一种解决经验模态分解端点效应的边界延拓法

摘要：

用于电子设备或系统辐射发射趋势预测的数据大多呈现非线性、样本量小的特点,这大大增加了预测建模的难度,而经验模态分解(EMD)可以将非线性、非平稳的数据分解成若干个呈现一定周期性的本征模态函数(IMF),并且EMD具有完备性和正交性,可通过分别对分解得到的IMF分量建模,从而完成对原始数据的建模.但EMD被端点效应问题所困扰,为了提高EMD的分解精度,针对分解过程中的端点效应问题,以及辐射发射趋势预测的时间序列数据样本量小的特点,利用建立灰色均值GM(1,1)预测模型所需数据量小的优点,提出了一种基于灰色均值GM(1,1)预测模型的边界延拓方法,在原始数据两端各拓展一个极大值和一个极小值,对原始数据进行边界延拓,从而抑制EMD的端点效应.仿真对比结果表明:该方法在分解层数和平均相对误差方面均优于未经延拓处理的EMD,且对数据样本量要求不高.

关键词：辐射发射、趋势预测、经验模态分解、端点效应、灰色均值GM(1,1)预测模型

所属期刊栏目：37

分类号：V19;TN01(航空、航天的应用)

资助基金：国家自然科学基金61427803,61221061 National Natural Science Foundation of China 61427803,61221061

在线出版日期：2016-04-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：960-969