本发明涉及一种非线性非平稳时间序列的处理方法,尤其涉及一种基于时间序列包络线ar预报的emd端点效应处理方法,属于时间序列分析领域。
背景技术:
经验模态分解(empiricalmodedecomposition,emd)是目前最有效、应用最为广泛的非线性非平稳信号处理方法,由norden.ehuang等于1998年提出。该方法打破了fourier变换对基本信号和频率的定义,认为信号基本组成是一种称为固有模态函数(intrinsicmodefunction,imf)的信号,而不再简单地认为是正弦信号。imf必须满足两个基本条件:一是整个信号区间内的零点数等于极值点数,或者最多相差1;二是信号的极小值小于零而极大值点大于零,并且关于时间轴对称。huang认为任何一组信号都可以用有限个固有模态函数和一个余项来表示,这就是emd的核心思想。
经验模态分解被广泛应用地震工程领域、图像和声音识别领域、海洋工程领域以及结构模态识别领域,被美国誉为nasa史上最伟大的十大发明之一。
emd算法步骤涉及到的关键问题包括:信号极值点的识别、包络线的生成、筛分终止准则以及分解终止准则的选择。其中,包络线生成过程中的端点效应处理是emd方法的核心技术,也是国内外学者的研究热点。但是,目前,emd方法中的端点处理仍然存在巨大挑战,该问题并没有得到完全解决。
对此,本发明提出时间序列包络线ar预报的emd端点效应处理方法,可有效改善端点延拓效果。目前,国内外均未有基于包络ar预报的emd端点效应处理方法研究。
技术实现要素:
本发明的目的是为了提供一种基于时间序列包络线ar预报的emd端点效应处理方法,能够抑制emd方法在非线性非平稳时间序列处理中的端点效应。该方法通过利用时间序列极值点获得上下包络线,基于ar预报模型对上下包络线在时间序列左右端进行延拓,以此克服非线性非平稳时间序列emd处理过程中的端点效应问题。
本发明的目的是这样实现的:
第一步:根据给定的非线性非平稳时间序列{(xi,ti),i=1~n},得到时间序列的所有极大指点为{(xjmax,tjmax),j=1~m},利用样条曲线拟合方法生成时间序列的上包络曲线u(t);并根据时间序列极值确定上包络线在时间序列两端的延拓长度,其中:上包络线在左端的延拓长度为t1-t1max、在右端的延拓长度为
第二步:根据给定的非线性非平稳时间序列{(xi,ti),i=1~n},得到时间序列的所有极小值点{(xjmin,tjmin),j=1~n};利用样条曲线拟合方法生成时间序列的下包络曲线l(t);并根据时间序列极值确定下包络线在时间序列两端的延拓长度,其中:下包络线在左端的延拓长度为t1-t1min、在右端的延拓长度为
第三步:利用上包络线时间序列{u(t),t=1~m0}进行ar模型参数辨识,利用ar预报实现上包络线在右端的延拓,预报时间长度为
利用上包络线时间序列{u(m0-t+1),t=1~m0}进行ar模型参数辨识,利用ar预报实现上包络线在左端的延拓,预报时间长度为t1-t1max;
第四步:利用下包络线时间序列{l(t),t=1~n0}进行ar模型参数辨识,利用ar预报实现下包络线在右端的延拓,预报时间长度为
利用下包络线时间序列{l(n0-t+1),t=1~n0}进行ar模型参数辨识,利用ar预报实现下包络线在左端的延拓,预报时间长度为t1-t1min;
第五步:基于上下包络线在左右端的延拓结果,得到时间序列{(xi,ti),i=1~n}在完整样本区间内的包络线,实现非平稳时间序列emd处理过程中的端点效应处理。
与现有技术相比,本发明的有益效果是:本发明提供的方法利用对时间序列的包络进行ar预报实现对emd处理端点效应的抑制。一方面采用ar预报的方法计算效率高、自适应性较强,同时能够合理地给出包络线在端点附近的值,较传统emd算法中,直接在端点处强制赋值更为合理,延拓精度更高;另一方面,时间序列包络的周期远大于时间序列自身的周期,因此,在同一预报时长下,对包络进行预报的精度要优于对时间序列本身进行直接预报的精度。本发明所提供的基于时间序列包络线ar预报的端点处理方法,为emd方法提供了一种新的更为合理的端点延拓方法,能够有效解决非线性非平稳时间序列分析中的端点效应问题,提供emd在处理非线性非平稳问题中的性能。
附图说明
图1为本发明所提供一种基于时间序列包络线ar预报的emd端点效应处理方法的工作流程;
图2为本发明端点效应处理中的时间序列极大值提取结果;
图3为本发明端点效应处理中基于时间序列极大值的上包络线;
图4为本发明端点效应处理中的时间序列极小值提取结果;
图5为本发明端点效应处理中基于时间序列极小值的下包络线;
图6为本发明端点效应处理方法的上包络左右端延拓结果;
图7为本发明端点效应处理方法的下包络左右端延拓结果;
图8为本发明端点效应处理方法的时间序列完整包络提取结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明主要包括第一,利用时间序列的所有极大值点,通过样条拟合获得时间序列的上包络线;第二,利用上包络线时间序列进行ar模型的辨识,在上包络线左右端进行多步预报,获得时间序列左右端部与最近极大值点之间的上包络线的值;第三,利用时间序列所有的极小值点,通过样条拟合获得时间序列的上包络线;第四,利用下包络线时间序列进行ar模型的辨识,在下包络线左右端进行多步预报,获得时间序列左右端部与最近极小值点之间的上包络线的值。通过以上步骤实现对emd处理中的端点效应进行抑制。基于时间序列包络线ar预报进行emd方法的端点效应抑制时,上包络线在两端的延拓长度采用以下方法:根据给定的非线性非平稳时间序列{(xi,ti),i=1~n},求得时间序列的所有极大指点{(xjmax,tjmax),j=1~m}。则上包络线在左端的延拓长度为t1-t1max,在右端的延拓长度为
序列包络线ar预报进行emd方法的端点效应抑制时,下包络线在两端的延拓长度采用以下方法:根据给定的非线性非平稳时间序列{(xi,ti),i=1~n},求得时间序列的所有极小值点{(xjmin,tjmin),j=1~n}。则下包络线在左端的延拓长度为t1-t1min,在右端的延拓长度为
本发明提供一种基于时间序列包络线ar预报的emd端点效应处理方法,图1所示为本发明的流程图。本发明的步骤如下:
1、根据给定的非线性非平稳时间序列{(xi,ti),i=1~n},求得时间序列的所有极大指点{(xjmax,tjmax),j=1~m},如图2所示;利用样条曲线拟合方法生成时间序列的上包络曲线u(t),如图3所示;并根据时间序列极值确定上包络线在时间序列两端的延拓长度,其中,上包络线在左端的延拓长度为t1-t1max,在右端的延拓长度为
2、根据给定的非线性非平稳时间序列{(xi,ti),i=1~n},求得时间序列的所有极小值点{(xjmin,tjmin),j=1~n},如图4所示;利用样条曲线拟合方法生成时间序列的下包络曲线l(t),如图5所示;并根据时间序列极值确定下包络线在时间序列两端的延拓长度,其中,下包络线在左端的延拓长度为t1-t1min,在右端的延拓长度为
3、利用上包络线时间序列{u(t),t=1~m0}进行ar模型参数辨识,利用ar预报实现上包络线在右端的延拓,预报时间长度为
4、利用下包络线时间序列{l(t),t=1~n0}进行ar模型参数辨识,利用ar预报实现下包络线在右端的延拓,预报时间长度为
5、基于上述3和4得到的上下包络线在左右端的延拓结果,进而得到时间序列{(xi,ti),i=1~n}在完整样本区间内的包络线,如图8所示,从而实现非平稳时间序列emd处理过程中的端点效应处理。
本发明涉及的ar模型和emd处理方法未详尽描述部分为属于本领域的公知技术。
综上,本发明主要涉及一种基于时间序列包络线ar预报的emd端点效应处理方法,能够抑制emd方法在非线性非平稳时间序列处理中的端点效应。该方法首先利用时间序列的所有极大值点,通过样条拟合获得时间序列的上包络线;其次,利用上包络线时间序列进行ar模型的辨识,在上包络线左右端进行多步预报,获得时间序列左右端部与最近极大值点之间的上包络线的值;再次,利用时间序列所有的极小值点,通过样条拟合获得时间序列的上包络线;最后,利用下包络线时间序列进行ar模型的辨识,在下包络线左右端进行多步预报,获得时间序列左右端部与最近极小值点之间的上包络线的值。通过以上步骤实现对emd处理中的端点效应进行抑制。