列是非平稳的。在实际应用中，需要合理选择滞后阶数p，通常可以采用信息准则如赤池信息准则（AIC）、贝叶斯信息准则（BIC）等来确定最优滞后阶数，以提高检验的准确性。KPSS检验：Kwiatkowski-Phillips-Schmidt-Shin检验（KPSS检验）也是一种用于检验时间序列平稳性的方法，与ADF检验不同，它的原假设是时间序列是平稳的，备择假设是时间序列是非平稳的。该检验基于时间序列的部分和过程。设时间序列y_t，其部分和序列为S_t=\sum_{i=1}^{t}(y_i-\bar{y})，其中\bar{y}是y_t的样本均值。构建检验统计量KPSS=\frac{\sum_{t=1}^{T}\hat{\epsilon}_t^2}{T^2\hat{\sigma}^2}，其中\hat{\epsilon}_t是对S_t进行最小二乘回归得到的残差，\hat{\sigma}^2是残差的长期方差估计值。将KPSS统计量与相应的临界值进行比较，若KPSS值大于临界值，则拒绝原假设，认为时间序列是非平稳的；反之，则接受原假设，时间序列是平稳的。在计算长期方差估计值时，需要选择合适的核函数和带宽参数，常用的核函数有Bartlett核、Parzen核等，带宽参数的选择会影响检验的效果，一般可以通过交叉验证等方法来确定最优带宽。样本熵：样本熵是一种基于信息论的非平稳性度量方法，用于衡量时间序列的复杂性和不确定性。它通过计算时间序列中模式的重复程度来评估其非平稳性。对于给定的时间序列x(1),x(2),\cdots,x(N)，首先将其构建为m维向量序列\mathbf{X}(i)=[x(i),x(i+1),\cdots,x(i+m-1)]，i=1,2,\cdots,N-m+1。定义两个m维向量\mathbf{X}(i)和\mathbf{X}(j)之间的距离d[\mathbf{X}(i),\mathbf{X}(j)]=\max_{k=0}^{m-1}|x(i+k)-x(j+k)|。对于每个\mathbf{X}(i)，计算满足d[\mathbf{X}(i),\mathbf{X}(j)]\leqr（r为预先设定的容忍度）的j的数目（j\neqi），记为N_i^m(r)，并计算B_i^m(r)=\frac{N_i^m(r)}{N-m}。然后将维度增加到m+1，重复上述步骤，得到B_i^{m+1}(r)。样本熵SampEn(m,r,N)=-\ln\left(\frac{\sum_{i=1}^{N-m}B_i^{m+1}(r)}{\sum_{i=1}^{N-m}B_i^m(r)}\right)。样本熵值越大，表明时间序列中模式的重复程度越低，序列的复杂性和不确定性越高，非平稳性越强；反之，样本熵值越小，序列的非平稳性越弱。在实际应用中，m和r的选择对样本熵的计算结果有重要影响，一般m取值在2-4之间，r通常取时间序列标准差的0.1-0.25倍。Hurst指数：Hurst指数用于衡量时间序列的长期记忆性和趋势特征，从而反映其非平稳性。对于一个时间序列x(1),x(2),\cdots,x(N)，首先计算其累积离差X(t,k)=\sum_{i=1}^{t}(x(i)-\bar{x}_k)，其中\bar{x}_k=\frac{1}{k}\sum_{i=1}^{k}x(i)，t=1,2,\cdots,k，k为子序列长度。然后计算极差R(k)=\max_{1\leqt\leqk}X(t,k)-\min_{1\leqt\leqk}X(t,k)和标准差S(k)=\sqrt{\frac{1}{k}\sum_{i=1}^{k}(x(i)-\bar{x}_k)^2}。计算不同子序列长度k下的\frac{R(k)}{S(k)}值，通过对\log_{10}\left(\frac{R(k)}{S\##三、基于非平稳性度量的EMD趋势噪声分解方法\##\#3.1ä¼

统EMD趋势噪声分解的不足\##\##3.1.1端点效应问题端点效应是ä¼

统经验模态分解（EMD）在趋势噪声分解中面临的关键问题之一。在EMD分解过程中，需要通过三次æ

·æ¡æ’值法利用信号的极值点构建上下包络线。然而，在信号的端点处，由于缺乏足够的信息来准确确定极值点的趋势，导致构建的包络线出现偏差。当信号在端点处突然变化或存在噪声干扰时，很难准确判断端点附近的极值点是属于信号的真实波动还是由噪声引起的伪极值，这使得包络线在端点处不能真实地反æ˜

信号的变化趋势。这种端点处包络线的不准确会进一步影响到后续的分解过程，产生端点飞翼效应。在实际信号处理中，端点飞翼效应表现为在信号端点附近出现不合理的高频振荡或波动，这些虚假的振荡并非信号本身所具有的特征，而是由于端点效应导致的分解误差。在对机械振动信号进行EMD分解时，若存在端点效应，分解得到的固有模态函数（IMF）在端点处可能会出现异常的高频振荡，这不仅会干扰对信号真实特征的提取，还会影响后续对信号的分析和处理，如在故障诊断中，可能会导致对故障特征的误判，降低诊断的准确性。\##\##3.1.2模态混å

现象模态混å

是ä¼

统EMD方法在趋势噪声分解中另一个突出的问题。其主要表现为在分解得到的IMF中，存在不同频率尺度的信号成分相互混合的情况。在一个IMF中，既包含了高频的快速波动成分，又包含了低频的缓慢变化成分；或者同一频率尺度的信号成分被分散到多个IMF中。这种模态混å

现象的产生机制较为复杂，主要与信号本身的特性以及EMD的分解原理有关。当信号中存在间歇性或突变性成分时，EMD在分解过程中难以准确地将不同频率尺度的信号成分分离。在处理包含冲击信号的机械振动数据时，冲击信号的突发性使得EMD在确定极值点和构建包络线时受到干扰，导致不同频率的振动成分被错误地混合在同一个IMF中。模态混å

会严重影响趋势和噪声的准确分解。由于IMF中成分的混杂，使得每个IMF不再具有明确的物理意义，难以准确判断哪些成分属于趋势，哪些成分属于噪声，从而降低了分解结果的可é

性和有效性，给后续基于IMF的信号分析和处理带来困难，如在信号去噪中，可能会误将有用的信号成分当作噪声去除，或者保留了噪声成分而影响信号的质量。\##\##3.1.3噪声分量判别困难ä¼

统的EMD趋势噪声分解方法在判别噪声分量时存在明显的不足。在实际应用中，缺乏有效的准则来准确判断分解得到的IMF是属于趋势分量还是噪声分量。通常情况下，判断过程往往依赖于经验判断或简单的直观观察，缺乏客观性和准确性。在处理复杂的非平稳信号时，仅通过观察IMF的波形特征或频率分布，很难确定其是信号的真实趋势变化还是噪声干扰。在生物医学信号处理中，对于心电信号的EMD分解，由于心电信号本身的复杂性和个体差异性，很难仅凭经验判断哪些IMF代表心脏的正常生理活动趋势，哪些是由噪声引起的干扰成分。这种噪声分量判别困难的问题，容易导致噪声去除不彻底或过度去除的情况。如果噪声去除不彻底，会影响后续对信号特征的提取和分析，降低信号处理的精度；而过度去除噪声则可能会丢失信号中的有用信息，同æ

·å½±å“å¯¹ä¿¡å·çš„准确理解和应用，如在故障诊断中，可能会å›

为噪声去除不当而æ—

法准确识别设备的故障特征。\##\#3.2基于非平稳性度量的改进策略\##\##3.2.1端点效应的改进方法针对端点效应问题，提出了多种改进方法。镜像延拓是一种常用的方法，其基本原理是在信号的两端添åŠ

信号的镜像，通过构é€

对称的信号边界，为EMD分解提供更多的信息，从而减少端点处包络线的不确定性。在实际应用中，可æ

¹æ®ä¿¡å·çš„特点选择合适的镜像延拓方式，如对称镜像延拓、反对称镜像延拓等。多项式拟合也是一种有效的改进手段，通过对信号端点附近的数据进行多项式拟合，来预测端点处的信号趋势，从而构建更准确的包络线。在选择多项式的阶数时，需要综合考虑信号的复杂度和拟合精度，过高的阶数可能会导致过拟合，而过低的阶数则可能æ—

法准确反æ˜

信号的趋势。单个极值镜像延拓方法在消除端点飞翼效应方面具有独特的优势。该方法通过对信号端点处的单个极值进行镜像延拓，能够更精准地捕捉信号在端点处的变化趋势。与其他方法相比，它避免了在延拓过程中引入过多的虚假信息，有效地减少了端点飞翼效应的出现。在处理具有明显极值特征的信号时，单个极值镜像延拓方法能够更好地保持信号的原有特性，使得EMD分解结果更åŠ

准确可é

。通过实验对比发现，采用单个极值镜像延拓方法处理后的信号，其端点处的振荡明显减少，分解得到的IMF在端点处的稳定性和准确性得到显著提高，为后续的信号分析和处理提供了更可é

的基础。\##\##3.2.2模态混å

的抑制措施为了抑制模态混å

现象，采取了一系列有效的措施。添åŠ

白噪声是一种被广泛应用的方法，其原理是利用白噪声频谱均匀分布的特性，在原始信号中åŠ

入适量的白噪声，改变信号的极值点分布，使得EMD在分解过程中能够更准确地分离不同频率尺度的信号成分。在实际操作中，需要合理控制白噪声的幅值和添åŠ

次数，幅值过大可能会掩盖信号的真实特征，而幅值过小则æ—

法达到抑制模态混å

的效果；添åŠ

次数过多会增åŠ

计算量，而过少则可能æ—

法充分发挥作用。改进筛选停止条件也是抑制模态混å

的重要手段。ä¼

统的EMD筛选停止条件往往过于简单，容易导致模态混å

的产生。通过引入更严æ

¼çš„筛选停止条件，如基于信号的能量分布、频率特征等，能够使EMD在分解过程中更åŠ

准确地判断IMF的生成是否合理。在判断一个IMF是否满足停止条件时，可以计算该IMF的能量熵，若能量熵小于某个阈值，则认为该IMF已经充分反æ˜

了信号的某一频率尺度特征，可以停止筛选；还可以分析IMF的频率分布，若频率分布较为集中且符合信号的预期特征，则停止筛选。通过这些改进的筛选停止条件，可以有效地减少模态混å

现象的发生，提高EMD分解的质量。\##\##3.2.3基于非平稳性度量的噪声判别准则基于非平稳性度量建立了一套有效的噪声判别准则。噪声通常具有相对平稳的特性，而信号的趋势成分往往表现出较强的非平稳性。噪声在短时间内的统计特性变化较小，其均值、方差等统计量相对稳定；而信号的趋势成分会随着时间发生明显的变化，其非平稳性度量值较大。噪声的频率特性也与趋势成分不同，噪声往往包含较高频率的成分。具体的判别准则如下：首先，将分解得到的IMFåŠ

入预设的噪声集。预设噪声集可以通过对大量已知噪声信号进行分析和统计得到，包含了常见噪声的特征信息。然后，计算IMF的非平稳性度量值（NS值）。NS值的计算可以综合考虑信号的多个特征，如采用æ

·æœ¬ç†µã€Hurst指数等非平稳性度量方法，对IMF的复杂度、长期记忆性等进行量化评估。若NS值小于预设的阈值，则判定该IMF为噪声分量；反之，则判定为趋势分量。通过这种基于非平稳性度量的噪声判别准则，可以更客观、准确地分离噪声和趋势分量，提高EMD趋势噪声分解的精度和可é

性，为后续的信号分析和处理提供更纯净的信号成分。\##\#3.3算法实现步骤\##\##3.3.1数据预处理在进行基于非平稳性度量的EMD趋势噪声分解之前，需要对原始数据进行预处理，以使其满足分解要求。首先，对原始数据进行æ

‡å‡†åŒ–处理，æ

‡å‡†åŒ–处理能够消除数据量纲的影响，使不同量级的数据具有可比性。通过计算数据的均值和æ

‡å‡†å·®ï¼Œå°†åŽŸå§‹æ•°æ®è½¬åŒ–为均值为0、æ

‡å‡†å·®ä¸º1的æ

‡å‡†æ•°æ®ã€‚对于一组温度数据，其原始值可能在不同的温度单位下表示，且数值范围差异较大，经过æ

‡å‡†åŒ–处理后，可统一数据的尺度，便于后续的分析和处理。归一化也是常用的预处理操作之一，它将数据æ˜

射到特定的区间内，如[0,1]区间。归一化能够使数据的分布更åŠ

均匀，避免数据中过大或过小的值对分解结果产生较大影响。对于图像数据，将像ç´

值归一化到[0,1]区间，可以使图像处理算法更åŠ

稳定和高效。在进行归一化时，可采用最小-最大归一化方法，通过将数据的最小值æ˜

射为0，最大值æ˜

射为1，对中间值进行线性变换，实现数据的归一化。除了æ

‡å‡†åŒ–和归一化，还可能需要对数据进行去噪处理，以去除数据中可能存在的噪声干扰。可采用滤波算法，如高斯滤波、中值滤波等，æ

¹æ®å™ªå£°çš„特点选择合适的滤波器，对数据进行平滑处理，减少噪声对分解结果的影响。在处理音频信号时，若存在高频噪声干扰，可使用低通滤波器去除高频噪声，保留音频信号的主要频率成分，为后续的EMD分解提供更纯净的数据。\##\##3.3.2EMD分解过程改进后的EMD分解过程充分考虑了端点效应和模态混å

问题。在处理端点效应时，采用单个极值镜像延拓方法对信号的端点进行处理。在确定信号的端点后，对端点处的单个极值进行镜像延拓，通过复制极值点及其附近的数据，并进行对称或反对称处理，将延拓后的信号作为新的输入信号进行EMD分解。这æ

·å¯ä»¥ä¸ºEMD分解提供更准确的端点信息，减少端点飞翼效应的影响，使得分解得到的IMF在端点处更åŠ

稳定和准确。为了抑制模态混å

，在分解过程中添åŠ

适量的白噪声。æ

¹æ®ä¿¡å·çš„特性和经验，选择合适的白噪声幅值和添åŠ

次数。在每次进行EMD分解之前，将白噪声添åŠ

到原始信号中，然后进行分解操作。对多次添åŠ

白噪声并分解得到的IMF进行平均处理，以抵消白噪声的影响，同时使不同频率尺度的信号成分得到更准确的分离。在处理振动信号时，æ

¹æ®æŒ¯åŠ¨ä¿¡å·çš„频率范围和噪声水平，确定白噪声的幅值为信号æ

‡å‡†å·®çš„一定比例，如0.2倍æ

‡å‡†å·®ï¼Œæ·»åŠ

次数为50次，通过多次分解和平均，有效地抑制了模态混å

现象，提高了分解结果的质量。在筛选IMF的过程中，采用改进的筛选停止条件。不再仅仅依据ä¼

统的简单条件来判断IMF是否满足要求，而是综合考虑信号的能量分布、频率特征等å›

ç´

。在判断一个IMF是否可以停止筛选时，计算该IMF的能量熵，若能量熵小于预先设定的阈值，如0.5，则认为该IMF已经充分反æ˜

了信号在某一频率尺度上的特征，可以停止筛选；同时，分析IMF的频率分布，若频率分布较为集中且符合信号的预期频率特性，则停止筛选。通过这些改进的筛选停止条件，能够使EMD分解过程更åŠ

准确地捕捉信号的特征，减少模态混å

的发生，提高分解的精度和可é

性。\##\##3.3.3噪声与趋势分量分离æ

¹æ®åŸºäºŽéžå¹³ç¨³æ€§åº¦é‡çš„噪声判别准则，对EMD分解得到的IMF进行噪声与趋势分量的分离。将每个IMFåŠ

入预设的噪声集，预设噪声集是通过对大量已知噪声信号进行分析和统计得到的，包含了常见噪声的特征信息。然后，计算每个IMF的非平稳性度量值（NS值）。NS值的计算综合考虑了信号的多个特征，采用æ

·æœ¬ç†µå’ŒHurst指数相结合的方式。æ

·æœ¬ç†µç”¨äºŽè¡¡é‡ä¿¡å·çš„复杂度，Hurst指数用于衡量信号的长期记忆性。通过对IMF的æ

·æœ¬ç†µå’ŒHurst指数进行计算和åŠ

权求和，得到NS值。æ

¹æ®NS值与预设阈值的比较结果进行判断。若NS值小于预设的阈值，如0.6，则判定该IMF为噪声分量；反之，则判定为趋势分量。在处理金融时间序列数据时，通过计算各IMF的NS值，发现其中一些IMF的NS值较小，低于阈值，这些IMF被判定为噪声分量，主要包含了市场中的短期随机波动和噪声干扰；而另一些IMF的NS值较大，高于阈值，被判定为趋势分量，反æ˜

了金融市场的长期趋势和主要变化特征。通过这种基于非平稳性度量的噪声与趋势分量分离方法，可以更准确地从EMD分解结果中提取出信号的趋势成分，去除噪声干扰，为后续的信号分析和应用提供更有价值的信息。\##四、实验与结果分析\##\#4.1实验设计\##\##4.1.1实验数据选择在本次实验中，精心挑选了模拟信号和实际信号作为实验数据，以全面评估基于非平稳性度量的EMD趋势噪声分解方法的性能。模拟信号具有可精确控制和生成的特性，能够灵活地调整噪声强度和趋势复杂度，从而系统地ç

”究不同条件下分解方法的表现。通过设置不同的噪声强度，如低噪声水平（信噪比为30dB）、中等噪声水平（信噪比为20dB）和高噪声水平（信噪比为10dB），可以探究噪声对分解结果的影响程度；通过设计线性趋势、二次多项式趋势以及包含多个频率成分的复杂趋势等不同类型的趋势，能够分析分解方法在处理各种趋势时的准确性和适应性。这种对模拟信号参数的精确控制，为深入ç

”究分解方法的性能提供了有力支持，能够揭示方法在不同条件下的优势和局限性，为后续的方法改进和优化提供明确的方向。实际信号则来源于真实的应用场景，包含了丰富的实际背景信息和复杂的信号特征，能够更真实地反æ˜

分解方法在实际应用中的效果。气象数据记录了大气温度、湿度、气压等气象要ç´

随时间的变化，这些数据受到多种å›

ç´

的影响，如季节变化、气候变化、地理环境等，呈现出复杂的非平稳特性。在气象数据中，温度数据可能会受到太阳辐射、大气环流、地形地貌等å›

ç´

的影响，导致其变化趋势复杂多æ

·ï¼Œæ—¢æœ‰é•¿æœŸçš„季节性变化趋势，又有短期的波动和突变。金融数据如股票价æ

¼ã€æ±‡çŽ‡ç­‰ï¼Œå—到宏观经济环境、政策调整、投资者情绪等多种å›

ç´

的综合影响，具有高度的不确定性和非平稳性。股票价æ

¼ä¼šéšç€å…¬å¸ä¸šç»©ã€è¡Œä¸šç«žäº‰ã€å®è§‚经济政策等å›

ç´

的变化而波动，其波动不仅包含了短期的市场噪声，还包含了长期的趋势变化。通过对这些实际信号进行处理和分析，可以验证基于非平稳性度量的EMD趋势噪声分解方法在实际应用中的有效性和可é

性，评估其在不同领域解决实际问题的能力，为实际应用提供更具针对性的技术支持和决策依据。\##\##4.1.2对比方法选取为了全面评估改进方法的性能，选取了ä¼

统EMD、基于连续均方误差准则的EMD等作为对比方法。ä¼

统EMD作为经验模态分解的基础方法，在非平稳信号处理领域具有广泛的应用，了解其在趋势噪声分解中的表现，能够为改进方法的性能评估提供重要的参考基准。ä¼

统EMD在处理信号时，按照固定的分解流程进行操作，缺乏对信号非平稳特性的深入分析和自适应调整，容易出现端点效应和模态混å

等问题，导致分解结果的准确性和可é

性受到影响。将基于非平稳性度量的改进方法与ä¼

统EMD进行对比，可以直观地展示改进方法在解决这些问题方面的优势，凸显改进方法在提高分解精度和可é

性方面的成效。基于连续均æ