5) Check the properties of d(t):
• If it is an IMF, denote d(t) as the ith IMF and replace x(t) with the residual r(t)=x(t)−d(t).
The ith IMF is often denoted as ci(t) and the i is called its index;
• If it is not, replace x(t) with d(t);
6) Repeat steps 1)–5) until the residual satisfies some stopping criterion.
One stopping criterion proposed by Huang et al. (2003a) for extracting an IMF is: iterating
predefined times after the residue satisfies the restriction that the number of zero-crossings and
extrema do not differ by more than one and the whole sifting process can be stopped by any of
the following predetermined criteria: either when the component ci(t) or the residue r(t)
becomes so small that it is less than the predetermined value of a substantial consequence, or
when the residue r(t) becomes a monotonic function from which no more IMFs can be
extracted. The total number of IMFs is limited to log2N, where N is the length of data series. The
original time series can be expressed as the sum of some IMFs and a residue:
xðtÞ ¼X
N
j¼1
cjðtÞ þ rðtÞ: ð3Þ
Where N is the number of IMFs, and r(t) means the final residue.
In the sifting process, the first component, c1, contains the finest scale (or the shortest period
component) of the time series. The residue after extracting c1 contains longer period variations in
the data. Therefore, the modes are extracted from high frequency to low frequency. Thus, EMD
can be used as a filter to separate high frequency (fluctuating process) and low frequency (slowing
varying component) modes. In practice, the following algorithm, based on fine-to-coarse
reconstruction, i.e. high-pass filtering by adding fast oscillations (IMFs with smaller index) up to
slow (IMFs with larger index) is adopted:
1) Computing the mean of the sum of c1 to ci for each component (except for the residue);
2) Using t-test to identify for which i the mean significantly departs from zero;
3) Once i is identified as a significant change point, partial reconstruction with IMFs from this to
the end, is identified as the slow-varying mode and the partial reconstruction with other IMFs
is identified as the fluctuating process.
The advantages of EMD can be briefly summarized as follows: first, it can reduce any data,
from non-stationary and nonlinear processes, into simple independent intrinsic mode functions;
second, since the decomposition is based on the local characteristic time scale of the data and only
extrema are used in the sifting process, it is local, self-adaptive, concretely implicational and highly
efficient (This characteristic makes EMD much different from wavelet (Daubechies, 1992). See
Huang et al., 1998 for detailed comparisons between EMD and wavelet.); third, the IMFs have a
clear instantaneous frequency as the derivative of the phase function, so Hilbert transformation can
be applied to the IMFs, allowing us to analyze the data in a time–frequency–energy space.
2.2. Ensemble EMD
EMD has proved to be quite versatile in a broad range of applications for extracting signals
from data generated in nonlinear and non-stationary processes. However, the original EMD has a
5 ) ตรวจสอบคุณสมบัติของ D ( T ) :
- ถ้ามันเป็น IMF แสดง D ( t ) เป็นอ. IMF และแทนที่ x ( t ) กับ R ( t ) = 3 x ( t ) − D ( t )
ith ไอเอ็มเอฟมักจะกล่าวคือเป็น CI ( T ) และฉันเรียกว่าดัชนีของ ;
- ถ้ามันไม่ได้แทนที่ x ( t ) D ( t ) ;
6 ) ทำซ้ำขั้นตอนที่ 1 และ 5 ) จนเหลือตรงบางเกณฑ์หยุด .
หนึ่งหยุดเกณฑ์ที่เสนอโดย Huang et al .( 2003a ) เพื่อสกัดการไอเอ็มเอฟ : วน
ล่วงหน้าครั้ง หลังจากกากตรงข้อ จำกัด ว่า หมายเลขของศูนย์วก
Extrema และไม่แตกต่างกันมากกว่าหนึ่งและทั้งหมดลอดกระบวนการสามารถหยุดใด ๆต่อไปนี้ : ทั้งเกณฑ์ที่กําหนด
เมื่อองค์ประกอบ CI ( T ) หรือกาก . ( T )
กลายเป็นมีขนาดเล็กว่ามันจะน้อยกว่ากำหนดมูลค่าของผลที่สำคัญหรือ
เมื่อกาก R ( t ) เป็นฟังก์ชันอย่างเดียวที่ไม่มี imfs สามารถ
สกัด จำนวน imfs จำกัด log2n โดยที่ n คือ ความยาวของชุดข้อมูล
ชุดเวลาเดิม สามารถแสดงเป็นผลรวมของบาง imfs และกาก :
x ð T Þ¼ x
n
J ¼ 1
CJ ð T Þþ R ðÞ : ðÞ
3 Tโดยที่ n คือหมายเลขของ imfs , r ( t ) หมายถึง กากสุดท้าย .
ในการกลั่นกรองกระบวนการแรกส่วนประกอบ : ประกอบด้วยขนาดเลิศ ( หรือส่วนที่สั้นที่สุดของเวลาระยะเวลา
) ชุด ตกค้างหลังจากการสกัด C1 มีระยะการเปลี่ยนแปลง
ข้อมูล ดังนั้น โหมดได้จากความถี่สูงความถี่ต่ำ ดังนั้น EMD
สามารถใช้เป็นตัวกรอง เพื่อแยกความถี่สูง ( ปรับกระบวนการ ) และความถี่ต่ำ ( ช้า
เปลี่ยนแปลงส่วนประกอบ ) โหมด ในทางปฏิบัติ วิธีต่อไปนี้ ขึ้นอยู่กับการปรับฟื้นฟูหยาบ
คือสูงผ่านการกรองโดยเพิ่มการสั่นได้อย่างรวดเร็ว ( imfs กับดัชนีขนาดเล็ก ) ขึ้น
ช้า ( imfs กับดัชนีขนาดใหญ่ ) เป็นบุตรบุญธรรม :
1 ) คำนวณค่าเฉลี่ยของผลรวมของ C1 กับ CI สำหรับแต่ละองค์ประกอบ ( ยกเว้นกาก ) ;
2 ) การทดสอบค่าที ( t-test ) เพื่อระบุที่ฉันหมายถึงอย่างมีนัยสำคัญออกจากศูนย์ ;
3 ) เมื่อผมถูกระบุเป็นจุดเปลี่ยนสำคัญบางส่วนจากการฟื้นฟูกับ imfs
จบ คือ ระบุว่าเป็นโหมดที่แตกต่างและช้าฟื้นฟูบางส่วนอื่น ๆ imfs
จะระบุว่า ความผันผวนของกระบวนการ .
ข้อดีของ EMD สามารถสั้น ๆดังนี้ ครั้งแรก มันสามารถลดข้อมูลใด ๆ
non-stationary และไม่เชิงเส้นจากกระบวนการเข้าสู่โหมดการทำงานง่ายอิสระที่แท้จริง ;
2 เนื่องจากการสลายตัวจะขึ้นอยู่กับลักษณะของข้อมูลท้องถิ่นระดับเวลาเท่านั้น
Extrema ใช้ ในการกลั่นกรองกระบวนการ มันเป็น self-adaptive ท้องถิ่น ,อย่างเป็นรูปธรรมและมีประสิทธิภาพสูง implicational
( ลักษณะนี้ทำให้ EMD ต่างจากเวฟ ( ความเหมือน , 1992 ) เห็น
หวง et al . , 1998 สำหรับการเปรียบเทียบรายละเอียดระหว่าง EMD และเวฟเลต ) ; สาม imfs มีความถี่
" ชัดเจนเป็นอนุพันธ์ของฟังก์ชัน เฟส ดังนั้นการเปลี่ยนแปลงที่แท้จริงสามารถใช้กับ imfs
,ช่วยให้เราสามารถวิเคราะห์ข้อมูลในเวลาและความถี่ และพลังงาน พื้นที่
2.2 . ชุด EMD
EMD ได้พิสูจน์จะค่อนข้างหลากหลาย ในช่วงกว้างของการใช้งานสำหรับการแยกสัญญาณจากข้อมูลที่สร้างขึ้นในและ
non-stationary เชิงกระบวนการ อย่างไรก็ตาม , EMD เดิมมี
การแปล กรุณารอสักครู่..