专利名称：一种镜像延拓方法
技术领域：
本发明涉及一种信号处理方法，特别是关于一种适用于消除EMD端点效应的镜像延拓方法。
背景技术：
经验模态分解(EmpiricalMode Decomposition, EMD)是由 N.E Huang 等人提出的一种处理非平稳信号的时频分析方法。与短时傅里叶变换、小波变换等传统信号处理方法相比，这种方法能够依据信号本身的特征进行自适应分解，可以更好地揭示信号的时频局部变化性态，作为一种打破传统信号分析方法的自适应信号处理方法，EMD方法已经成功地应用到地震、结构诊断、生物、机械故障诊断以及海洋等各个领域中。但是，在EMD方法的应用中存在一个突出的难题就是信号边界很容易产生失真，即端点效应。实际信号分解时，数据两端会发生发散现象，这种发散现象会随着“筛选”过程的不断进行而逐渐向内“污染”到整个数据序列，进而使分解结果严重失真，甚至没有任何物理意义。如果信号两端的边界问题得不到很好的处理，将会对信号分解结果的准确度产生严重的影响。也可以说，端点效应已经成为影响该方法准确度的主要因素之一。
目前国内外的学者已提出多种抑制端点效应方法，如镜像延拓方法、神经网络延拓方法、基于ARMA模型的时间序列线性预测方法、基于多项式拟合的延拓方法、波形特征匹配延拓法、自回归模型处理方法和在端点改造一个小波串的方法等。虽然这些方法对于端点效应处理都有一定的效果并且获得了一定的应用和推广，然而仍然存在一定的局限性，其中镜像延拓法被认为是解决端点效应的有效方法之一。但是，镜像延拓法一般要求将镜面放在极值点处，当无法确定信号端点是否为极值点时，最好截去一部分数据以便把镜面放在极值点处， 如果处理一个不适合截去的短数据时，处理效果就会欠佳。发明内容
针对上述问题，本发明的目的是提供一种基于支持向量机的镜像延拓方法，其能够有效抑制EMD端点效应。
为实现上述目的，本发明采取以下技术方案:一种镜像延拓方法，其包括以下步骤:1)根据实际需要获得原始数据，并对原始数据进行预处理获得时间序列原始信号；2)对于时间序列原始信号建立支持向量机预测模型；3)采用所述步骤2)所建立的支持向量机预测模型，对原始信号两端分别进行预测，获得两组预测值；4)对原始信号两端获得的每一个预测值分别进行判断，判断其是否为局部极值点，若为局部极值点，停止预测，否则回到步骤3)继续延拓，最终将原数据序列向前、后各延拓一个极值点；5)采用镜像法将预测得到的数据延拓成闭合数据序列，即:将两“镜面”分别放置相应的极值点处，将数据延拓成一个闭合时间序列；6)采用经验模式分解方法对步骤5)的闭合时间序列进行EMD分解。
所述步骤3)采用所述步骤2)所建立的支持向量机预测模型，对原始信号两端进行预测，获得两组预测值，具体过程为:(I)选取原始信号的两个端点内的数据X1,…，Xi作为样本，从中选取j组作为预测支持向量机正向和反向的训练样本，每组训练样本由η个点组成；(2)对步骤(I)所选取的信号建立正向和反向支持向量机预测模型；(3)分别采用正向和反向训练样本对支持向量机模型分别进行训练，以待预测数据序列右端数据为例，采用步骤(2)训练好的支持向量机模型训练样本χ2，…，χη+1的期望输出为χη+2，则χ3，-,χη+2的期望输出为Xn+3，如此反复，第j组训练样本Xj,…，Xjt1的期望输出为xj+n，对此过程进行训练，反向训练过程类似；(4)用训练好的支持向量机模型对数据序列的正向和反向预测，以正向预测为例，用xq_n+1，…，Xq预测xq+1，然后将xq+1代入到支持向量机模型中，以xq-n+2,…，Xq+1预测xq+2，如此反复，反向预测过程类似，获得两组预测值。本发明由于采取以上技术方案，其具有以下优点:1、本发明首先对原始数据进行预处理获得时间序列原始信号，然后对时间序列原始信号建立支持向量机预测模型，并且采用所建立的支持向量机预测模型，对原始信号两端分别进行预测，获得两组预测值，并对得到的预测值分别进行判断得到局部极值点，最后将“镜面”分别放置在两个局部极值点处，通过镜像延拓法把镜内的信号映射成一个不存在端点的环形信号，所得到的环形信号从根本上避免了 EMD的端点效应问题。2、本发明采用的支持向量机方法具有良好的泛化能力，其预测精度完全能满足信号本身分解的要求，因此能够在短时间内较为准确地预测出信号端点附近的极值点，用于解决EMD在分解过程中产生的端点效应而无法分解提取得到信号本身特征的有效信息的问题，由此可见，基于支持向量机的镜像延拓方法为抑制EMD端点效应具有良好的效果，也为相关理论和技术的发展具有良好的探索价值。本发明可以广泛应用于信号处理中。
图1是本发明方法的流程示意图；图2是本发明的边坡位移的模态分解支持向量机实时预测流程示意图。
具体实施例方式下面结合附图和实施例对本发明进行详细的描述。如图1、图2所示，本发明的基于支持向量机的镜像延拓方法，其包括以下步骤:1、根据实际需要获得原始数据，并对原始数据进行预处理获得时间序列原始信号(xi, X2.....Xj)；2、对于时间序列原始信号(Xl，X2.....Xj)建立支持向量机预测模型，具体过程如下:根据时间序列原始信号(Xl，X2.....Xj)特点，建立如下形式的拟合函数Yi = fi (t) = (Wi, Kt) Hbi (I)式中，{}表示内积运算，Wi描述了函数fjt)的复杂度，匕为常数。考虑到函数的复杂度和拟合误差，函数拟合问题等价于满足如下约束条件时:
权利要求
1.一种镜像延拓方法，其包括以下步骤: 1)根据实际需要获得原始数据，并对原始数据进行预处理获得时间序列原始信号； 2)对于时间序列原始信号建立支持向量机预测模型； 3)采用所述步骤2)所建立的支持向量机预测模型，对原始信号两端分别进行预测，获得两组预测值； 4)对原始信号两端获得的每一个预测值分别进行判断，判断其是否为局部极值点，若为局部极值点，停止预测，否则回到步骤3)继续延拓，最终将原数据序列向前、后各延拓一个极值点； 5)采用镜像法将预测得到的数据延拓成闭合数据序列，即:将两“镜面”分别放置相应的极值点处，将数据延拓成一个闭合时间序列； 6)采用经验模式分解方法对步骤5)的闭合时间序列进行EMD分解。
2.如权利要求1所述的一种镜像延拓方法，其特征在于:所述步骤3)采用所述步骤2)所建立的支持向量机预测模型，对原始信号两端进行预测，获得两组预测值，具体过程为: (1)选取原始信号的两个端点内的数据Xl，-,Xi作为样本，从中选取j组作为预测支持向量机正向和反向的训练样本，每组训练样本由η个点组成； (2)对步骤(I)所选取的信号建立正向和反向支持向量机预测模型； (3)分别采用正向和反向训练样本对支持向量机模型分别进行训练，以待预测数据序列右端数据为例，采用步骤(2)训练好的支持向量机模型训练样本χ2，…，χη+1的期望输出为χη+2,则X3,…，xn+2的期望输出为χη+3，如此反复，第j组训练样本Xj，…，Xjt1的期望输出为Xj+n,对此过程进行训练，反向训练过程类似； (4)用训练好的支持 向量机模型对数据序列的正向和反向预测，以正向预测为例，用Xq-n+l.…，Xq预测Xq+l，然后将Xq+l代入到支持向量机模型中，以XfrnU…，Xq+1预测Xq+2，如此反复，反向预测过程类似，获得两组预测值。
全文摘要
本发明涉及一种镜像延拓方法，其包括以下步骤1)根据实际需要获得原始数据，并对原始数据进行预处理获得时间序列原始信号；2)对于时间序列原始信号建立支持向量机预测模型；3)采用所述步骤2)所建立的支持向量机预测模型，对原始信号两端分别进行预测，获得两组预测值；4)对原始信号两端获得的每一个预测值分别进行判断，判断其是否为局部极值点，若为局部极值点，停止预测，否则回到步骤3)继续延拓，最终将原数据序列向前、后各延拓一个极值点；5)采用镜像法将预测得到的数据延拓成闭合数据序列，即将两“镜面”分别放置相应的极值点处，将数据延拓成一个闭合时间序列；6)采用经验模式分解方法对步骤5)的闭合时间序列进行EMD分解。本发明可以广泛应用在数据信号处理中。
文档编号G06F19/00GK103198225SQ20131013439
公开日2013年7月10日 申请日期2013年4月17日 优先权日2013年4月17日
发明者林大超, 安凤平, 刘海波, 马兴民, 曾凡雷 申请人:华北科技学院