在之前的文章中我們介紹了EMD、EEMD以及CEEMDAN,變分模態(tài)分解VMD模型雖然也叫模態(tài)分解,但與上述EMD類模型有著本質(zhì)區(qū)別。
Part . 1
VMD概念及原理
變分模態(tài)分解由Konstantin Dragomiretskiy于2014年提出的一種新的時頻分析的方法,能夠?qū)⒍喾至啃盘栆淮涡苑纸獬啥鄠€單分量調(diào)幅調(diào)頻信號[1]。
具體原理是假設任何的信號都是由一系列具有特定中心頻率、有限帶寬的子信號組成(即IMF)。由于每個模態(tài)都是具有不同中心頻率的有限帶寬,因此 VMD 算法的實質(zhì)是采用交替方向乘子法對各模態(tài)不斷更新其中心頻率和帶寬,自適應地分解信號頻帶,最終得到各個模態(tài)以及相應的中心頻率[2]。
VMD 的分解過程就是變分問題的求解過程,其算法主要包括變分問題的構(gòu)造和變分問題的求解。
VMD算法重新定義了約束條件更為嚴格的有限帶寬的本征模態(tài)函數(shù),該內(nèi)涵模態(tài)分量被定義為調(diào)幅調(diào)頻的分量模態(tài)函數(shù),數(shù)學表達式為:
其中
變分問題的約束有兩點:①要求每個模態(tài)分量中心頻率的帶寬之和最??;②所有的模態(tài)分量之和等于原始信號。
上式為變分模態(tài)分解受約束的變分模型。為了使VMD分解得到各個模態(tài)之間的帶寬最小并且之和等于原始信號
引入 Lagrange 算子
其中,α降低了高斯噪聲的影響,
Part . 2
VMD實現(xiàn)步驟
VMD分解的具體步驟流程如下:
(1)初始化
(2)設置迭代次數(shù)b=b+1;
(3)滿足
更新中心頻率
(4)更新拉格朗日乘子λ:
其中,ε為噪聲容限參數(shù),對于含有強噪聲的信號,可設ε=0;
(5)重復步驟(2)-(4),直到滿足終止條件:
其中,σ為判別精度且σ>0。
圖1 VMD算法流程圖
VMD顯著特點
VMD優(yōu)點
(1)可以指定想要得到的模態(tài)數(shù);
(2)通過VMD方法分解出來的IMF都具有獨立的中心頻率,并且在頻域上表現(xiàn)出稀疏性的特征,具備稀疏研究的特質(zhì);
(3)在對IMF求解過程中,通過鏡像延拓的方式避免了類似EMD分解中出現(xiàn)的端點效應;
(4)有效避免模態(tài)混疊(K值選取合適的情況下)。
模態(tài)數(shù)K:若設定的K小于待分解信號中有用成分的個數(shù)(欠分解),會造成分解不充分,導致模態(tài)混疊;若設定的K值大于待分解信號中有用成分的個數(shù)(過分解),就導致產(chǎn)生一些沒有用的虛假分量。因此,K值的確定對于VMD就非常重要。常用的確定K的方法有:觀察法(通過對中心頻率的比對從而確定K值)、峭度最大原理[3]、能量差值原則[4]等或者結(jié)合一些尋優(yōu)算法對K值(也可以同時對α)尋優(yōu)。
懲罰系數(shù)α:VMD分解的過程中,預設的K值決定著IMF分量的個數(shù),懲罰系數(shù)α決定著IMF分量的帶寬。懲罰系數(shù)越小,各IMF分量的帶寬越大,過大的帶寬會使得某些分量包含其他分量信號;α值越大,各IMF分量的帶寬越小,過小的帶寬是使得被分解的信號中某些信號丟失。該系數(shù)常見取值范圍為1000~3000。
收斂容差tol:是優(yōu)化的停止準則之一,即在連續(xù)兩次迭代中,當向IMF收斂的絕對平均平方改進小于tol時,優(yōu)化停止。通??梢匀?e-6~5e-6。
總結(jié)
VMD是一種非遞歸的、準正交的、自適應的信號分解算法,可以將非平穩(wěn)、非線性的復雜信號進行分解,可以較好地抑制模態(tài)混疊現(xiàn)象。在金融數(shù)據(jù)分析、地震數(shù)據(jù)分析、醫(yī)學病癥檢測、機械故障診斷等領域都得到了廣泛應用。
· 參考文獻·
[1]K. Dragomiretskiy and D. Zosso, 'Variational Mode Decomposition,' in IEEE Transactions on Signal Processing, vol. 62, no. 3, pp. 531-544, Feb.1, 2014.
[2]宋亞坤. 基于VMD-EEMD-KFCM模型在道岔故障診斷中的研究[D].蘭州交通大學,2022.
[3]吳文軒, 王志堅, 張紀平, 等. 基于峭度的 VMD 分解中 k 值的確定方法研究[J]. 機械傳動, 2018, 42(8): 153-157.
[4]宋玉琴, 鄧思成, 路彥剛. K 值優(yōu)化的 VMD 在軸承故障診斷中的應用[J]. 測控技術, 2019, 38(4): 117-121.
[5]李政. 基于VMD排列熵和模糊聚類的S700K轉(zhuǎn)轍機狀態(tài)評估[D].蘭州交通大學,2022.
[6]Mr.看海.類EMD的“信號分解方法”及MATLAB實現(xiàn)(第四篇)——VMD.[EB/OL].[2022-03-03].https://zhuanlan.zhihu.com/p/396775790.