基于EMD‑LS的非平稳时间序列多重分形去趋势波动分析方法

doi:10.12263/DZXB.20201332

电子学报 ›› 2021, Vol. 49 ›› Issue (12): 2323-2329.DOI: 10.12263/DZXB.20201332

基于EMD‑LS的非平稳时间序列多重分形去趋势波动分析方法

罗远兴¹^,², 李志红¹^,², 梁兴¹^,², 李超¹^,², 胡凤城¹^,²

^1.南昌工程学院机械与电气工程学院, 江西南昌 330099
^2.南昌工程学院江西省精密驱动与控制重点实验室, 江西南昌 330099

收稿日期:2020-11-26 修回日期:2021-05-06 出版日期:2021-12-25
- 通讯作者:
- 李志红
- 作者简介:
- 罗远兴　男，1998年6月生于重庆铜梁.现为南昌工程学院机械与电气工程学院硕士研究生.主要研究方向为故障诊断与信号处理. E‑mail:346907520@qq.com
  李志红（通信作者）女，1963年8月生于江西南昌.现为南昌工程学院教授、硕士研究生导师.主要研究方向为水力机组故障诊断. E‑mail: 502522183@qq.com
  梁　兴　男，1980年7月生于河南南阳.现为南昌工程学院副教授、硕士研究生导师.主要研究方向为水力机组在线监测与故障诊断.E‑mail: 44562685@qq.com
- 基金资助:
- 江西省教育厅科技项目 (GJJ170988); 国家自然科学基金 (51969017); 南昌工程学院研究生创新基金项目 (YJSCX202018)

Multi‑Fractal Detrended Fluctuation Analysis Method for Non‑Stationary Time Series Based on EMD‑LS

LUO Yuan-xing¹^,², LI Zhi-hong¹^,², LIANG Xing¹^,², LI Chao¹^,², HU Feng-cheng¹^,²

^1.School of Mechanical and Electrical Engineering, Nanchang Institute of Technology, Nanchang, Jiangxi 330099, China
^2.Jiangxi Province Key Laboratory of Precision Drive and Control, Institute of Technology, Nanchang, Jiangxi 330099, China

Received:2020-11-26 Revised:2021-05-06 Online:2021-12-25 Published:2021-12-25
- Corresponding author:
- LI Zhi-hong
- Supported by:
- Science and Technology Program of Education Department of Jiangxi Province (GJJ170988); National Natural Science Foundation of China (51969017); Postgraduate Innovation Fund of Nanchang Institute of Technology (YJSCX202018)

摘要/Abstract

摘要：

多重分形去趋势波动分析(Multi?Fractal Detrended Fluctuation Analysis, MFDFA)处理非平稳时间序列存在趋势项难以准确移除的问题，为此本文引入经验模态分解(Empirical Mode Decomposition, EMD)并通过趋势项自动判定方法提取趋势项，再利用最小二乘(Least Squares, LS)法对趋势项再拟合(EMD?LS)，进而提出新的多重分形分析方法（EMD?LS?MFDFA），并针对具有理论值的二项式多重分形序列(Binomial Multifractal Sequence, BMS)，验证了EMD?LS?MFDFA法的有效性和稳定性，然后进行仿真分析.研究表明：相较于MFDFA方法，EMD?LS?MFDFA移除趋势精度更高，计算的广义Hurst指数和质量指数的均方根误差较小，其中2阶的EMD?LS?MFDFA具有更高的计算精度，是1阶的1.8倍，分析不同参数的BMS序列，其多重标度曲线与理论曲线相吻合，证明了该算法具有较好的稳定性和精准的分析能力.

关键词: 多重分形, 去趋势波动分析, 非平稳时间序列, 经验模态分解, 最小二乘, BMS信号

Abstract:

Multi-fractal detrended fluctuation analysis(MFDFA) deals with the problem that non-stationary time series has trend items that are difficult to accurately remove. For this reason, this paper introduces empirical mode decomposition(EMD) and adopts trend items The automatic determination method extracts the trend item, and then uses the least squares(LS) method to refit the trend item(EMD-LS), and then proposes a new multi-fractal analysis method(EMD-LS-MFDFA), and the binomial multi-fractal sequence(BMS) of theoretical value verifies the validity and stability of the EMD-LS-MFDFA method, and then conducts simulation analysis. Research shows that compared with the MFDFA method, EMD-LS-MFDFA has higher precision in removing trend, and the calculated generalized Hurst index and quality index have a smaller root mean square error. The calculation accuracy of the second-order EMD-LS-MFDFA is 1.8 times higher than that of the first order. The multiple scale curve is consistent with the theoretical curve by analysis of the BMS sequence of different parameters, which proves that the algorithm has good stability and accurate analysis ability.

Key words: multi-fractal, detrended fluctuation analysis, non-stationary time series, empirical modal decomposition, least squares, BMS signal

中图分类号:

TN911.7

罗远兴, 李志红, 梁兴, 等. 基于EMD‑LS的非平稳时间序列多重分形去趋势波动分析方法[J]. 电子学报, 2021, 49(12): 2323-2329.

Yuan-xing LUO, Zhi-hong LI, Xing LIANG, et al. Multi‑Fractal Detrended Fluctuation Analysis Method for Non‑Stationary Time Series Based on EMD‑LS[J]. Acta Electronica Sinica, 2021, 49(12): 2323-2329.

图/表 12

图1 二项式多重分形序列

图2 BMS信号的理论计算结果(a)　h(q)~q的关系图 (b)　τ(q)~q的关系图 (c)　f(α)~α的关系图

表1 不同参数算法与理论计算的h(q)和τ(q)

q	MFDFA‑1		MFDFA‑2		EMD‑LS‑MFDFA‑1		EMD‑LS‑MFDFA‑2		BMS理论值
q	h（q）	τ（q）	h（q）	τ（q）	h（q）	τ（q）	h（q）	τ（q）	h（q）	τ（q）
－10	1.779	－18.792	1.836	－19.362	1.697	－17.975	1.636	－17.356	1.637	－17.370
－9	1.767	－16.905	1.824	－17.419	1.687	－16.181	1.625	－15.629	1.626	－15.633
－8	1.752	－15.020	1.809	－15.476	1.673	－14.387	1.613	－13.904	1.612	－13.897
－7	1.734	－13.135	1.790	－13.533	1.656	－12.593	1.597	－12.181	1.595	－12.163
……
7	0.702	3.913	0.680	3.758	0.681	3.768	0.692	3.843	0.657	3.598
8	0.687	4.498	0.664	4.310	0.669	4.352	0.676	4.409	0.639	4.115
9	0.676	5.081	0.651	4.860	0.660	4.936	0.664	4.974	0.626	4.630
10	0.666	5.663	0.641	5.410	0.652	5.519	0.654	5.538	0.615	5.145

图3 Hurst指数及质量指数与理论值的差值关系图

表2 不同参数算法所得标度指数值及理论值的变化幅度

MFDFA‑1

MFDFA‑2

EMD‑LS‑

MFDFA‑1

EMD‑LS‑

MFDFA‑2

理论

Δ h

Δ τ

表2 不同参数算法所得标度指数值及理论值的变化幅度

MFDFA‑1

MFDFA‑2

EMD‑LS‑

MFDFA‑1

EMD‑LS‑

MFDFA‑2

理论

Δ h

1.113

1.195

1.046

0.982

1.022

Δ τ

24.455

24.773

23.494

22.894

22.515

图4 不同参数设定下的EMD?LS?MFDFA与MFDFA方法处理BMS信号的结果图

表3 不同参数算法计算h(q)和τ(q)与理论值的均方根误差

	MFDFA‑1	MFDFA‑2	EMD‑LS‑ MFDFA‑1	EMD‑LS‑ MFDFA‑2
h（q）	0.0942	0.1280	0.0415	0.0272
τ（q）	0.5982	0.8057	0.2741	0.1479

图5 EMD?LS?MFDFA?2处理不同样本量BMS信号的结果图

图6 不同p1值的理论结果与EMD?LS?MFDFA?2计算结果比较图

表4 对应不同样本量和p1值所得标度指数值与理论值的均方根误差

参数	数据标记	MFDFA‑1		EMD‑LS‑MFDFA‑2
参数	数据标记	h（q）	τ（q）	h（q）	τ（q）
N	2¹⁰	0.0942	0.5982	0.0272	0.1479
	2¹¹	0.0620	0.3622	0.0303	0.1483
	2¹²	0.0466	0.2572	0.0346	0.1427
	2¹³	0.0676	0.4064	0.0555	0.2928
P₁	0.2	0.1803	1.1227	0.0661	0.3855
	0.25	0.1352	0.8519	0.0340	0.1473
	0.3	0.0942	0.5982	0.0272	0.1479
	0.35	0.0596	0.3830	0.0361	0.2260

表5 MFDFA?1和EMD?LS?MFDFA?2移除趋势项的均方根误差

	RMSE
EMD‑LS‑MFDFA‑2	0.0450	0.0434	0.0209	0.0355
MFDFA‑1	0.0928	0.0767	0.0608	0.0679

图7 MFDFA?1与EMD?LS?MFDFA?2处理多项式型下MBM信号的结果图

参考文献 16

1	KANTELHARDTJ W, ZSCHIEGNERS A, KOSCIELNY-BUNDEE, et al. Multifractal detrended fluctuation analysis of nonstationary time series[J]. Physica A: Statistical Mechanics and Its Applications, 2002, 316(1): 87 - 114.
2	葛家怡, 周鹏, 赵欣, 等. 睡眠脑电信号的多重分形去势波动分析[J]. 天津大学学报: 自然科学与工程技术版, 2008, 41(010): 1148 - 1151.
	GEJia-yi, ZHOUPeng, et al. Multifractal castration fluctuation analysis of sleep EEG signals[J]. Journal of Tianjin University: Natural Science and Engineering Technology Edition, 2008, 41(010): 1148 - 1151. (in Chinese)
3	YANGD, ZHANGC, LIUY. Multifractal characteristic analysis of near-fault earthquake ground motions[J]. Soil Dynamics & Earthquake Engineering, 2015, 72: 12 - 23.
4	ZHANGX, ZHAOJ, ZHANGX, et al. A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM[J]. Journal of Mechanical Science and Technology, 2019, 33(3): 1097 - 1113.
5	奚彩萍, 张淑宁, 等. 多重分形降趋波动分析法和移动平均法的分形谱算法对比分析[J]. 物理学报, 2015, 64(13): 335 - 348.
	XICai-ping, ZHANGShu-ning, et al. Comparison analysis of fractal spectrum algorithm of multifractal falling trend analysis method and moving average method[J]. Acta Physica Sinica,2015, 64(13): 335 - 348. (in Chinese)
6	MARTÍNEZJ L M, GOVIA-DOMINGUEZ ISE, QUIROSI, et al. A modified multifractal detrended fluctuation analysis(MFDFA) approach for multifractal analysis of precipitation[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 565.
7	GEX, LINA. Multiscale multifractal detrended partial cross-correlation analysis of chinese and american stock markets[J]. Chaos Solitons & Fractals, 2021, 145(3-4): 110731.
8	张军, 潘泽鑫, 郑玉新, 李言. 振动信号趋势项提取方法研究[J]. 电子学报, 2017, 45(1): 22 - 28.
	ZHANGJun, PANZe-xin, ZHENGYu-xin, LIYan. Research on trend item extraction method of vibration signal [J]. Acta Electronica Sinica, 2017, 45(1): 22 - 28. (in Chinese)
9	HUANGN E, SHENZ, LONGS R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society A, 1998, 454(1971): 903 - 995.
10	SUNJ, SHENGH. A hybrid detrending method for fractional Gaussian noise[J]. Physica A Statal Mechanics & Its Applications, 2011, 390(17): 2995 - 3001.
11	钟佑明, 秦树人. 希尔伯特-黄变换的统一理论依据研究[J]. 振动与冲击, 2006, 25(003):40 - 43.
	ZHONGYouming, QINShuren. Research on the unified theoretical basis of Hilbert-Huang transformation[J]. Journal of Vibration and Shock, 2006, 25(003): 40 - 43. (in Chinese)
12	DYBALAJ, ZIMROZR. Rolling bearing diagnosing method based on empirical mode decomposition of machine vibration signal[J]. Applied Acoustics, 2014, 77(3): 195 - 203.
13	龙源, 谢全民, 钟明寿, 等. 爆破震动测试信号预处理分析中趋势项去除方法研究[J]. 工程力学, 2012, 29(10): 63 - 68.
	LONGYuan, XIEQuanmin, ZHONGMingshou, et al. Research on trend item removal method in preprocessing analysis of blasting vibration test signal[J]. Engineering Mechanics, 2012, 29(10): 63 - 68. (in Chinese)
14	王燕, 薛云朝, 马铁华. 基于EMD和最小二乘法的零漂处理方法研究[J]. 北京理工大学学报, 2015, 35(02): 118 - 122.
	WANGYAN, XUEYUNCHAO, MATIEHUA. Research on zero drift processing method based on EMD and Least Squares[J]. Journal of Beijing Institute of Technology, 2015, 35(02): 118 - 122. (in Chinese)
15	TELESCAL, MATCHARASHVILIT, et al. Investigating the dynamical features of the time distribution of the reservoir-induced seismicity in enguri area (georgia)[J]. Natural Hazards, 2015, 77(1): 117 - 125.
16	LAFOUTIM, GHORANNEVISSM. MF-DFA analysis of turbulent transport measured by a multipurpose probe[J]. Chinese Physics Letters, 2015, 32(10): 80 - 83.

[1]	曹源, 宋迪, 胡小溪, 孙永奎. 基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断[J]. 电子学报, 2023, 51(1): 117-127.
[2]	杨伟超, 杜宇, 文伟, 侯舒维, 徐常志, 张建华. 基于多重分形谱智能分析的卫星信号调制识别研究[J]. 电子学报, 2022, 50(6): 1336-1343.
[3]	刘秋红, 许漫坤, 李天昀. 基于ML的多径信道下直扩信号PN码和信道的联合盲估计[J]. 电子学报, 2021, 49(8): 1480-1488.
[4]	汪文琪, 李宗春, 程志峰, 冯其强, 张冠宇. 结合自重变形特点的天线测量数据粗差剔除与定权方法[J]. 电子学报, 2020, 48(9): 1741-1747.
[5]	陈震, 马龙, 张聪炫, 黎明, 吴俊劼, 江少锋. 基于语义分割的双目场景流估计[J]. 电子学报, 2020, 48(4): 631-636.
[6]	石鹏, 张启忠, 张华平, 席旭刚. 基于多元经验模态分解的多元多尺度熵静态平衡能力评估[J]. 电子学报, 2020, 48(4): 670-674.
[7]	马梦瑶, 赖晓平, 孟海龙. 二维FIR滤波器约束最小二乘设计的最大分划松弛ADMM算法[J]. 电子学报, 2020, 48(3): 510-517.
[8]	郑近德, 潘海洋, 童靳于, 刘庆运, 丁克勤. 自适应掩膜信号集成局部特征尺度分解及其应用[J]. 电子学报, 2020, 48(10): 2060-2070.
[9]	郑威迪, 李志刚, 贾涵中, 高闯. 基于改进型鲸鱼优化算法和最小二乘支持向量机的炼钢终点预测模型研究[J]. 电子学报, 2019, 47(3): 700-706.
[10]	于沛东, 彭华, 巩克现, 陈泽亮. 基于最小二乘代价函数的卷积码盲识别方法[J]. 电子学报, 2018, 46(7): 1545-1552.
[11]	赵勇胜, 赵拥军, 赵闯. 基于双基地距离的多站多外辐射源无源定位算法[J]. 电子学报, 2018, 46(12): 2840-2847.
[12]	李应, 印佳丽. 基于多随机森林的低信噪比声音事件检测[J]. 电子学报, 2018, 46(11): 2705-2713.
[13]	刘毅, 宋余庆, 刘哲. 基于有理四次Hermite插值和PSO的EMD包络线拟合算法[J]. 电子学报, 2018, 46(11): 2761-2767.
[14]	田中大, 张超, 李树江, 王艳红, 沙毅. 基于相空间重构与最小二乘支持向量机的时延预测[J]. 电子学报, 2017, 45(5): 1044-1051.
[15]	张军, 潘泽鑫, 郑玉新, 李言. 振动信号趋势项提取方法研究[J]. 电子学报, 2017, 45(1): 22-28.

基于EMD‑LS的非平稳时间序列多重分形去趋势波动分析方法

Multi‑Fractal Detrended Fluctuation Analysis Method for Non‑Stationary Time Series Based on EMD‑LS

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 16

相关文章 15

编辑推荐

Metrics