企业官网建设流程全解析

简介：希尔伯特黄变换（HHT）是面向非线性、非平稳信号分析的学习与研究资源，由EMD与希尔伯特变换两部分构成，适用于生物医学信号、地震数据、机械故障诊断等场景，适合具备一定MATLAB基础、希望深入理解时频分析的中高级学习者。资源包共72个文件，以40个m文件为核心实现，辅以17个c与11个h文件支撑底层计算，另有2个sh脚本、1个mat数据及目录清单，整体约94KB，结构紧凑。内容围绕经验模态分解展开，涵盖本征模态函数的迭代筛选、包络构造与残差处理，并进一步对每个IMF分量施加希尔伯特变换，提取瞬时频率与瞬时振幅，绘制希尔伯特谱以揭示信号的时间-频率动态特性。包内提供可直接调用的emd函数及配套工具，读者可据此对任意信号完成分解、变换与可视化，快速搭建HHT分析流程。目前已有5077人学习下载，适合作为算法复现与工程应用的参考起点。

1. 希尔伯特黄变换HHT：一个把复杂信号拆开看的工具

你可能遇到过这种情况：一段机器振动的声音、一段脑电波、一段地震波，看上去乱七八糟，完全找不到规律。传统的傅里叶变换能告诉你“这段信号里有哪些频率”，但它有个前提——假设这些频率从头到尾一直存在。可现实里的信号往往不是这样，频率会随时间变化，一会儿高一会儿低。这时候就需要一个能同时告诉你“什么时间出现了什么频率”的工具，希尔伯特黄变换（HHT）就是干这个的。

打个比方，傅里叶变换像把一首交响乐的所有乐器声音混在一起，告诉你总共用了哪些音符；而HHT像把每个乐器的演奏单独拎出来，还能告诉你小提琴什么时候进场、鼓什么时候停。它由两部分组成：先做经验模态分解（EMD），把信号拆成若干个“本征模态函数”（IMF），再对每个IMF做希尔伯特变换，得到瞬时频率和瞬时幅值。这套方法不需要预先假设信号是线性的或平稳的，所以对非线性、非平稳信号特别管用。搞懂它，你就多了一把分析真实世界信号的钥匙。

2. 为什么需要HHT：傅里叶变换搞不定的那些事

2.1 傅里叶变换的“先天局限”

傅里叶变换的核心思想是：任何信号都可以分解成不同频率的正弦波叠加。这个思路在平稳信号上非常成功，比如一段稳定的交流电信号，频率固定不变，傅里叶变换能精确告诉你频率是多少。但问题在于，它把整个信号当作一个整体来处理，频率信息是全局的，没有时间定位。

通俗地说，傅里叶变换能告诉你“这首歌里出现了钢琴和小提琴”，但没法告诉你“钢琴在第30秒到第45秒之间演奏”。对于频率随时间变化的信号——比如鸟鸣声、雷达回波、机械故障时的冲击振动——傅里叶变换给出的频谱图会变得模糊，频率成分被“平均”掉了。短时傅里叶变换（STFT）通过加窗部分解决了这个问题，但窗口大小固定，时间分辨率和频率分辨率互相矛盾，顾此失彼。

2.2 EMD凭什么能自适应拆信号

经验模态分解（EMD）的思路完全不同。它不预设任何基函数，而是直接从信号本身出发，一层一层地把信号拆开。具体做法是：找到信号所有的局部极大值和极小值，用插值画出上包络线和下包络线，取两者的平均得到一条均值线，然后用原信号减去这条均值线，得到一个“候选分量”。重复这个过程，直到剩下的部分满足“极值点数量和过零点数量相差不超过一个”且“上下包络线均值接近零”的条件，就得到了第一个IMF。

这个过程听起来有点绕，但核心思想很朴素：IMF就是信号里“振荡最剧烈、频率最高”的那一层。把它剥离出去之后，剩下的信号再重复同样的操作，得到第二个IMF，频率比第一个低。如此反复，直到剩余部分变成单调趋势或小到可以忽略。最终，原信号被表示成若干个IMF加上一个趋势项。

注意：EMD的“自适应”体现在它不需要你事先选定基函数。傅里叶变换用正弦波，小波变换用小波基，选错了效果就打折扣。EMD直接从数据里“长”出分解结果，这是它最大的优势，也是它被广泛使用的原因。

2.3 希尔伯特变换补上最后一块拼图

EMD把信号拆成了IMF，但每个IMF仍然是一条时间序列，你只能看到幅值随时间的变化，看不到频率。希尔伯特变换的作用是对每个IMF做处理，构造出解析信号，从而计算出瞬时频率和瞬时幅值。瞬时频率的含义是：在每一个时间点上，这个IMF的振荡频率是多少。

把每个IMF的瞬时频率和瞬时幅值画在一张图上，横轴是时间，纵轴是频率，颜色深浅表示幅值大小，就得到了希尔伯特谱。这张图能直观地展示信号频率随时间的变化规律，是HHT最核心的输出结果。相比傅里叶频谱，希尔伯特谱在时间和频率两个维度上都有分辨率，而且不受不确定性原理的约束——因为它不是基于窗口的。

3. HHT和相近方法怎么区分：别把EMD、EEMD、HHT混为一谈

3.1 EMD和HHT：一个是零件，一个是整机

很多人第一次接触这些名词时，会把EMD和HHT当成两个并列的方法。实际上，EMD只是HHT的第一步。完整的HHT流程是：EMD分解得到IMF，再对每个IMF做希尔伯特变换得到瞬时频率和幅值，最后汇总成希尔伯特谱。只做EMD不做希尔伯特变换，你得到的是若干个分量信号，可以做后续分析，但拿不到时频分布。

打个比方：EMD像把一台机器拆成零件，希尔伯特变换像给每个零件贴上“工作频率”的标签，HHT则是拆完贴完标签后画出整台机器的运行状态图。三者是包含关系，不是并列关系。

3.2 EEMD和EMD：解决模态混叠的改进版

EMD有一个被反复吐槽的问题：模态混叠。通俗地说，就是同一个IMF里混进了频率差异很大的成分，或者相近的频率被拆到了不同的IMF里。这会导致分解结果不稳定——信号加一点微小噪声，分解出来的IMF就可能完全不同。

EEMD（集合经验模态分解）的思路很直接：既然噪声会导致分解不稳定，那就主动加噪声，然后做多次分解取平均。具体操作是：往原信号里加入不同 realization 的白噪声，分别做EMD，然后把多次结果对应的IMF取平均。噪声在平均过程中互相抵消，信号的真实成分被保留下来。代价是计算量成倍增加，而且需要手动设定加入噪声的幅值和集合次数。

3.3 希尔伯特谱和傅里叶频谱：两种看世界的角度

傅里叶频谱的横轴是频率，纵轴是幅值，告诉你“整个信号里各个频率成分有多强”。希尔伯特谱的横轴是时间，纵轴是频率，颜色表示幅值，告诉你“在某个时刻，哪些频率在振荡，强度多大”。

对于平稳信号，两者给出的频率信息基本一致。但对于非平稳信号，傅里叶频谱会把不同时刻的频率成分混在一起，而希尔伯特谱能清晰地把它们分开。举个例子：一个信号前5秒是10Hz，后5秒是20Hz。傅里叶频谱会显示10Hz和20Hz两个峰，但你看不出哪个在前哪个在后。希尔伯特谱会显示前5秒能量集中在10Hz，后5秒跳到20Hz，时间信息一目了然。

4. HHT的实际用途和典型场景

4.1 机械故障诊断：从振动里听出毛病

旋转机械——比如电机、齿轮箱、轴承——在出现故障时，振动信号往往表现出非平稳特征。轴承内圈剥落会产生周期性冲击，齿轮断齿会产生调制现象。这些特征在傅里叶频谱里可能被淹没在噪声和其他频率成分中，但在希尔伯特谱里会以特定的时频模式显现出来。

实际操作中，通常先对振动信号做EMD或EEMD分解，得到若干IMF，然后对包含故障特征频率的IMF做希尔伯特变换，观察瞬时频率和幅值的变化规律。比如轴承外圈故障的特征频率是转频的某个倍数，如果在某个IMF的希尔伯特谱上看到该频率处出现周期性冲击，基本可以判断故障类型。

# 伪代码示意：对振动信号做EMD分解并绘制希尔伯特谱 # 假设 signal 是采集到的振动时间序列，fs 是采样频率 import numpy as np from PyEMD import EMD from scipy.signal import hilbert emd = EMD() imfs = emd(signal) # 得到多个本征模态函数 # 对第一个IMF做希尔伯特变换 analytic = hilbert(imfs[0]) amplitude = np.abs(analytic) # 瞬时幅值 phase = np.unwrap(np.angle(analytic)) instant_freq = np.diff(phase) / (2 * np.pi) * fs # 瞬时频率 # 绘制时频图：横轴时间，纵轴瞬时频率，颜色表示幅值 # 后续可用 matplotlib 的 pcolormesh 或 scatter 可视化

这段代码展示了基本流程：EMD分解得到IMF，希尔伯特变换计算瞬时幅值和瞬时频率。实际使用时，需要根据信号特点选择对哪些IMF做分析，通常前几个IMF包含高频故障特征，后面的IMF对应低频趋势。

4.2 生物医学信号处理：脑电和心电里的节律追踪

脑电信号（EEG）是典型的非平稳信号，不同脑区在不同任务下表现出不同的节律活动——比如α波在放松时出现，β波在专注时增强。这些节律的频率不是固定不变的，会随时间漂移。HHT能追踪这些节律的瞬时频率变化，帮助研究者理解大脑的动态过程。

心电信号（ECG）中的心率变异性分析也常用到HHT。传统方法假设心跳间隔是平稳的，但实际上心率受呼吸、情绪等因素影响，呈现非平稳特征。通过EMD分解提取出与呼吸相关的IMF，再做希尔伯特变换，可以得到呼吸对心率调制的时间过程。

4.3 地震信号分析：从地动里提取结构信息

地震波在传播过程中，不同频率成分的到达时间和衰减特性不同。HHT可以把地震信号分解成不同时间尺度的IMF，分别分析它们的瞬时频率和能量衰减，从而推断地下介质的结构。相比短时傅里叶变换，HHT在低频段有更好的频率分辨率，在高频段有更好的时间分辨率，适合处理地震波这种宽频带信号。

提示：HHT在生物医学和地球物理领域的应用，核心价值在于它能处理“频率随时间变化”的信号。如果你的信号是平稳的，用傅里叶变换就够了，没必要上HHT。

5. 什么时候该用HHT，什么时候别碰

5.1 适合HHT的场景

判断标准很简单：信号是不是非平稳、非线性，而且你关心频率随时间的变化。如果满足这两条，HHT值得一试。具体来说：

• 信号频率随时间明显变化，比如调频信号、冲击信号、瞬态信号
• 传统傅里叶分析结果不理想，频谱模糊或时间信息丢失
• 信号长度足够，至少包含几个完整的振荡周期，否则EMD分解不稳定
• 你对分解结果的物理意义有预期，能判断哪些IMF是有用的

一个具体的例子：某实验室做齿轮箱故障模拟实验，采集了一段振动信号。用傅里叶变换看，频谱上有一堆峰，分不清哪些是故障特征。用HHT分解后，前三个IMF分别对应高频冲击、啮合频率和转频调制，希尔伯特谱上能清楚看到冲击出现的时刻和间隔，故障定位就变得容易了。

5.2 不适合HHT的场景

HHT不是万能的，以下几种情况建议换方法：

• 信号是平稳的，频率不随时间变化。这时候傅里叶变换更简单、更可靠。
• 信号太短，只有几十个采样点。EMD需要足够的极值点来构造包络线，太短的信号分解结果没有意义。
• 信号信噪比极低，噪声能量远大于信号能量。EMD会把噪声也分解成IMF，导致模态混叠严重，即使EEMD也只能部分缓解。
• 你需要严格的数学保证。EMD缺乏完整的理论证明，分解结果依赖参数和实现细节，不同软件跑出来的结果可能有差异。如果应用场景要求可重复性和理论严谨性，小波变换或自适应滤波可能更合适。

5.3 一个踩坑教训

我刚开始用HHT的时候，拿到一段信号就直接跑EMD，然后对第一个IMF做希尔伯特变换，画出来的时频图乱七八糟，瞬时频率出现负值，完全没法解释。后来才搞明白，问题出在两点：一是没有做端点处理，EMD在信号两端会产生发散；二是希尔伯特变换对IMF的要求很严格，不是随便一个分量都能算出有物理意义的瞬时频率。

从那以后，我每次用HHT都强制走一遍流程：先检查信号长度和极值点数量，再做端点延拓，分解后逐个检查IMF是否满足本征模态函数的定义，最后才对合格的IMF做希尔伯特变换。如果某个IMF的瞬时频率出现大面积负值或剧烈跳变，说明它不适合做希尔伯特分析，要么换IMF，要么调整分解参数。

希望这些经验能帮你少走点弯路。HHT是个好工具，但用好它需要理解它的脾气——它擅长处理非平稳信号，但前提是你得把数据准备好、把参数调对、把结果验证好。如果你手头正好有非平稳信号要分析，这份资料里的完整流程和参数说明可以帮你快速上手，省去自己摸索的时间。

本文还有配套的精品资源，点击获取