变分模态分解（VMD）

本文作者：天疆说
本站地址：https://cislunarspace.cn

定义

变分模态分解（Variational Mode Decomposition, VMD）是一种自适应、非递归的信号分解方法，通过求解约束变分问题将复杂信号分解为有限个具有稀疏谱特性的本征模态函数（Intrinsic Mode Functions, IMF）。相比经验模态分解（EMD），VMD 具有更好的噪声鲁棒性和数学理论基础。

基本原理

本征模态函数（IMF）

每个 IMF $u_k(t)$ 需满足：

极值点与过零点数目相等或最多相差一
上包络线和下包络线的均值在任何点为零

解析信号表示

u_k(t) = A_k(t) \cos(\phi_k(t))

其中解析信号：

\hat{u}_k(t) = u_k(t) + j\mathcal{H}[u_k(t)] = A_k(t)e^{j\phi_k(t)}

变分问题构建

约束优化问题

\min_{\{u_k\}, \{\omega_k\}} \left\{ \sum_{k=1}^{K} ||\partial_t \left[ (\delta(t) + \frac{j}{\pi t}) * u_k(t) \right] e^{-j\omega_k t} ||_2^2 \right\}

约束条件

s.t. \quad \sum_{k=1}^{K} u_k = f(t)

其中 $f(t)$ 为原始信号。

算法求解

乘法算子分离（ADMM）

通过引入拉格朗日乘子 $\lambda$ 和惩罚参数 $\alpha$ ：

\mathcal{L}(\{u_k\}, \{\omega_k\}, \lambda) = \alpha \sum_{k=1}^{K} ||\partial_t [(\delta(t) + \frac{j}{\pi t}) * u_k(t)] e^{-j\omega_k t} ||_2^2

更新公式

变量	更新公式
$u_k^{n+1}$	$\frac{f(t) - \sum_{i\neq k} u_i^{n+1} + \frac{\lambda^n}{2}}{1 + 2\alpha(\omega - \omega_k)^2}$
$\omega_k^{n+1}$	$\frac{\int_0^\infty \omega
$\lambda^{n+1}$	$\lambda^n + \gamma(f - \sum_k u_k^{n+1})$

参数设置

参数	含义	典型值
$K$	模态数	3-10
$\alpha$	惩罚参数	1000-5000
$\tau$	噪声容限	0
收敛容差	$\varepsilon$	$10^{-6}$

在风场预测中的应用

风速信号分解

原始风速信号 $v(t)$ 分解为：

v(t) = \sum_{k=1}^{K} IMF_k(t)

IMF 分量	特征	预测方法
IMF1	高频湍流	LSTM/ARIMA
IMF2	中频波动	周期模型
IMF3+	低频趋势	线性拟合

预测流程

原始风速信号
      ↓
   VMD 分解
      ↓
┌─────────────┐
│ IMF1 → LSTM │ → 高频预测
│ IMF2 → 周期 │ → 中频预测
│ IMF3 → 拟合 │ → 趋势预测
└─────────────┘
      ↓
   信号重构
      ↓
  风速预测值

参考文献

Dragomiretskiy K, Zosso D. Variational Mode Decomposition[J]. IEEE Transactions on Signal Processing, 2024.
Wang Y, et al. VMD-based Wind Speed Prediction for Airship Control[J]. AIAA Journal of Aerospace Systems, 2025.