依據(jù)基本原理、分解過程和分解特性，可以將自適應模式分解方法分為三類，分別是基于時域局部特征、基于頻譜分割和基于時變?yōu)V波的信號分解方法。

基于時域局部特征的多分量信號分解方法

基于時域局部特征的多分量信號分解方法，依據(jù)信號特征自適應地將多分量信號分解為一組分量，為多分量信號的進一步分析提供了便利。對于分解到的分量，一方面可以運用：Hilbert變換、能量算子、歸一化Hilbert變換、經(jīng)驗調(diào)幅調(diào)頻分析、廣義過零點法、直接正交法和歸一化正交法等估計其瞬時特征（包括瞬時幅值和瞬時頻率）；另一方面，可以將其作為輸入，運用數(shù)據(jù)分類、模式識別等實現(xiàn)識別和分類。

基于時域局部特征的多分量信號分解方法，具有很強的數(shù)據(jù)驅(qū)動特性，無需任何先驗知識。但此類分解方法：①由于采樣頻率的高低會影響局部極值點的數(shù)量和上下包絡(luò)的精度，分解結(jié)果易受采樣頻率的影響，故采樣必須充分；②無法從信噪比低的多分量信號中準確提取分量，故抗噪性能不強。

噪聲會改變局部極值點的幅值和時刻，降低上下包絡(luò)的精度，且隨著迭代步數(shù)的增多誤差逐漸積累，進而影響篩分結(jié)果）；③具有二階濾波器的性質(zhì)，要求相鄰分量的瞬時頻率間隔充分；④由于多個諧波分量的極值點共用、重合，故無法準確分離諧波分量。

基于頻譜分割的多分量信號分解方法

對于組成分量頻率范圍有限且頻段互不重疊的多分量信號，對其頻譜進行分割，然后依據(jù)頻帶特征重構(gòu)分量，即可實現(xiàn)多分量信號的分解。學者們先后提出了具有頻譜分割特性的多分量信號分解方法：經(jīng)驗小波變換EWT、變分模態(tài)分解VMD和傅里葉分解方法FDM等。

EWT首先將多分量信號的頻譜分割成多個區(qū)間，然后依據(jù)頻段邊界特征構(gòu)造一組wavelet濾波器，最后運用wavelet濾波器實現(xiàn)多分量信號的分解。VMD通過求解變分約束優(yōu)化問題，實現(xiàn)了既定數(shù)目分量的提取。實際上，VMD是參數(shù)自適應的Wiener濾波器組，可成功分離圍繞不同中心頻率波動的分量。FDM從多分量信號的傅里葉級數(shù)展開出發(fā)，通過由高到低或由低到高的順序，依次疊加特定頻段內(nèi)的頻率成分，實現(xiàn)了組成分量的重構(gòu)。就其本質(zhì)而言，EWT的wavelet濾波器和VMD的參數(shù)自適應Wiener濾波器組與帶通濾波器具有類似的性質(zhì)。，F(xiàn)DM中，分段疊加傅里葉級數(shù)展開項重構(gòu)分量的方式，也使其具有頻譜分割特性。從而EWT、VMD和FDM本質(zhì)上可視為自適應的帶通濾波器組，故為基于頻譜分割的多分量信號分解方法。

因為EWT、VMD和FDM均在傅里葉變換的基礎(chǔ)上在頻域提取或重構(gòu)分量，其數(shù)據(jù)驅(qū)動特性主要依賴于頻域信息，而傅里葉變換揭示的是信號整個時間歷程內(nèi)的頻率分布特征，故可大幅削弱噪聲對分解結(jié)果的影響。因此，與基于時域局部特征的多分量信號分解方法相比，EWT、VMD和FDM的抗噪性能更優(yōu)。

然而，EWT、VMD的自適應性不如EMD等基于時域局部特征的多分量信號分解方法。EWT中，需根據(jù)多分量信號的頻域特征選擇合適的頻譜分割方式，且是否設(shè)置分量數(shù)目上限、分量數(shù)目上限的數(shù)值均會對分解結(jié)果產(chǎn)生很大影響。VMD中的約束優(yōu)化問題考慮了分量的窄帶特性，得到的分量信噪比更高，但VMD需預先確定分量的個數(shù)。此外，基于頻譜分割的多分量信號分解方法均假設(shè)多分量信號組成分量的帶寬有限且頻段互不重疊，故不適合分解頻段重疊的非平穩(wěn)多分量信號。

基于時變?yōu)V波的多分量信號分解方法?

對于頻段重疊的非平穩(wěn)多分量信號，有學者提出了中心頻率可調(diào)的Vold-Kalman濾波VKF。VKF不僅可以實現(xiàn)多個階次成分的跟蹤，而且在非平穩(wěn)多分量信號分解中也表現(xiàn)出了優(yōu)異的性能。VKF的優(yōu)勢主要體現(xiàn)在：①良好的瞬時頻率交叉分量分離性能；②可從多分量信號中準確提取小間隔分量；③提取到的分量具有零相移特性。

另一方面，有學者在迭代篩分框架內(nèi)，通過低通濾波構(gòu)造瞬時均值的迭代濾波分解IFD。雖然IFD中濾波器的長度會根據(jù)信號的極值點個數(shù)和長度發(fā)生變化，但在單次篩分中濾波器的長度是時不變的。因此，IFD雖具備嚴格的理論基礎(chǔ)，但不適合分析頻段重疊分量組成的多分量信號，且抗噪性能不如頻譜分割類分解方法。

知乎學術(shù)咨詢：

https://www.zhihu.com/consult/people/792359672131756032?isMe=1

擔任《Mechanical System and Signal Processing》《中國電機工程學報》等期刊審稿專家，擅長領(lǐng)域：信號濾波/降噪，機器學習/深度學習，時間序列預分析/預測，設(shè)備故障診斷/缺陷檢測/異常檢測。

分割線分割線分割線

一種基于傅里葉貝塞爾級數(shù)展開的經(jīng)驗小波變換方法（Python）

?

非平穩(wěn)信號的一種多元投影經(jīng)驗小波分解方法（MATLAB R2018A）

完整代碼和數(shù)據(jù)可通過知乎學術(shù)咨詢獲得

https://www.zhihu.com/consult/people/792359672131756032

MATLAB環(huán)境下一種基于乘積譜分割的經(jīng)驗小波變換方法

完整代碼和數(shù)據(jù)可通過知乎學術(shù)咨詢獲得

https://www.zhihu.com/consult/people/792359672131756032

Vold-Kalman濾波器（MATLAB R2018）

完整代碼：

https://mbd.pub/o/bread/mbd-ZZWamZxy

?基于變分模態(tài)分解和Cramer von Mises檢驗的非平穩(wěn)信號降噪方法（MATLAB 2018A）

本文轉(zhuǎn)載自??高斯的手稿??