單因素方差分析完整實例文庫?Smith提出了局部均值模式分解（LMD）來估計信号的瞬時頻率和瞬時幅度它将信号分解為調幅和調頻的乘積(本質上是單分量)，然後将調幅項和調頻項進行疊代分離，通過數據平滑方法獲得一系列的單分量在經驗模式分解得到模式分量的過程中，不能包含連續極值之間沒有零交叉的振蕩波動模式，但是在局部均值模式分解得到乘積函數過程中，可以包含不跨越零的振蕩模式因此，局部均值模式分解得到的乘積函數可能比經驗模式分解得到的本征模式函數保留更多的頻率和幅度變化信息局部均值模式分解與經驗模式分解具有相似的特性，它們都是按照從高到低的頻率順序分離乘積函數，在應用于白噪聲時表現出二進多頻帶分解特點，現在小編就來說說關于單因素方差分析完整實例文庫?下面内容希望能幫助到你，我們來一起看看吧!

單因素方差分析完整實例文庫

Smith提出了局部均值模式分解（LMD）來估計信号的瞬時頻率和瞬時幅度。它将信号分解為調幅和調頻的乘積(本質上是單分量)，然後将調幅項和調頻項進行疊代分離，通過數據平滑方法獲得一系列的單分量。在經驗模式分解得到模式分量的過程中，不能包含連續極值之間沒有零交叉的振蕩波動模式，但是在局部均值模式分解得到乘積函數過程中，可以包含不跨越零的振蕩模式。因此，局部均值模式分解得到的乘積函數可能比經驗模式分解得到的本征模式函數保留更多的頻率和幅度變化信息。局部均值模式分解與經驗模式分解具有相似的特性，它們都是按照從高到低的頻率順序分離乘積函數，在應用于白噪聲時表現出二進多頻帶分解特點。

雖然局部均值模式分解是一種相對較新的方法，但它已經被廣泛應用于機械故障診斷中。Park 等人對局部均值模式分解算法複域進行一種自然的、通用的擴展，結果表明，複局部均值模式分解提取了調制旋轉分量和包絡分量。研究認為局部均值模式分解的過程可以看作是解調的過程，每個乘積函數都是一個包絡信号和一個純調頻信号的乘積，從這個乘積中可以得到物理意義上的瞬時頻率。将局部均值模式分解方法應用于齒輪和滾子軸承的故障診斷中，準确、有效地識别了它們工作狀态下的調幅調頻特性。進一步研究發現局部均值模式分解的小波類頻率分解特性，從而提出了一種基于噪聲輔助分析改進方法（ELMD）解決局部均值模式分解的模式混疊問題，并将其應用于轉子故障診斷。

局部均值模式分解為将多分量信号分解為單分量信号提供了一種新的方法，在局部均值模式分解中，單分量是通過數據平滑方法得到的，而不是經驗模式分解中使用的三次樣條拟合。基于歸一化調頻信号的瞬時頻率估計方法可以有效地避免由于調幅效應而可能産生的失真誤差，保證正的瞬時頻率。在瞬時頻率迹線和瞬時頻率軌迹交叉的信号時頻表達問題上，局部均值模式分解存在與經驗模式分解相同的模式混疊問題，難以準确識别信号的時頻結構。此外，滑動平均過程中平滑方法和步長對局部均值模式分解有很大的影響，需要根據信号的特點來選擇這兩個參數。

2014 年，Dragomiretskiy 和 Zosso提出了變模式分解，該算法是一種完全非遞歸分解方法，它自适應地提取複雜多分量信号的調幅調頻分量，且對噪聲具有較強的魯棒性。變模式分解将本征模式函數定義為解析的調幅調頻分量，并将調幅調頻模型的參數與本質模式函數的帶寬聯系起來。根據本征模式函數的窄帶特性，通過使帶寬最小化得到調幅調頻分量參數，從而得到有效的模式分量。該算法與經驗模式分解及局部均值模式分解相比，具有理論基礎強、對噪聲和采樣魯棒性好等優點。

近年來，研究人員提出了多種基于變模式分解的軸承故障診斷方法。Gupta 等人首次将變模式分解應用于軸承早期故障診斷研究，他們首先利用變模式分解方法提取軸承的固有模态函數，然後進行快速傅裡葉變換，最後分析軸承的故障或完好狀态，結果表明變模式分解在檢測振動信号方面具有良好的性能。Gupta 等人也對經驗模式分解和變模式分解進行了對比研究，表明在變模式分解算法實施過程中進行移頻操作後，可以提取出信号中存在的多組分調幅調頻成分。在頻率恢複方面，變模式分解比經驗模式分解具有更好的效果。但是，由于變模式分解采用的是維納濾波去噪方法，因此與經驗模式分解相比，變模式分解的強度恢複較差。

在大多數研究中，證明了變模式分解方法優于傳統經驗模式分解和經驗模式分解改進算法。變模式分解方法在分解過程中沒有采用篩分過程，這使得該方法在解決模式混合問題上具有優越性。将維納濾波、希爾伯特變換和交替方向乘法器法（ADMM）有機地結合起來，使得變模式分解方法具有更好、更準确的分解效果。因此，變模式分解方法能夠準确地将任何信号分解成模式分量集合，而不需要從原始信号中去除有用的信息。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!