多个经验模态分解对振动信号作用的对比

经振动传感器采集到的信号是非线性、非稳定的,这种信号无论是在时域还是频域上都不易分析。所以通过经验模态分解将原始信号分解成为多个本质模态函数(IntrinsicMode Function,IMF),之后对其进行特征提取等进一步处理。但是经验模态分解存在模态混叠与端点效应的问题,所以文章采用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposision,CEEMD)。CEEMD是在进行经验模态分解之前加入多组符号相反的白噪声,这不仅减少了模态混叠,分解出的IMF分量还更精进。这种互补集合经验模态分解有效地处理了所采集的非线性、非稳定性的振动信号。

基于希尔伯特-黄变换的股指跳跃行为周期性特征研究

股指波动率在金融时序的研究中具有核心作用,而其本质也是一种非线性、非平稳的信号。近年来提出的Hilbert-Huang Transform算法彻底摆脱了线性和平稳性的束缚,并有着清晰的物理含义。本文利用2012—2020年上证综指日波动率,以信号分解的角度对数据进行Hilbert-Huang变换。