基于经验模态分解的探地雷达信号去噪处理 杨建军刘鸿福 (太原理工大学太原 030024 【摘要】探地雷达作为一种先进的地球物理探测方法,具有探测效率高、操作简单、采样迅速、无损伤探测、探测分辨率高等优点。探地雷达的信号的去噪问题已成为一个公认的技术难题。本文用经验模态分解的方法对探地雷达信号进行信号去噪处理,并取得了良好的效果。 【关键词】探地雷达;经验模态分解;信号去噪 1引言 探地雷达又称地质雷达 ,是近几年迅速发展起来的一种高分辨高效率的无损探测技术。探地雷达通过天线向地下发射高频电磁脉冲波 ,电磁波在地下介质传播过程中 ,当遇到存在电性差异的地下目标体,如空洞和分界面时,电磁波便会发生反射,返回到地面时由接收天线所接收。在对接收到的雷达波信号处理和分析的基础上,根据信号的波形、振幅和双程走时等参数便可推断地下目标体的空间位置、结构、电性及几何形态,从而达到对地下隐蔽目标体的探测目的。 信号处理是探地雷达技术中的研究重点之一, 其目的是以高的分辨率在探地雷达显示设备上显示反射波图像,提取反射波的振幅、相位和频率等各种有用的参数,帮助解释地质结构信息。 2固有模态函数 由于大多数信号或数据不是固有模态函数, 在任意时刻数据可能包含多个振荡模式, 这也解释了为什么简单的 Hilbert 变换不能给出一个普通信号的频率内容的完整描述。所以必须把数据分解成固有模态函数,从物理上定义一个有意义的瞬时频率的必要条件是:函数对称于局部零均值,且有相同的极值和过零点。据此,Huang 提出了固有模态函数的定义。一个固有模态函数是满足如下两个条件的函数:
(1在整个数据序列中,极值点的数量与过零点的数量必须相等,或最多相差不能多于一个。 (2在任一时间点上,信号的局部极大值和局部极小值定义的包络平均值为零。 第一个限定条件是非常明显的;它近似于传统的平稳高斯过程关于窄带的定义。第二个条件是一个新的想法;它把传统的全局限定变为局部限定。这种限定是必须的,它可去除由于波形不对称而造成的瞬时频率的波动。采用固有模态函数(以下简称 IMF这个名称是因为它代表了信号数据中的振荡模式。IMF 在按过零点定义的每一个周期中,只包括一个本征模态的振荡,没有复杂的叠加波存在。如此定义,一个基本的 IMF 并不限定为窄带信号,也可以是幅度调制和频率调制的。事实上,它可以是非平稳的。图 1是一个典型的 IMF 。固有模态函数(IMF概念的提出使得用 Hilbert 变换定义的瞬时频率具有实际的物理意义, 而提出 IMF 分量的 EMD 分解方法的出现则使瞬时频率可用于复杂的非平稳信号的分析。图 1所示为一典型的固有模态函数,具有相同数目的过零点和极值点,上下包络关于零值对称。 图 1一个典型的固有模态函数(Huang 3经验模态分解
数字信号处理》 实验报告 年级：2011 级班级：信通 4 班姓名：朱明贵学号： 111100443 老师：李娟 福州大学 2013 年11 月
实验一快速傅里叶变换(FFT)及其应用 一、实验目的 1. 在理论学习的基础上，通过本实验，加深对FFT的理解，熟悉MATLAB^的有关函数。 2. 熟悉应用FFT对典型信号进行频谱分析的方法。 3. 了解应用FFT进行信号频谱分析过程中可能出现的问题，以便在实际中正确应用FFT。 4. 熟悉应用FFT实现两个序列的线性卷积和相关的方法。 二、实验类型 演示型 三、实验仪器 装有MATLA爵言的计算机 四、实验原理 在各种信号序列中，有限长序列信号处理占有很重要地位，对有限长序列，我们可以 使用离散Fouier变换(DFT)。这一变换不但可以很好的反映序列的频谱特性，而且易于用快速算法在计算机上实现，当序列x(n)的长度为N时，它的DFT定义为： JV-1 $生 反变换为： 如-器冃吋 科— 有限长序列的DFT是其Z变换在单位圆上的等距采样，或者说是序列Fourier变换的等 距采样，因此可以用于序列的谱分析。 FFT并不是与DFT不同的另一种变换，而是为了减少DFT运算次数的一种快速算法。它 是对变换式进行一次次分解，使其成为若干小点数的组合，从而减少运算量。常用的FFT 是以2为基数的，其长度A - o它的效率高，程序简单，使用非常方便，当要变换的 序列长度不等于2的整数次方时，为了使用以2为基数的FFT，可以用末位补零的方法，使其长度延长至2的整数次方。 (一)在运用DFT进行频谱分析的过程中可能的产生三种误差 1 .混叠 序列的频谱是被采样信号频谱的周期延拓，当采样速率不满足Nyquist定理时，就会 发生频谱混叠，使得采样后的信号序列频谱不能真实的反映原信号的频谱。避免混叠现象的 唯一方法是保证采样速率足够高，使频谱混叠现象不致出现，即在确定采样频率之前，必须
EMD Empirical Mode Decomposition 经验模态分解 美国工程院院士黄锷1998年提出 一种自适应数据处理或挖掘方法，适用于非线性、非平稳时间序列的处理。 1.什么是平稳和非平稳 时间序列的平稳，一般是宽平稳，即时间序列的方差和均值是和时间无关的常数，协方差与与时间间隔有关、与时间无关。未来样本时间序列，其均值、方差、协方差必定与已经获得的样本相同，理解为平稳的时间序列是有规律且可预测的，样本拟合曲线的形态具有“惯性”。 而非平稳信号样本的本质特征只存在于信号所发生的当下，不会延续到未来，不可预测。 严格来说实际上不存在理想平稳序列，实际情况下都是非平稳。 2.什么是EMD经验模态分解方法？ EMD理论上可以应用于任何类型时间序列信号的分解，在实际工况中大量非平稳信号数据的处理上具有明显优势。这种优势是相对于建立在先验性假设的谐波基函数上的傅里叶分解和小波基函数上的小波分解而言的。EMD分解信号不需要事先预定或强制给定基函数，而是依赖信号本身特征自适应地进行分解。 相对于小波分解：EMD克服了基函数无自适应性的问题，小波分析需要选定一个已经定义好的小波基，小波基的选择至关重要，一旦选定，在整个分析过程中无法更换。这就导致全局最优的小波基在局部的表现可能并不好，缺乏适应性。而EMD不需要做预先的分析与研究，可以直接开始分解，不需要人为的设置和干预。 相对于傅里叶变换：EMD克服了传统傅里叶变换中用无意义的谐波分量来表示非线性、非平稳信号的缺点，并且可以得到极高的时频分辨率。 EMD方法的关键是将复杂信号分解为有限个本征模函数IMF，Intrinsic Mode Function。分解出来的IMF分量包含了原信号的不同时间尺度上的局部特征信号。 这句话中：不同时间尺度=局部平稳化，通过数据的特征时间尺度来获得本征波动模式，然后分解or筛选数据。 本质上，EMD将一个频率不规则的波化为多个单一频率的波+残波的形式。 原波形=ΣIMFs+余波 信号()t f 筛选出的本征模函数IMF包括余波，对应有实际的物理成因。 现实中的信号分量IMF不会保持完全稳定的频率和振幅，也常常无法从各个分量中直接看出信号规律。EMD分解经常被用作信号特征提取的一个预先处理手段，将各IMF分量作为后续分析方法的输入，以完成更加复杂的工作。 3.IMF的筛选过程 第一步： Get原数据曲线f(t)所有极大值点，三次样条插值函数拟合成原数据的上包络线； Get原数据曲线f(t)所有极小值点，三次样条插值函数拟合成原数据的下包络线。
经验模态分解和算法 摘要——黄提出了经验模态分解（EMD）的数据处理方法，也对这种技术应用的有效性进行了讨论。许多变种算法（新的停止准则，即时版本的算法）也产生出来。数值模拟用来作经验性的评估执行单元运用于语音识别和分离方面，得出的实验结果认为这种方法是根据自适应的常数Q的滤波器组提出的。 1．介绍 近来，一种被称为EMD的新的非线性方法被黄等人提出，这种方法能够自适应的把非平稳信号分解成一系列零均值的AMFM信号(调频调幅) 的总和。尽管这种方法经常有着显著的效果，但是这个方法在算法方面的定义是困难的，因此这种方法没有作为一种分析方法得到承认，一般一种分析方法是需要有理论分析和性能评估。因此本文的目的是用实验的方式使得该算法更容易理解，并且提出了基于原算法的各种各样的改进的算法。设置实验性能评估的许多初始条件是为了获取一种有效的分解并且使得该算法更容易理解。 2．EMD基础 EMD的出发点是把信号内的震荡看作是局部的。实际上，如果我们要看评估信号x(t)的2个相邻极值点之间的变化（2个极小值，分别在t-和t+处），我们需要定义一个（局部）高频成分{d(t),t-<=t<=t+}(局部细节),这个高频成分与震荡相对应，震荡在2个极小值之间并且通过了极大值（肯定出现在2极小值之间）。为了完整这个图形，我们还需要定义一个（局部）低频成分m(t)（局部趋势），这样x(t)=m(t)+d(t),(t-<=t<=t+)。对于整个信号的所有震动成分，如果我们能够找到合适的方法进行此类分解，这个过程可以应用于所有的局部趋势的残余成分，因此一个信号的构成成分能够通过迭代的方式被抽离出来。 对于一个给定的信号x(t),进行有效的EMD分解步骤如下： 1）找出想x(t)的所有极值点 2）用插值法对极小值点形成下包络emint(t)，对极大值形成上包络emax(t) 3）计算均值m(t)=(emint(t)+emax(t))/2 4）抽离细节d(t)=x(t)-m(t) 5）对残余的m(t)重复上诉步骤 在实际中，上述过程需要通过一个筛选过程进行重定义，筛选过程的第一个迭代步骤是对细节信号d(t)重复从1-4步，直到d(t)的均值是0，或者满足某种停止准则才停止迭代。一旦满足停止准则，此时的细节信号d(t)就被称为IMF，d(t)对应残量信号用第5步计算。通过以上过程，极值点的数量伴随着残量信号的产生而越来越少，整个分解过程会产生有限个模函数（IMF）。 模函数和残量信号可以进行谱分析，但是这个谱分析不能从狭隘的角度来看。首先,需要强调一下，即使是谐振荡，应用上述方法产生的高频和低频也只是局部的，没办法产生一个预设的频带过滤（例如小波变换）进行辨识。选择的模函数对应了一个自适应（依赖于信号自身的）的时变滤波器。一个这方面的例子：一个信号由3个部分组成（这3个部分是时间频率上都明显叠加的信号），用上述方法成功的分解了。分解如图1所示。这个例子的程序是emd_fmsin2.m 另外一个例子（emd_sawtooth.m）强调了EMD潜在的非谐振性质如图2所示。在这些例子中，线性的非线性的震荡都能被有效的识别和分离。因而，任何谐振分析（傅里叶，小波，…）可能结束在同类文章中，更少的紧凑和更少的实际意义的分解。 3．算法的改进 正如第二部分所定义的，EMD算法依赖于一系列的选项，这些选项需要用户控制，并且需要专业的知识。在此我们的目的找出更准确的选项，并且给予原来的算法进行改进。3.1采样率，插值方法和边缘效应
数字信号处理作业提交日期：2016年7月15日
实验一 维纳滤波器的设计 第一部分 设计一维纳滤波器。 (1)产生三组观测数据，首先根据()(1)()s n as n w n =-+产生信号()s n ，将其加噪(信噪比分别为20,10,6dB dB dB )，得到观测数据123(),(),()x n x n x n 。 (2)估计()i x n ，1,2,3i =的AR 模型参数。假设信号长度为L ，AR 模型阶数为N ，分析实验结果，并讨论改变L ，N 对实验结果的影响。 1 实验原理 滤波技术是信号分析、处理技术的重要分支，无论是信号的获取、传输，还是信号的处理和交换都离不开滤波技术，它对信号安全可靠和有效灵活地传递是至关重要的。信号分析检测与处理的一个十分重要的内容就是从噪声中提取信号，实现这种功能的有效手段之一是设计一种具有最佳线性过滤特性的滤波器，当伴有噪声的信号通过这种滤波器的时候，它可以将信号尽可能精确地重现或对信号做出尽可能精确的估计，而对所伴随噪声进行最大限度地抑制。维纳滤波器就是这种滤波器的典型代表之一。 维纳（Wiener ）是用来解决从噪声中提取信号的一种过滤（或滤波）方法。这种线性滤波问题，可以看做是一种估计问题或一种线性估计问题。 设一线性系统的单位样本响应为()h n ，当输入以随机信号()x n ，且 ()() () x n s n v n =+，其中()s n 表示原始信号，即期望信号。()v n 表示噪声，则输出()y n 为()=()()m y n h m x n m -∑，我们希望信号()x n 经过线性系统()h n 后得到的()y n 尽可能接近 于()s n ，因此称()y n 为估计值，用?()s n 表示。 则维纳滤波器的输入-输出关系可用下面表示。 设误差信号为()e n ,则?()()()e n s n s n =-,显然)(n e 可能是正值，也可能是负值，并且它是一个随机变量。因此，用它的均方误差来表达误差是合理的，所谓均方误差最小即 它的平方的统计期望最小：222?[|()|][|()()|][|()()|]E e n E s n s n E s n y n =-=-=min 。而要使均方误差最小，则需要满足2[|()|]j E e n h ?=0. 进一步导出维纳-霍夫方程为：()()()()*(),0,1,2...xs xx xx i R m h i R m i R m h m m =-==∑ 写成矩阵形式为：xs xx R R h =，可知：1xs xx h R R -=。表明已知期望信号与观测数据的互相关函数以及观测信号的自相关函数时，可以通过矩阵求逆运算，得到维纳滤波器的
４信号处理电路系统设计……………………………………………………………………．．３９４．１信号检测模拟电路……………………………………………………………………４０４．１．１光电探测电路…………………………………………………………………４０ ４．１．２Ａ／Ｄ转换电路…………………………………………………………………．４２４．２ＦＰＧＡ电路设计………………………………………………………………………４４４．２．１硬件设计………………………………………………………………………４５ ４．２．２软件设计………………………………………………………………………４７４－３信号反馈电路…………………………………………………………………………４９４．４串口通信模块设计……………………………………………………………………５１４．５２兀自动复位……………………………………………………………………………５２４．６本章小结………………………………………………………………………………５４５闭环实验结果与分析………………………………………………………………………．．５５５．１实验结果………………………………………………………………………………５５５．２本章小结………………………………………………………………………………５８６结论与展望………………………………………………………………．．…………………５９６．１本论文工作的结论……………………………………………………………………５９６．２未来工作的展望………………………………………………………………………５９参考文献………………………………………………………………………………………．．６１攻读硕士学位期间发表的论文………………………………………………………………一６５致谢………………………………………………………………………………………………６６学位论文知识产权声明………………………………………………………………………．．６７学位论文独创性声明…………………………………………………………………………．．６８
实验一 MATLAB 仿真软件的基本操作命令和使用方法 实验容 1、帮助命令 使用 help 命令，查找 sqrt （开方）函数的使用方法； 2、MATLAB 命令窗口 （1）在MATLAB 命令窗口直接输入命令行计算3 1)5.0sin(21+=πy 的值； （2）求多项式 p(x) = x3 + 2x+ 4的根； 3、矩阵运算 （1）矩阵的乘法 已知 A=[1 2;3 4]， B=[5 5;7 8]，求 A^2*B
（2）矩阵的行列式 已知A=[1 2 3;4 5 6;7 8 9]，求A （3）矩阵的转置及共轭转置 已知A=[1 2 3;4 5 6;7 8 9]，求A' 已知B=[5+i,2-i,1;6*i,4,9-i], 求B.' , B' （4）特征值、特征向量、特征多项式 已知A=[1.2 3 5 0.9;5 1.7 5 6;3 9 0 1;1 2 3 4] ，求矩阵A的特征值、特征向量、特征多项式；
（5）使用冒号选出指定元素 已知：A=[1 2 3;4 5 6;7 8 9]；求A 中第3 列前2 个元素；A 中所有列第2，3 行的元素； 4、Matlab 基本编程方法 （1）编写命令文件：计算1+2+…+n<2000 时的最大n 值；
（2）编写函数文件：分别用for 和while 循环结构编写程序，求 2 的0 到15 次幂的和。
5、MATLAB基本绘图命令 （1）绘制余弦曲线 y=cos(t)，t∈[0，2π]
（2）在同一坐标系中绘制余弦曲线 y=cos(t-0.25)和正弦曲线 y=sin(t-0.5)， t∈[0，2π] （3）绘制[0，4π]区间上的 x1=10sint 曲线，并要求： （a）线形为点划线、颜色为红色、数据点标记为加号； （b）坐标轴控制：显示围、刻度线、比例、网络线 （c）标注控制：坐标轴名称、标题、相应文本； >> clear;
实验一MATLAB语言的基本使用方法 实验类别：基础性实验 实验目的： （1）了解MATLAB程序设计语言的基本方法，熟悉MATLAB软件运行环境。 （2）掌握创建、保存、打开m文件的方法，掌握设置文件路径的方法。 （3）掌握变量、函数等有关概念，具备初步的将一般数学问题转化为对应计算机模型并进行处理的能力。 （4）掌握二维平面图形的绘制方法，能够使用这些方法进行常用的数据可视化处理。 实验内容和步骤： 1、打开MATLAB，熟悉MATLAB环境。 2、在命令窗口中分别产生3*3全零矩阵，单位矩阵，全1矩阵。 3、学习m文件的建立、保存、打开、运行方法。 4、设有一模拟信号f(t)=1.5sin60πt,取?t=0.001,n=0,1,2,…,N-1进行抽样，得到 序列f(n),编写一个m文件sy1_1.m,分别用stem,plot,subplot等命令绘制32 点序列f(n)(N=32)的图形，给图形加入标注，图注，图例。 5、学习如何利用MATLAB帮助信息。 实验结果及分析： 1）全零矩阵 >> A=zeros(3,3) A = 0 0 0 0 0 0 0 0 0 2）单位矩阵 >> B=eye(3) B = 1 0 0 0 1 0 0 0 1 3）全1矩阵 >> C=ones(3) C = 1 1 1 1 1 1 1 1 1 4)sy1_1.m N=32; n=0:N-1; dt=0.001; t=n*dt; y=1.5*sin(60*pi*t); subplot(2,1,1), plot(t,y); xlabel('t'); ylabel('y=1.5*sin(60*pi*t)'); legend('正弦函数'); title('二维图形'); subplot(2,1,2), stem(t,y) xlabel('t'); ylabel('y=1.5*sin(60*pi*t)'); legend('序列函数'); title('条状图形'); 00.0050.010.0150.020.0250.030.035 t y = 1 . 5 * s i n ( 6 * p i * t ) 二维图形 00.0050.010.0150.020.0250.030.035 t y = 1 . 5 * s i n ( 6 * p i * t ) 条状图形
目录 实验1 离散时间信号的频域分析-----------------------2 实验2 FFT算法与应用-------------------------------7 实验3 IIR数字滤波器的设计------------------------12 实验4 FIR数字滤波器的设计------------------------17
实验1 离散时间信号的频域分析 一．实验目的 信号的频域分析是信号处理中一种有效的工具。在离散信号的时域分析中，通常将信号表示成单位采样序列δ（n ）的线性组合，而在频域中，将信号表示成复变量e n j ω-或 e n N j π2-的线性组合。通过这样的表示，可以将时域的离散序 列映射到频域以便于进一步的处理。 在本实验中，将学习利用MATLAB 计算离散时间信号的DTFT 和DFT,并加深对其相互关系的理解。 二、实验原理 (1)DTFT 和DFT 的定义及其相互关系。序列x(n)DTFT 定义为()jw X e = ()n x n e ∞ =∞ ∑ω jn -它是关于自变量ω的复函数，且是以2π为周期的连续函数。 ()jw X e 可以表示为()()()jw jw jw re im X e X e jX e =+,其中，()jw re X e 和()jw im X e 分别是 ()jw X e 实部和虚部；还可以表示为 ()jw X e =()|()|jw j w X e e θ，其中， |()|jw X e 和{} ()arg ()j w X e ωθ=分别是()jw X e 的幅度函数和相位函数；它们都是ω的实函数，也是以2π为周期的周期函数。 序列()x n 的N 点DFT 定义为2211 ()()()()N N j k j kn kn N N N N n X k X e x n e x n W π π ---==== ∑∑，()X k 是周期为N 的序列。()j X e ω与()X k 的关系：()X k 是对()j X e ω）在一个周期 中的谱的等间隔N 点采样，即 2k |()()|jw w N X k X e π = = ，而()j X e ω 可以通过对()X k 内插获得，即
Key Problems of Bidimensional Empirical Mode Decomposition Guangtao Ge School of Information and Electronic Engineering Zhejiang Gongshang University Hangzhou, China ggtggtggt@https://www.doczj.com/doc/417251197.html, Guangtao Ge Department of Information Science & Electronic Engineering Zhejiang University Hangzhou, China ggtggtggt@https://www.doczj.com/doc/417251197.html, Abstract—In recent years , an emerging theory of Empirical Mode Decomposition (EMD) is an important breakthrough in the field of signal processing. This paper reviews three key problems in the development of the Bidimensional Empirical Mode Decomposition (BEMD) theory and introduces the latest developments of surface-fitting algorithms, boundary corruption solution methods and the BEMD criterion for stopping the sifting process. Then this paper also comments several open problems in BEMD theory and discusses the existing difficult problems . Keywords-component; Bidimensional Empirical Mode Decomposition; surface-fitting; boundary corruption; BEMD criterion 二维经验模态分解的关键问题 葛光涛1， 2 1.浙江工商大学信息与电子工程学院，杭州，中国，310018 2. 浙江大学信息与电子工程学系，杭州，中国，310027 ggtggtggt@https://www.doczj.com/doc/417251197.html, 【摘要】近年国际上出现的经验模态分解理论(Empirical Mode Decomposition , EMD)是信号处理领域的一个重大突破。本文综述了二维经验模态分解(Bidimensional Empirical Mode Decomposition , BEMD)理论发展过程中涉及的三个关键问题,并着重介绍了曲面拟合、边界污染处理和停止准则制定这三个方面的最新进展,评述了其中的公开问题,对研究中现存的难点问题进行了探讨。 【关键词】二维经验模态分解；曲面拟合；边界污染；停止准则 1 引言 1998 年美国国家宇航局（NASA）的Norden E.huang等人首次提出对一列时间序列数据先进行经验模态分解(以Empirical Mode Decomposition表示 , 简写作EMD)，然后对各个分量作希尔伯特变换。这种变换被称为希尔伯特黄变换（Hilbert-Huang transform, HHT）[1,3]。这种信号处理方法被认为是近年来对以傅立叶变换为基础的线性和稳态谱分析的一个重大突破。该方法从本质上讲是对一个复杂的信号进行平稳化处理[2]，其结果是将信号中不同尺度的波动或趋势逐级分解开来，由于这种分解是基于局部特征尺度，作为一种完全的数据驱动方法，它具有良好的局部适应性，因此，该方法既能对平稳信号进行分析，又能对非平稳信号进行分析。 以往很多的一维信号处理方法被成功地推广到空间二维信号处理领域，被应用于二维图像数据的处理时同样可以得到良好的效果[4]。例如，傅立叶变换、离散余弦变换以及小波变换等信号处理的技术已经广泛应用于数字图像处理领域，具体应用包括图像滤波、图像复原、图像增强、图像拼接、图像压缩以及数字水印等方面。经验模态分解方法在一维信号处理方面已经获得巨大的成功，所以如果能将一维经验模式分解方法推广到二维，将会给图像处理等领域提供一种新的有效的数据处理手段。 二维经验模态分解理论的发展过程中主要涉及以下几个重要问题[5]：曲面的精确拟合，边界污染的克服，合理停止准则的制定等。 2010 International Conference on Remote Sensing (ICRS) 978-1-4244-8729-5/10/$26.00 ?2010 IEEE ICRS2010
0引言 当今信息时代，快速、高效的数据处理技术在科学研究、 工程应用乃至社会生活的方方面面都起着重要的作用。伴随着计算机技术的兴起，频谱分析被广泛应用于工程实践。但 Fourier 变换要求信号满足Dirichlet 条件，即对信号进行平稳 性假设，而现实中大量存在的是非平稳信号。针对Fourier 变换的不足，短时Fourier 变换（Short Time Fourier Transform ， STFT ），即通过对一个时间窗内的信号进行Fourier 变换，分 析非平稳信号。虽然STFT 具有时频分析能力，但它具有固定 的时频分辨率，且难以找到合适的窗函数。而时频分析方法中的Wigner-Ville 分布存在严重的交叉项，会造成虚假信息的出现。小波变换具有可变的时频分析能力，在图像压缩和边缘检测等领域得到成功应用。但小波基不能自动更换，而且对众多小波基的合理选取也是一个难题。小波变换本质上是一种可变窗的Fourier 变换[1]。总之，这些方法没有完全摆脱 Fourier 变换的束缚，从广义上说都是对Fourier 变换的某种修 正，而且其时频分辨能力受到Heisenberg 不确定原理的制约。 Huang 等[1]在1998年提出了经验模态分解（Empirical 经验模态分解及其雷达信号处理 摘要 为了准确估计信号的瞬时频率，可用经验模态分解（EMD ）将信号分解成有限个窄带信号。该方法因具有很强的自适应性及 处理非平稳信号的能力而引起广泛关注，已在众多工程领域得到应用。但EMD 是基于经验的方法，数值仿真和试验研究仍是分析 EMD 算法的主要方法。本文总结了EMD 算法存在的问题，并指出深入挖掘支持该方法的理论基础是消除制约EMD 算法进一步发 展和应用推广的关键。针对所存在的问题，从改进筛分停止准则、抑制端点效应、改进包络生成方法和解决模态混叠问题等诸方面阐述了改进EMD 算法的研究进展。综述了EMD 在雷达信号处理领域的应用。最后分析指出了进一步研究EMD 的几个主要方向。 关键词经验模态分解（EMD ）；希尔伯特-黄变换（HHT ）；时频信号分析；雷达信号处理 中图分类号TN911.7文献标识码A 文章编号1000-7857（2010）10-0101-05 杨彦利，邓甲昊 北京理工大学机电学院；机电工程与控制重点实验室，北京100081 Empirical Mode Decomposition and Its Application to Radar Signal 收稿日期：2010-03-24 作者简介：杨彦利，博士研究生，研究方向为探测、制导与控制，电子信箱：yyl070805@https://www.doczj.com/doc/417251197.html, ；邓甲昊（通信作者），教授，研究方向为中近程目标探测、 信号处理及感知与自适应控制，电子信箱：bitdjh@https://www.doczj.com/doc/417251197.html, YANG Yanli,DENG Jiahao Laboratory of Mechatronic Engineering &Control,School of Mechatronical Engineering,Beijing Institute of Technology,Beijing 100081,China Abstract In order to better estimate the instantaneous frequency of signals,the empirical mode decomposition (EMD)algorithm,proposed by Huang et al.,is used to break multi-component signals into several narrow subbands.EMD is an adaptive method and can be used to analyze nonstationary signals,so it has been widely applied to many engineering fields.However,EMD is still considered as an empirical method because it lacks a rigorous mathematical foundation,and its analysis depends largely on numerical simulations and experimental investigations.In this paper,related problems of the EMD algorithm are discussed,including its theoretical foundation and its applications.Some modified EMD algorithms are considered to overcome problems,such as stopping criterion,end effect,envelope of signals and mode aliasing.The applications of EMD to the processing of radar signals are reviewed.Some directions for further research on the EMD algorithm are suggested. Keywords empirical mode decomposition (EMD);Hilbert-Huang transform (HHT);time-frequency signal processing;radar signal processing 综述文章（Reviews ）
武汉工程大学 数字信号处理实验报告 姓名：周权 学号：1204140228 班级：通信工程02
一、实验设备 计算机，MATLAB语言环境。 二、实验基础理论 1.序列的相关概念 2.常见序列 3.序列的基本运算 4.离散傅里叶变换的相关概念 5.Z变换的相关概念 三、实验内容与步骤 1.离散时间信号（序列）的产生 利用MATLAB语言编程产生和绘制单位样值信号、单位阶跃序列、指数序列、正弦序列及随机离散信号的波形表示。 四实验目的 认识常用的各种信号，理解其数字表达式和波形表示，掌握在计算机中生成及绘制数字信号波形的方法，掌握序列的简单运算及计算机实现与作用，理解离散时间傅里叶变换，Z变换及它们的性质和信号的频域分
实验一离散时间信号（序列）的产生 代码一 单位样值 x=2; y=1; stem(x,y); title('单位样值 ') 单位阶跃序列 n0=0; n1=-10; n2=10; n=[n1:n2]; x=[(n-n0)>=0]; stem(n,x); xlabel('n'); ylabel('x{n}'); title('单位阶跃序列');
实指数序列 n=[0:10]; x=(0.5).^n; stem(n,x); xlabel('n'); ylabel('x{n}'); title('实指数序列');
正弦序列 n=[-100:100]; x=2*sin(0.05*pi*n); stem(n,x); xlabel('n'); ylabel('x{n}'); title('正弦序列');
随机序列 n=[1:10]; x=rand(1,10); subplot(221); stem(n,x); xlabel('n'); ylabel('x{n}'); title('随机序列');
实验四 离散时间信号的DTFT 一、实验目的 １. 运用MA TLAB 计算离散时间系统的频率响应。 ２. 运用MA TLAB 验证离散时间傅立叶变换的性质。 二、实验原理 （一）、计算离散时间系统的DTFT 已知一个离散时间系统∑∑==-= -N k k N k k k n x b k n y a 00)()(，可以用MA TLAB 函数frequz 非常方便地在给定的L 个离散频率点l ωω=处进行计算。由于)(ωj e H 是ω的连续函数，需要 尽可能大地选取L 的值（因为严格说，在MA TLAB 中不使用symbolic 工具箱是不能分析模拟信号的，但是当采样时间间隔充分小的时候，可产生平滑的图形），以使得命令plot 产生的图形和真实离散时间傅立叶变换的图形尽可能一致。在MA TLAB 中，freqz 计算出序列{M b b b ,,,10 }和{N a a a ,,,10 }的L 点离散傅立叶变换，然后对其离散傅立叶变换值相除 得到L l e H l j ,,2,1),( =ω。为了更加方便快速地运算，应将L 的值选为2的幂，如256或 者512。 例3.1 运用MA TLAB 画出以下系统的频率响应。 y(n)-0.6y(n-1)=2x(n)+x(n-1) 程序： clf; w=-4*pi:8*pi/511:4*pi; num=[2 1];den=[1 -0.6]; h=freqz(num,den,w); subplot(2,1,1) plot(w/pi,real(h));grid title(‘H(e^{j\omega}的实部’)) xlabel(‘\omega/ \pi ’); ylabel(‘振幅’)； subplot(2,1,1) plot(w/pi,imag(h));grid title(‘H(e^{j\omega}的虚部’)) xlabel(‘\omega/ \pi ’); ylabel(‘振幅’)； （二）、离散时间傅立叶变换DTFT 的性质。 1．时移与频移 设 )]([)(n x FT e X j =ω, 那么
经验模态分解(EMD)在地球物理资料中的应用(附MATLAB程序) 摘要经验模态分解(EMD)是由Huang等人提出的一种新的分析非线性、非平稳信号的方法。本文研究经验模态分解原理及其在地球物理资料中的应用。首先研究经验模态分解的基本原理和算法，对地球物理资料（地震资料，重磁资料）进行EMD分解试验分析，然后研究基于...
摘 要
经验模态分解(EMD)是由Huang等人提出的一种新的分析非线性、非平稳信号的方法。本文研究经验模态分解原理及其在地球物理资料中的应用。首先研究经验模态分解的基本原理和算法，对地球物理资料（地震资料，重磁资料）进行EMD分解试验分析，然后研究基于EMD的Hilbert变换原理及其在提取地震属性信息中的应用，对实际地震时间剖面和时间切片进行EMD时频分析试验。
本文的方法研究和数据试验分析表明：经EMD分解变换得到的IMF序列是直接从原始时序数据中分离出来的,事先无需确定分解阶次,能更好反映原始数据固有的物理特性,每阶IMF序列都代表了某种特定意义的频带信息；EMD分解获得的IMF序列具有稳态性,对IMF进行Hilbert变换，就可以得到单个固有模态函数的瞬时振幅、瞬时相位和瞬时频率，这些信息可以清楚的显示信号的时频特征；EMD分析方法用于分解地球物理资料和作时频分析是有效的。
关键词：经验模态分解；地球物理；Hilbert变换；固有模态函数；时频分析
ABSTRACT
Empirical Mode Decomposition(EMD), which was developed by huang, is a new method to analyse nonlinear and nonstationary signals. In this paper, we study the theory of EMD and its applications in handling geophysical data. Firstly, we introduce the theory and the Methodology about EMD ,then we will use this method to analyse the geophysical information, including the g ravity anomaly data and seism’s data. Based on the EMD, we will study the theory of the Hilbert transform, and then use it to obtain the images,from which we can deal with the seism’s slice by time- frequency analysis in order to distill the seism’s information.
The studying of EMD and the data testing in this paper indicate: intrinsic mode functions(IMF) is comes from the original signal by the EMD, in this course, we need not fix on the Decomposition number and would not influenced by some men’s factors. Every intrinsic mode function stand for some given information and can reflect the
数字信号处理实验报告 实验一：用 FFT 做谱分析 一、 实验目的 1、进一步加深 DFT 算法原理和基本性质的理解。 2、熟悉 FFT 算法原理和 FFT 子程序的应用。 3、学习用FFT 对连续信号和时域离散信号进行谱分析的方法，了解可能出现的分析误差及其原因，以便在实际中正确应用 FFT 。 二、实验原理 用FFT 对信号作频谱分析是学习数字信号处理的重要内容。经常需要进行谱分析的信号是模拟信号和时域离散信号。对信号进行谱分析的重要问题是频谱分辨率D 和分析误差。频谱分辨率直接和FFT 的变换区间N 有关，因为FFT 能够实现的频率分辨率是2π/N ≤D 。可以根据此时选择FFT 的变换区间N 。误差主要来自于用FFT 作频谱分析时，得到的是离散谱，而信号（周期信号除外）是连续谱，只有当N 较大时离散谱的包络才能逼近于连续谱，因此N 要适当选择大一些。 周期信号的频谱是离散谱，只有用整数倍周期的长度作FFT ，得到的离散谱才能代表周期信号的频谱。如果不知道信号周期，可以尽量选择信号的观察时间长一些。 对模拟信号的频谱时，首先要按照采样定理将其变成时域离散信号。如果是模拟周期信号，也应该选取整数倍周期的长度，经过采样后形成周期序列，按照周期序列的谱分析进行。 三、实验内容和步骤 对以下典型信号进行谱分析： ?? ? ??≤≤-≤≤-=?? ? ??≤≤-≤≤+==其它n n n n n n x 其它n n n n n n x n R n x ,07 4, 330,4)(, 07 4, 830,1)() ()(3241 4() cos 4 x n n π = 5()cos(/4)cos(/8)x n n n ππ=+ 6() cos8cos16cos20x t t t t πππ=++
信息科学与技术学院本科三年级 数字信号处理实验报告 2011 年12 月21日
实验一 序列的傅立叶变换 实验目的 进一步加深理解DFS,DFT 算法的原理;研究补零问题;快速傅立叶变换 （FFT ）的应用。 实验步骤 1. 复习DFS 和DFT 的定义，性质和应用； 2. 熟悉MATLAB 语言的命令窗口、编程窗口和图形窗口的使用；利用提供的 程序例子编写实验用程序；按实验内容上机实验，并进行实验结果分析；写出完整的实验报告，并将程序附在后面。 实验内容 1. 周期方波序列的频谱试画出下面四种情况下的的幅度频谱,并分析补零后，对信号频谱的影响。 实验结果： 60 ,7)4(;60,5)3(; 40,5)2(;20,5)1()] (~[)(~,2,1,01 )1(,01,1)(~=========±±=???-+≤≤+-+≤≤=N L N L N L N L n x DFS k X m N m n L m N L m N n m N n x ) 52.0cos()48.0cos()(n n n x ππ+=
2. 有限长序列x(n)的DFT （1） 取x(n)(n=0:10)时，画出x(n)的频谱X(k) 的幅度； （2） 将（1）中的x(n)以补零的方式，使x(n)加长到(n:0~100)时，画出 x(n)的频谱X(k) 的幅度； （3） 取x(n)(n:0~100)时，画出x(n)的频谱X(k) 的幅度。利用FFT 进行谱分析 已知：模拟信号 以t=0.01n(n=0:N-1)进行采样，求N 点DFT 的幅值谱。 请分别画出N=45; N=50;N=55;N=60时的幅值曲线。 实验结果： ) 8cos(5)4sin(2)(t t t x ππ+=