相干涨落与湍流涨落的分离：从经验模态分解中我们能学到什么？
流体动力学
2015-05-20 v1 数据分析、统计与概率
摘要
本文评估了一种新的数据处理技术，即经验模态分解，在完全发展的湍流速度信号上的性能，该信号受到模拟长周期拍动的数值强迫的扰动。首先，我们引入了一个“相似性”准则，以区分通过经验模态分解算法从受扰动速度信号中提取的受污染模态和未受污染模态。随后设计了一种拒绝程序，它在某种程度上扮演了高通滤波器的角色，以便从受扰动信号中推断出原始速度信号。在“单分量”扰动（正弦波）的情况下，通过改变扰动的振幅和频率，对该恢复程序的质量进行了广泛评估。发现恢复的与参考的速度信号之间具有极好的一致性，尽管当扰动频率与含能涡旋对应的频率范围重叠时观察到了一些差异，正如能谱和结构函数所强调的那样。最后，我们的恢复程序成功应用于覆盖宽频带的时变扰动（线性啁啾）。
引用
@article{arxiv.1011.4396,
title = {Separation between coherent and turbulent fluctuations. What can we learn from the Empirical Mode Decomposition?},
author = {Nicolas Mazellier and Fabrice Foucher},
journal= {arXiv preprint arXiv:1011.4396},
year = {2015}
}
备注
23 pages, 13 figures, submitted to Experiments in Fluids