基于傅里叶神经网络与频率聚类的神经模态分解
信号处理
2021-08-27 v1 谱理论
摘要
自Huang于1998年提出经验模态分解（EMD）以来，模态分解得到了广泛研究，但EMD及其相关发展的算法通常仍普遍缺乏自适应性和数学理论。本文提出一种基于傅里叶神经网络（FNN）和频率聚类的新的模态分解算法，称为神经模态分解（NMD）。首先，构建一个FNN来分解并学习原始数据中每个调幅频率分量和非周期分量的信息。其次，基于FNN学习到的每个频率分量的能量，将FNN获得的频率分量聚类为多个具有分离频谱的本征模态函数（IMF）。在一系列人工和真实数据上的实际分解结果表明，NMD算法能够有效实现模态分解，比EMD更好地反映原始数据的特征，并且比变分模态分解（VMD）具有更高的自适应性。
引用
@article{arxiv.2108.11675,
title = {Neural Mode Decomposition based on Fourier neural network and frequency clustering},
author = {Hu Yiting and Wu Zhuangzhi},
journal= {arXiv preprint arXiv:2108.11675},
year = {2021}
}
备注
9 pages,45 figures