HHT（Hilbert-Huang Transform，希尔伯特-黄变换）是一种自适应时频分析方法，由经验模态分解（EMD）和Hilbert变换（HT）两部分构成。EMD的作用是将信号分解为若干个固有模态函数（IMF），接着对每一IMF进行HT处理，最终得到Hilbert-Huang谱，它能够反映信号在时间、频率及幅值之间的关系。HHT方法适用于处理非线性、非稳态信号，在地震分析、生物医学、机械故障诊断等领域有广泛应用。在结构模态参数识别方面，HHT同样显示出重要作用。
然而，在实际应用中，EMD存在两大缺陷：模态混淆和端点效应。模态混淆是指在分解过程中可能出现的低频段无法解释的固有模态函数，以及无法分离出微弱信号或能量小的模态，这严重降低了模态参数识别的精度。端点效应是由于在信号分析中对信号进行截断而引发的一种现象，其效果会放大端点效应，从而影响识别的准确性。
为了解决这些问题，带通滤波被提出来应对模态混淆，但其对信号的截断行为会放大端点效应。为了提高识别精度，文章的作者郑昱鑫和刘正士提出了一种改进方法。他们通过对滤波方法的深入分析和仿真试验，给出了一个选择滤波器截止频率的经验公式。此外，考虑到Hilbert变换的端点效应，他们在选取数据段进行最小二乘拟合时，结合了信号的时域波形，并提出了选择拟合数据段的判据。仿真结果显示，这种方法能够有效提高结构模态参数识别的精度。
该研究中还涉及了Hilbert-黄变换的关键技术，例如EMD分解的细节处理以及HT变换的数学原理。经验模态分解（EMD）是一种新的分解技术，其目标是将任何复杂的信号分解为若干个IMF，这些IMF表示信号的内在振动模式。EMD将信号中的所有特征时间尺度分离出来，而这些特征时间尺度是由信号的局部特性决定的。
Hilbert变换是一种数学变换，它用于从信号中提取瞬时频率信息。在HHT中，Hilbert变换的目的是将每个IMF变换为解析信号，进而通过计算得到Hilbert谱。Hilbert谱能够提供信号频率随时间变化的详细信息，这对于理解信号的时频特性至关重要。
文章指出，为克服模态混淆，研究人员提出了如总体平均经验模态分解、特征波延拓等改进措施，以及利用间断检测等方法。这些方法有助于分离出真实模态，并能够处理由于模态混淆导致的频率识别问题。
在引言部分，文章提及了相关研究基金项目的资助情况，说明了研究得到了高等学校博士点专项基金项目的资金支持。作者简介和通信联系人信息也提供了对文章内容深入理解的参考。郑昱鑫是合肥工业大学噪声振动工程研究所的硕士研究生，研究方向主要在数字化设计与现代设计理论领域。通信联系人刘正士教授则在机器动态性能、噪声与振动控制、测试系统动力学等方向有着深入研究。
通过本篇论文的研究成果，我们可以看到，作者通过对现有HHT方法中存在的关键问题的分析，提出了一种改进方法，显著提高了模态参数识别的精度。这对于推动HHT方法在结构模态参数识别领域的进一步应用具有重要意义。此外，文章所提出的关于滤波器截止频率的经验公式以及数据段选择的判据，也为后续研究人员提供了有力的参考和工具。
