盲源分离技术与振动信号之间的发展联系
用一帖子，回答一网友关于“盲源分离与振动信号处理之间发展关系”的提问。盲源分离概念是在1990年左右提出，最先用于处理语音信号，一个具体的例子就是“鸡尾酒会”中，人们可以从很多源中分辨出不同的声音来源。最著名的要属ICA了，利用信号间统计独立信息估计混合矩阵，然后利用逆矩阵恢复源信号。
在2000年左右才用于处理振动信号。由于大部分实际测量信号是多个源的混合，如果能将各原始源信号分离出来，那画面美极了，由此看来，盲源分离的概念是很有诱惑力的。但是，如果直接将处理语音信号的算法移植过来，处理振动信号，结果很不尽如人愿。最主要的原因是，用矩阵混合的模型无法准确描述振源信号的混合，况且还有噪声呢。一般来说，论文里经常提到的3点：一，传感器数量大于源数量。二，分离出来的信号幅值相位不确定。三，源信号满足高斯及独立假设。总体来言，基于矩阵分解的盲源分离算法不适合处理振动信号。
很多已发表论文，都是针对上述3点中，某一点或者某几点进行改进。SCI用谷歌搜索了下，大约150篇左右（2000-2014）。看起来并不是很大的量。主要是，一，盲源分离算法的不成熟，得不到理想信号；二，分离出来的信号用途不明确。这150篇里，绝大多数用在了轴承齿轮故障信号里了（当然，这也是振动信号分析中一个热点）；也有用在内燃机振动信息里的；个人认为，比较新的是用在了模态参数识别中（最早是2007年）。轴承故障信号应用中，分离出来的信号，只要能自圆其说，就可以了；内燃机信号也是如此；模态参数识别，还算是有点具体应用价值。
所以，要是想发表有创新性的论文，记得要解决上述3个问题，最好一起解决了。如果解决不好，盲源分离只是一个看起来很美的远景而已。
振动信号处理的另一个大方向，个人认为，是时频分析。从近十几年来看，时频分解方法总体分为2大类吧。一是，短时傅里叶、小波、S变换、WVD变换之类的基投影（或内积处理）方法；第二个是以EMD为首的自适应信号分解方法。每种方法都有问题。
个人认为，这方面的热点是：前者热衷于提高时频分布图的可读性（或称，高时频分辨率，良好时频聚集性等）；后者更加关心，可以分解出具有明显特征意义的模态函数，而后可以用helbirt得到瞬时频率。这两方面都算是热点，每年也有很多论文提出解决方案。个人觉得，ＥＭＤ不太适合振动信号，还是从事前者较靠谱一些。
还有像是，原子分解，基追踪，匹配追踪之类的，接触少，从一些已发表论文来看，个人觉得不是很合适处理振动信号。
曾经，关注过压缩感知这种新东西，可是找不到切入点，故而放弃。不过，在其他领域，如，通信、语音、图像中，很热很热。有兴趣可以感受一下。
很多话也就是在论坛里可以说说，论文里可不敢。不过现在很多论文太容易误导人了，导致很多人走向一条不归路，我还是希望大家能踊跃给出批评建议，畅所欲言，做到不吐不快。
论坛里有很多高校的老师教授，希望从它们那得到一些指点和建议。本人主要感兴趣的是振动信号处理。 希望以后论文有仿真的，都公开代码，防止学术造假！ 振动信号一般调制现象较明显，个人感觉EMD处理振动信号还可以，振动信号处理的书籍中几乎都会介绍一下EMD。 感谢，算是一个简单的科普 shuihai707 发表于 2014-9-15 23:04
希望以后论文有仿真的，都公开代码，防止学术造假！
说句实在话，工科学生更多的不是信号处理专业出身，这方面想要有所突破，有点困难。这就造成了，大部分振动信号处理方面的论文，更多的是东拼西凑，各种融合方法的出现。公布出来，一是鲁棒性太差，二是价值不大。他们方法也就用在自己信号上还行，掺了多少水也只有自己知道。外国人能做到这方面的少，中国人更少。看其他领域，如图像、通信、语音等，他们科班出身，每年大量优秀论文代码会发表、公布。在嫁接移植的时候，尽量不要生搬硬凑，一定要明白某种算法为什么有时候可以得到好的结果，为什么得不到好的结果。根据振动信号特点进行选取并改进。凑论文，没意思，可是又不得不凑。等我论文都收了，再公布代码吧。 yugang2010 发表于 2014-9-16 09:00
说句实在话，工科学生更多的不是信号处理专业出身，这方面想要有所突破，有点困难。这就造成了，大部分振 ...
谢谢楼主的无私，我也效仿。 {:{39}:} 楼主能不能说说EMD为何不太适用于振动信号呢？ 轻安自在 发表于 2014-9-20 13:09
楼主能不能说说EMD为何不太适用于振动信号呢？
个人观点：emd以其简单方便的运行和实现方法得到了大量的关注和青睐。公认存在的缺陷是，没有数学基础，难以理解。而在很多人的使用过程中，其鲁棒性很差。
其实，论坛里好多人都说过，zkpeng，他有个帖子里提到过上面这些。他是上交博导，也发过关于emd方面论文，实际他自己也说了，emd仅是为了发论文方便而已。
emd有个比较重要的特性是二进制滤波特性，就是一系列的滤波器对信号进行频域分段。当你想要的信号正好处在滤波频带内时，可以很好的得到理想信号；然而，当信号刚好处在两个滤波器之间（滤波器不是正交的），由于噪声对过零点、极值点的影响，产生模态混叠。使得某一个单模态信号信号被分解到多个IMF中。（关于单模态信号，最好看下huang论文里的叙述，x=a1*cos（b1*t）+a2*cos（b2*t）+.....）。
emd为什么为什么在振动信号分析中得到较多应用，首先与其简单易用是分不开的。然后，在振动信号分析领域，可以看到分析最多的信号是什么？轴承齿轮故障信号、内燃机振动信号。而对这些信号而言，其组成部分无非是：谐波信号、脉冲信号与噪音信号。谐波信号与脉冲信号，是一般论文里想得到并提取的。上面说的这几类特征信号，它们的频段是一般是分开的，那些经典的滤波器方法在人工干预的情况下，都可以得到你想要的信号，而emd只不过实现了自适应，也就是说emd减少了人工干预的过程，这比较符合计算机的自动化处理思维。
我建议，还是从傅里叶、小波等谐波分析方法（及其衍生方法）入手，因为这些算法模型在多数情况下与振动信号比较贴合。
不要太相信那些天花乱坠的论文里说的内容，很多人为了发论文都不怎么讲实话。 yugang2010 发表于 2014-9-20 19:28
个人观点：emd以其简单方便的运行和实现方法得到了大量的关注和青睐。公认存在的缺陷是，没有数学基础， ...
问题是，对冲击振动信号FFT不适用，小波分析也存在很多缺陷（本人是材料专业的，对信号处理完全是初学者），选用emd也非常自然，如何解决？ 轻安自在 发表于 2014-9-23 09:00
问题是，对冲击振动信号FFT不适用，小波分析也存在很多缺陷（本人是材料专业的，对信号处理完全是初学者 ...
emd对于大部分振动信号来言，无非是起到滤波作用，而后用来提取特征。好多滤波器都可以实现你想要的。小波吧，怎么说呢，是存在一些问题的，比如时频框测不准之类的了，高频低频分辨率不一样了。这也要看你信号类型，如果你信号比较单纯一些，小波还是可以用的。如果信号中掺杂的非特征信号较多，或者噪声较多，试试先去噪再提取特征吧。处理的信号多了，接触的方法多了，才可以得到你想要的结果，不要一上来就对emd寄予很高的期望，重在搀和嘛。 yugang2010 发表于 2014-9-23 11:30
emd对于大部分振动信号来言，无非是起到滤波作用，而后用来提取特征。好多滤波器都可以实现你想要的。小 ...
确实，emd对噪声太敏感了。
理论分析可以
实际应用，感觉要考虑的因素太多了。。。 扯着扯着怎么又回到emd了？不是说盲源分离么？目前我觉得盲源分离主要要解决的问题是信号之间的可分离性，接着就是分离指标，即依据什么来分离，比如说统计特性（二阶统计量等高阶统计量）、稀疏性等。单单就稀疏性而言，主要需要做的是找到一个合适的线性变换，使得信号在另一个空间里最大程度上稀疏化，即同一信号聚集性。但是目前可用的线性变换不多。当然还有其他盲源分离算法及分离准则，在不同领域。 yghit08 发表于 2014-9-26 19:23
扯着扯着怎么又回到emd了？不是说盲源分离么？目前我觉得盲源分离主要要解决的问题是信号之间的可分离性， ...
不管是二阶统计独立还是稀疏性，都绕不开矩阵分解算法。个人觉得矩阵分解方法未必适合实际测量信号。
说到线性时频变换呢，无非就是，stft、wt、st三个。如果大家对这方面关注比较多的话，2010年，小波权威I.D.女士发表了一篇论文，提出了一种小波重排算法，叫做同步压缩小波。她在这篇论文里提到了EMD，关于EMD的一些评价还是很中肯的，暂略。
就是这个同步压缩小波，短时间内引起了较多的关注。主要是它较大的提高了信号的时频聚集性，用的方法还是很巧的。这之后呢，出现了更多的用来提高时频聚集性的论文方法，在它的引用中可以找到。其中比较给力的有两个中国人，一个是李川（重庆工商大学），一个是冯志鹏（清华？），他俩都是加拿大渥太华大学的博后，跟着梁明教授。他两个人提到了比较能提高时频聚集性的叫做“广义同步压缩小波”的方法。是从广义傅里叶变换吸取的思想，有个缺点就是，需要人工设定“相位函数”，有一定限制。关于这个的中文杂志论文，迄今只有两篇。
说了这么多，最重要的是，这个算法是有源代码的，https://web.math.princeton.edu/~ebrevdo/synsq/。个人认为，这个算法可能会在一段时间内成为振动信号处理的一个热点，提早入手的好。
今天刚被振动工程学报拒稿了一篇论文，很郁闷，求开导，求指教。国内杂志水太深。 yghit08 发表于 2014-9-26 19:23
扯着扯着怎么又回到emd了？不是说盲源分离么？目前我觉得盲源分离主要要解决的问题是信号之间的可分离性， ...
我不知道这篇论文是不是你写的“Yu K, Yang K, Bai Y. Estimation of modal parameters using the sparse component analysis based underdetermined blind source separation”
但是，里面那个模态频率随着温度变化的信号挺有意思的。你那里面是用的stft，如果你用同步压缩小波的话。。。应该会得到更好的效果的。还有，对于这种信号，一般的盲源分离是分不出来的吧。我觉得吧，如果看看李川的论文“广义压缩小波”或者冯志鹏的“迭代广义压缩小波”中关于广义变换，像是这种信号，肯定会有更多的好玩的想法的，处理起来会更加得心应手的。