论文部分内容阅读
针对经验模态分解（Empirical Mode Decomposition，EMD）中存在的边界效应及边界发散现象随着筛选层次的增加而增加的问题，提出一种利用延拓与可变余弦窗相结合的改进新方法。首先对信号进行延拓处理，增加一定长度的数据，实现延拓数据与原始信号交界处的光滑过度。其次，根据信号边界的发散程度，在逐层提取各阶本征模函数（Intrinsic Model Function，IMF）之前，在信号两端加上宽度可变的余弦窗函数，使得每一个IMF分量边界发散问题最小化，保证信号有效数据的正确分解，实现EM