将时间序列分解为一组独立的模态分量。模态混叠情况大幅度降低
SGMD利用辛几何相似度变换来求解哈密顿矩阵的特征值,并利用其
相应的特征向量来重构单分量信号。同时,SGMD可以在没有任何用户定义参数的情况下,
有效地重构现有的模式,去除噪声。该方法的本质是将信号分解转换为辛几何变换
SGMD可以对信号进行完全分解,不仅解决了EEMD方法和小波变换中的经验选择参数的问题,
而且避免了LCD方法的强制分解问题。从所得部件的包络谱来看,SGMD所得分解的包络谱更加明显,对于故障识别准确度提升有很大的帮助
辛几何模态分解(Symmetric Geometric Mode Decomposition,SGMD)是一种基于辛几何理论的信号分解方法,与传统的奇异值分解(SVD)和主成分分析(PCA)等线性方法不同。它的优势主要有以下几点: