.png){kind=icon}
返回
Adaptive polymorphic mode decomposition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2024.104913.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信号模式分解方法已被广泛研究和应用很长时间。其中大多数方法旨在处理特定的非线性信号，如AM-FM信号、近距离频率啁啾信号、色散信号、交叉模式信号、周期性冲击信号等。对于多类型信号模式，经典方法有时会产生不理想的结果。为了从多分量多形态复杂数据中提取模式，本文提出了一种框架式的自适应多形态模式分解（APMD）方法。首先，应用最优窗长的短时傅里叶变换（STFT）获取信号的时频表示（TFR）。然后，通过迭代检测和优化各模式的脊线和带宽。最后，通过在TFR中进行积分和挤压操作来恢复信号模式。该方法的思路简单而新颖，结合了变分模态分解（VMD）类方法和同步挤压变换（SST）类方法，是无参数且完全自适应的。对一些典型信号的分解结果验证了该方法在分析复杂多形态信号时的有效性和鲁棒性，相比传统方法更适用于分解同时包含时域主导和频域主导成分的混合信号。
Keyword:
Mode decomposition
Signal processing
Time-frequency representation (TFR)
polymorphic
optimization
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
High-order synchrosqueezing wavelet transform and application to planetary gearbox fault diagnosis
PREAI
分享收藏ENSEMBLE EMPIRICAL MODE DECOMPOSITION: A NOISE-ASSISTED DATA ANALYSIS METHOD集合经验模态分解: 一种噪声辅助数据分析方法
PREAI
分享收藏An Efficient Implementation For Real Time Applications Of The Wigner-Ville Distribution一种针对实时应用的高效Wigner-Ville分布实现
PREAI
分享收藏
查看更多内容