VMD是变分模态分解技术，用于将时间序列数据分解为有限带宽的本征模态函数，具有抗噪能力和解决频率混叠问题的优点。相对于EMD，VMD在噪声处理和端点效应上有优势。文章介绍了VMD的原理、使用方法以及在Python中的实现，并提到了两种改进VMD算法的应用，一种用于驾驶监控，另一种用于车内生命体征监测。
之前参加课题组相关信号处理的课题的学习笔记。
变分模态分解(variational mode decomposition)VMD是2014年提出的一种非递归信号处理方法，通过将时间序列数据分解为一系列具有有限带宽的本征模态函数(IMF)，迭代搜寻变分模态的最优解。VMD可以自适应更新各IMF的最优中心频率和带宽。
相较于EMD，VMD具有更强大的性能：在进行EMD分解时，我们需要利用信号的极大值和极小值来计算包络，而信号的极值很有可能收到噪声干扰，因此EMD对噪声比较敏感；EMD还存在端点效应的问题，即在信号的端点处由于没有前后帧的信息，求得的包络面可能不准确，在后期分解的过程中，可能会得到不准确的IMF分量。而VMD不存在这方面问题，其具有较好抗噪能力，能解决频率混叠问题。
VMD原理
VMD实际上是将分解过程转化为了优化过程，其过程是变分问题的求解过程，该算法可分为变分问题的构造和求解。
变分问题构造：
变分问题求解：
引入二次惩罚因子α和拉格朗日乘法算子λ(t)，将约束性变分问题变为非约束性变分问题：
采用了乘法算子交替方向法(alternate di
扫一扫
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
