自适应VMD参数智能优化与精准分解技术探讨

摘要：变分模态分解（VMD）作为非平稳信号处理的核心方法，其分解效果与信号内在特征的匹配度完全依赖惩罚因子α与模态数K的合理配置——α调控IMF分量的信号平滑度与频域带宽，K决定信号分解的层级数量，二者协同作用直接影响非平稳信号中有效成分与噪声的分离效果。人工试错法存在参数调整验证耗时久、参数初始值设定依赖经验判断、同组参数针对不同信号适配性差等问题，易引发混叠、有效失真或冗余分量等问题，最终导致后续信号去噪时无法精准剔除噪声、特征提取时难以获取可靠信号特征，严重制约整体数据处理精度。本文提出一种VMD参数多特征融合自适应优化方法，通过整合频域分离效果、信号平滑度、能量保留率等多维度评价指标，并在此基础上集成端到端智能算法，将数据加载、信号预处理、参数优化、结果输出等环节串联成自动化流程，全程无需人工干预，实现从数据加载到输出的全自动化，并建立精准分解评估体系。

关键词：变分模态分解（VMD） 参数智能优化 带宽一致性准则 精准分解 分解评估体系

1  引言

1.1  研究背景与意义

在微地震监测、设备故障诊断、生物医学信号分析等领域，非平稳信号由于包含多尺度频率成分与噪声干扰，需要通过分解技术来提取有效信息。2014年，Dragomiretskiy等提出的变分模态分解（VMD）算法，通过构建变分模型将信号自适应分解为有限个本征模态函数（IMF），每个IMF具有明确的中心频率与窄带宽特性，能够有效克服经验模态分解（EMD）模态混叠和端点效应的缺陷，成为当前信号处理领域的研究热点[1]。

VMD分解效果完全依赖于惩罚因子α与模态数K的参数配置：α通过约束IMF的平滑度来控制带宽，K决定信号分解的层数。实践表明，参数配置不当会直接导致分解失效。α过小易引发模态混叠，α过大会造成信号关键细节丢失，K过小有效信号与噪声未分离，K过大则会产生无物理意义的冗余分量[2]。因此，研究VMD参数的自适应智能优化方法，对提升信号分解精度与工程应用效率具有重要现实意义。

1.2  国内外研究现状

目前VMD参数优化研究主要围绕单一准则展开：刘畅等采用粒子群优化（PSO）算法，以IMF样本熵最小为目标优化α，虽能减少模态混叠，但未考虑能量保留率，易导致信号失真[3]；王明等基于互信息准则确定K值，通过计算IMF与原始信号的互信息筛选最优K，但未涉及α与K的交叉影响，优化结果片面[4]；陈亮等利用遗传算法同时优化α与K，虽能获得较优参数组合，但算法复杂度高，单次优化耗时超20分钟，难以满足工程实时性需求[5]。

现有研究存在两点显著局限：一是未构建多特征综合评价体系，仅依赖单一指标（如样本熵、互信息）易陷入局部最优，无法兼顾频域分离效果、信号细节保留与能量完整性；二是缺乏工程化的自动化流程，需人工干预数据预处理与参数验证，面对大规模数据（如万炮级微地震数据）时效率极低

1.3  本文主要工作

提出多特征融合的α优化方法：基于带宽一致性准则，结合IMF平滑度与能量保留率构建综合评分函数，实现α_opt的精准筛选，避免单一准则的局限性；设计残差能量导向的K优化策略：以残差能量变化率< 5%为终止阈值，同时约束残差能量< 10%，确保分解充分且无冗余；集成端到端智能优化算法：实现"文件自动查找-数据有效性检查-参数优化-结果保存"全流程自动化，具备异常容错能力。

2  VMD 基础理论与参数敏感性分析

2.1  VMD 数学模型

VMD 通过求解变分问题将信号分解为 K 个中心频率不同的本征模态函数（IMF），其核心是构建约束变分模型并转化为无约束优化问题。变分问题定义为：在所有 IMF 分量之和等于原始信号的约束下，最小化各 IMF 的估计带宽之和，变分模型定义见公式(1)。

式中：∂t为时间域导数，uk为第k个IMF分量，ωk为第k个IMF的中心频率，δ(t)为狄拉克函数，f(t)为原始信号。

为将约束变分问题转化为无约束问题，引入二次惩罚因子α与拉格朗日乘子λ(t)，构建增广拉格朗日函数见公式(2)。

采用交替方向乘子法（ADMM）在频域迭代更新uk、ωk与λ，直至满足收敛条件（连续两次迭代的IMF相对误差小于阈值tol），最终输出K个IMF分量与残差信号。

2.2 VMD 参数敏感性分析

2.2.1 惩罚因子α的敏感性

α过小（α=1000，K=8）：惩罚力度不足导致IMF带宽扩大，不同频率成分在时域重叠，产生“模态混叠”。以微地震信号为例，有效信号（20-200Hz）与高频噪声（200-500Hz）会混入同一IMF，后续去噪时若剔除该IMF，会丢失有效成分；若保留，则噪声无法彻底去除，信噪比提升不足3dB；

α过大（α=4000，K=8）：过度约束IMF平滑度，导致信号关键细节丢失。对微地震信号而言，初至时刻识别误差会从0.5ms增至2ms，峰值振幅衰减超30%，后续特征提取（如峰度、中心频率）的相对误差超20%，无法反映信号真实物理特性。

2.2.2 模态数K的敏感性

K过小（K=3）：分解层数不足，有效信号与噪声未完全分离。例如微地震信号中，低频有效分量（20-80Hz）、中频信号（80-150Hz）与高频噪声（150-500Hz）会被合并为3个 IMF，后续去噪无法单独剔除高频噪声IMF，导致有效信号失真；

K过大（K=12）：产生“冗余虚假分量”，此类分量无实际物理意义，仅包含随机噪声。以10240点微地震信号为例，K=12时分解耗时从1.5s增至2.7s，计算成本增加80%；同时，冗余分量会导致特征提取时误判风险提升30%，如将噪声分量误判为有效信号成分。

2.2.3 传统参数选择方法局限

传统人工试错法通过逐次调整α与K值验证分解效果，单次试错耗时30分钟以上，且依赖操作人员经验。人工试错法无容错机制，参数设置失误时需重新启动处理流程，严重影响工程效率。

2.3 传统参数设置方法的局限性

传统"人工试错法"通过逐次调整α与K验证分解效果，存在三方面显著缺陷：一是效率极低，单次试错需执行VMD分解、结果验证等流程，耗时超30分钟，面对万炮级微地震数据时，全量参数优化需数月；二是依赖经验，工程师需根据信号类型（如微地震、振动信号）凭经验设定初始参数，对新手门槛极高，且难以适配信号特性的动态变化；三是容错性差，若参数设置失误（如α=500、K=4），会导致后续去噪、特征提取全流程失效，需重新试错，进一步增加工程成本。此外，传统方法缺乏客观评价标准，不同操作人员可能得出不同的"最优"参数，结果可重复性差。

3  VMD 参数多特征融合智能优化方法

3.1 优化准则设计

3.1.1 宽带一致性准则

VMD的理想分解状态为IMF分量 “中心频率互不重叠、带宽集中”，带宽一致性准则通过最小化所有IMF带宽的方差实现这一目标，从根源规避模态混叠，目标函数见公式(3)。

                                           公式(3)

其中，J(α)为α的目标函数值（带宽方差），Bi(α)为第i个 IMF 的3dB带宽，Kpre为预分解模态数（取10以保证分解充分），Var(⋅)为方差计算函数。

带宽计算流程为：对各IMF分量执行FFT（采样频率Fs为输入参数），生成功率谱；确定功率下降至峰值1/2（3dB衰减）对应的上下频率，二者差值即为Bi(α)。理想场景下，优化后的α使各IMF带宽方差小于5Hz，中心频率间隔超25Hz，无混叠现象。

3.1.2 残差能量准则（K优化核心）

残差能量准则通过监测分解残差的变化判断K值是否最优，定义如下：

残差信号见公式(4)

                                                       公式(4)

式中：f(t)为原始信号，ui(t)为第i个IMF分量；

残差能量见公式(5)

该准则确保Kopt满足残差能量占比<10%（避免分解不足），同时防止K值过大产生冗余（减少计算成本）。

3.2 多特征融合参数优化流程

3.2.1 惩罚因子α优化流程

α优化以固定Kpre =10为前提，避免与K值交叉影响，流程如下：

候选范围设定：基于微地震信号特性（频率20-220Hz），设定α候选区间为 [500, 5000]，步长100；

预分解与特征计算：对每个候选α执行VMD预分解，输出IMF分量与中心频率，计算三项核心特征：

带宽方差：按3dB带宽计算方法得到J(α)；

IMF平滑度值越小平滑度越好，计算结果见公式(6)

                                           公式(6)

能量保留率见公式(7)

                                              公式(7)

综合评分与筛选：采用熵权法确定特征权重（带宽方差0.6，平滑度0.2，EPR 0.2），计算综合评分

Score=0.6×J(α)/max(J)+0.2×S/max(S)+0.2×(1−EPR/100)，选择评分最低的α作为αopt。

工程验证显示，该流程处理10240点信号耗时约5分钟，成功率98%，仅2%因信号全零或幅值异常触发错误捕获。

3.2.2 模态数K优化流程

K优化在αopt基础上执行，步骤如下：

初始化：设K初始值为2，计算初始残差能量Er(2)；

迭代分解：K递增1，执行VMD分解并计算Er(K)；

变化率判断：计算残差能量变化率，若ΔE<5%，则Kopt =K−1，终止迭代；

验证输出：确保Er(Kopt)<10%，输出Kopt与分解结果。

该流程与α优化共享工程架构，耗时同样为4-6分钟，可有效平衡分解完备性与计算效率。

3.3 全局自适应优化算法集成

集成α与K优化模块，构建端到端自动化算法，其核心架构如图1所示，该算法包含以下核心步骤：

（1）数据加载与校验：自动遍历目录下MAT文件，加载地震数据（alldata），检查数据有效性（非空、幅值在合理范围），对异常数据进行自动预处理或标记；

（2）信号清理：选择代表性信号（炮号与道号范围内的非异常信号），采用线性插值去除基线漂移，通过阈值检测消除脉冲噪声；

（3）参数优化：依次执行α优化与K优化模块，基于多特征融合准则输出最优参数对$(\alpha_{opt}, K_{opt})$；

（4）结果保存：生成结构化目录树，保存参数文件、评分数据及优化过程记录；

（5）容错机制：通过try-catch块捕获信号异常，跳过失效数据并记录详细日志，确保算法连续运行。

算法输出的"MAID-VMD参数"可直接调用至后续去噪模块，实现处理流程的无缝衔接。该系统支持批量处理，可同时优化多炮数据的VMD参数，显著提升大规模数据处理的效率。

图1  全局自适应优化算法架构

4 优化参数导向的 VMD 精准分解技术

4.1 精准分解技术内涵

精准分解技术以（α_opt、K_opt）为指导，通过核心函数实现信号的高精度分解，其 “精准” 特性体现在四维度：

模态数量最优：K_opt匹配信号内在模态特性，无冗余（IMF能量≥0.5% E_0）或缺失（残差能量 < 10% E_0）；

频率分离度高：IMF中心频率重叠区域<5%，间隔> 25Hz，频域分离彻底；

模态纯度优异：单 IMF 带宽 <30Hz，类单分量特性显著（MPI>0.85）；

重构保真度高：重构信号与原始信号的RMSE<0.004，EPR>99%，细节保留完整。

系统支持按炮号范围与道号范围选择性处理，可大大减少无意义的计算过程，提高工作效率。在近地表调查数据处理中，该技术能够针对不同地质条件下的信号特性，自适应调整分解参数，确保在不同信噪比条件下均能获得理想的分解效果。

4.2 分解流程与工程实现

4.2.1 模块化处理流程

精准分解采用"预处理→核心分解→后处理"模块化设计，流程如图2所示

图2  VMD 精准分解流程图

具体实施步骤包括：

1. 信号预处理：对原始信号进行质量检查，剔除异常道数据，去除仪器噪声和工频干扰；

2. 参数初始化：基于信号统计特性（峰值频率、带宽、信噪比）设定初始搜索范围，避免盲目搜索；

3. 核心分解循环：采用改进的ADMM算法执行VMD分解，引入自适应步长调整机制加速收敛；

4. 质量实时监控：分解过程中实时计算各IMF的带宽、中心频率和能量占比，动态调整迭代参数；

5. 结果后处理：对分解得到的IMF分量进行排序和归类，识别有效信号分量和噪声分量。

4.2.2 分解结果可视化与质量评估

4.2.2.1 可视化模块

通plot_vmd_imfs与spectrum_analysis模块实现时频域可视化：

时域可视化：展示IMF分量从高频到低频的排列（IMF1最高频，IMF6最低频），叠加原始信号（虚线）与残差，某微地震道的时域图显示残差峰值振幅仅为原始信号的2.3%[6]；

频域可视化：采用汉宁窗FFT（频率分辨率1Hz），多色显示各IMF频谱，标注中心频率与3dB带宽，某实验显示各IMF的- 3dB 带宽均<28Hz，相邻重叠度< 8%[7]。

三维时频分析：结合S变换和Hilbert谱分析，展示信号在时频域的能流分布，直观反映不同IMF分量在时间和频率上的能量聚集特性，为后续信号解释提供依据。

4.2.2.2 质量评估指标

通过analyze_vmd_results 函数计算四项量化指标，评估分解质量：

模态纯度指数（MPI）：衡量IMF单分量特性，模态纯度指数见公式(8)：

                                                   公式(8)

其中ρij为IMF_i与IMF_j的互相关系数，MPI越接近1纯度越高；

重构均方根误差（RMSE）：衡量重构保真度，重构均方根误差见公式(9)：

                                         公式(9)

RMSE 越小保真度越高；

中心频率分离度（CFS）：衡量频域分离效果，中心频率分离度见公式(10)：

                                                     公式(10)

式中：为平均带宽，CFS>2.5 为优秀；

能量保持率（EPR）：衡量能量完整性，EPR>99% 为优秀。

在实际应用中，针对近地表调查数据的特点，还引入了以下专项评估指标：

初至波保真度：评估分解后有效信号中初至波形的畸变程度，要求初至时间误差<1ms，振幅相对误差<5%；

低频成分完整性：检查10Hz以下低频有效信号是否得到完整保留，避免因过度分解导致低频信息丢失；

横向一致性：对比相邻道分解结果，评估分解参数在空间上的一致性，确保地质特征的连续性和可解释性。

5 实验与结果分析

5.1 实验环境与数据

实验采用某工区近地表调查数据，共包含120炮，每炮8道，采样点数为1024，采样间隔0.125ms，有效频率范围1-200Hz。数据中包含多种噪声类型：随机噪声、相干噪声和异常振幅干扰。

实验环境为：Intel Core i7-12700H处理器，16GB内存，MATLAB编程环境，使用KL微测井数据处理软件。

5.2 参数优化效果验证

为验证本文提出的多特征融合优化方法的有效性，设计了对比实验，将本文方法与传统的网格搜索法、单一指标优化法进行对比，不同方法效果见表1。

表1 不同参数优化方法效果对比

实验结果表明，本文方法在优化效率上较网格搜索法提升约72.7%，在分解质量各项指标上均优于传统方法。特别是在中心频率分离度指标上，本文方法达到3.2，显著高于其他方法，说明其能有效避免模态混叠问题。

5.3去噪应用验证

将优化后的VMD参数应用于实际微地震数据去噪处理，采用MAID-VMD自适应去噪方法，与常用的小波阈值去噪、传统VMD去噪进行对比，表2为去噪效果的量化评价。

表2 去噪效果量化评价

实验结果显示，本文提出的MAID-VMD去噪方法在信噪比提升和信号保真度方面均优于传统方法，信噪比提升达到15.6dB，同时有效信号失真度控制在5%以内，初至时间误差仅为0.4ms，满足高精度近地表调查的要求。

6 结论与展望

本文提出的自适应VMD参数智能优化方法，通过多特征融合准则与端到端自动化流程，解决了传统参数选择依赖经验、效率低下的难题。实验证明，该方法能精准匹配信号内在特性，在模态纯度、频域分离及重构保真度上均显著优于传统方法，其导出的MAID-VMD去噪技术在近地表微地震数据应用中，在提升信噪比的同时完美保留了有效信号特征。

参 考 文 献

[1] Dragomiretskiy K, Zosso D. Variational Mode Decomposition[J] IEEE Transactions on Signal Processing, 2014, 62 (3): 531-544.

[2] 李建伟,王建国,张艳.VMD参数优化方法及其在微地震信号去噪中的应用[J]. 石油学报, 2020, 41 (5): 623-632.

[3] 王明,李敏,张华.基于互信息准则的VMD模态数确定方法[J]. 仪器仪表学报, 2019, 40 (7): 189-196.

[4] 陈亮,王强,刘杰.基于遗传算法的VMD参数优化及其在信号去噪中的应用[J]. 控制工程, 2021, 28 (3): 567-573.

[5] 董浩,李刚,张勇.变分模态分解理论与应用[M]. 北京：科学出版社, 2022.

[6] 刘畅,赵德尊,李冬.基于粒子群优化的VMD在故障诊断中的应用[J]. 振动与冲击, 2018, 37 (12): 187-192.

[7] 刘敏,张强,王丽.微测井信号VMD分解的模态纯度评价方法[J]. 石油地球物理勘探,2022, 57 (3): 612-620.

[8] 赵敏,周涛.VMD在微地震信号去噪中的应用[J]. 地球物理学报, 2022, 65(2): 345-356.

[9] 孙磊,吴昊.基于VMD的时频分析方法研究[J]. 自动化学报, 2021, 47(3): 567-576.