向量值经验模态分解(VEMD)的不同视角
数值分析
2015-02-25 v1
摘要
经验模态分解(EMD)通过提供非线性和/或非平稳信号的多尺度时频表示而获得声誉。为将该方法扩展到多维(multi-D)空间中的向量值信号(VvS)，最近设计了多元EMD (MEMD)，其采用集成投影从关于不同投影方向的给定VvS提取局部极值位置(LELs)。该思想成功克服了局部定义VvS极值的问题。不同于MEMD中基于从1-D投影信号提取的LELs插值向量值包络(VvEs)，本文提出的向量值EMD (VEMD)采用新颖的反投影方法从投影空间中的1-D包络插值VvEs。考虑典型的4-D坐标(3-D位置和时间)，我们通过数值模拟显示VEMD优于最先进的方法。
引用
@article{arxiv.1502.06708,
title = {A different view on the vector-valued empirical mode decomposition (VEMD)},
author = {Boqiang Huang and Angela Kunoth},
journal= {arXiv preprint arXiv:1502.06708},
year = {2015}
}
备注
7th International Congress on Image and Signal Processing (CISP)