论文部分内容阅读
希尔伯特-黄变换(Hilbert-Huang Transform, HHT)是近十年来发展起来的非线性、非平稳信号自适应处理算法。作为一种新颖的、具有突破性意义的信号分析方法,HHT一经提出,就显示出强大的生命力。然而,HHT的研究还极不完善,存在许多亟待解决的公开问题。本文内容主要分为两方面:理论研究和应用研究。首先,围绕HHT的端点效应问题,展开一系列理论研究。为了解决现有HHT算法受端点效应的干扰而无法有效提取信号本质特征,得不到准确的本征模态函数(Intrinsic Mode Function, IMF)及Hilbert谱的问题,研究一种基于灰色预测模型的HHT端点效应抑制算法,在不改变原始信号特性的基础上,有效降低端点效应。针对该算法的不足,引入两种改进办法:考虑到经验模态分解(Empirical Mode Decomposition, EMD)端点效应产生的特殊性,不能确保求取的极值点恰为等间隔的,构造一种非等间隔灰色模型来提高预测精度;对于实际生活中特别复杂的信号,灰色模型预测精度有可能不符合要求,构造一种名为GM (1,1,α)的非线性灰色模型来提高对端点效应抑制水平。其次,以高光谱图像分类为背景,展开一系列应用研究。针对高光谱图像波段数目巨大,分类困难的问题,探讨一种将二维EMD(Bidimensional EMD, BEMD)和支持向量机(Support Vector Machine, SVM)相结合的高光谱图像分类算法。首先,由波段选择算法选取合适波段,然后,通过BEMD将被选取波段分别分解成能够表征高光谱图像本质特性的二维本征模态函数(Bidimensional IMF, BIMF)。更进一步地,求取对前几个合适的BIMF之和作为特征量,利用一种被广泛接受的有监督分类工具——SVM对其分类。仿真结果表明,与传统SVM方法相比,该算法在计算时间上没有优势,但具有更高的分类精度和稳定性。