经验模态分解的改进算法（EEMD与CEEMD）

笔者在学习EMD信号处理时，学习了一下2009年EMD提出者对EMD进行改进的算法EEMD以及后续的CEEMD、CEEMDAN，以下为学习笔记与一些思考理解。

1 EMD算法存在的问题

（1）模态混叠：分出的IMF涵盖频段宽，有低频的段也有高频的段，是模型没能根据时间特征有效分离不同模态分量的结果，即同一个段出现在多个IMF中的情况。

（2）末端效应影响：之前笔记中特意有记录到末端处理的问题的处理，但处理方法仍旧有主观因素介入。

2 EEMD算法原理

        为了改进以解决上述问题，原提出者于2009年提出了改进方法--EEMD（加了一个ensemble，集合经验模态分解）。

原理即为：在原有的波中加上高斯白噪声，利用高斯白噪声频谱均匀分布、0均值的特点，通过每次加入同等幅值的不同白噪声来改变信号的极值点特性，之后对多次EMD得到的相应IMF进行总体平均来抵消加入的白噪声，从而有效抑制模态混叠的产生。

具体算法

 （i表示第几个序列）

之前看到一个up的EEMD的介绍写的很好，转载一下：

（EEMD算法原理及应用_Zhi Zhao的博客-CSDN博客_eemd）

EEMD分解步骤如下图：

在加入相同数量以及相同幅值的白噪声时，EEMD 剩余噪声会随着集成平均的次数而逐渐减小。

但由于EEMD是对每个序列独立提供白噪声，因此在一般情况下无法完全排除添加的噪声，将噪声影响降低到较低水平又会导致计算量太大。

3 对EEMD的进一步改进

        2010年，研究者提出了对EEMD的改进方法--CEEMD（complementary EEMD，加了一个互补），以改进噪声难完全消除的问题。

 简而言之就是他不再是单独添加白噪声，而是取出一对序列，分别添加一对互补白噪声中的一个，以实现在最后取平均的时候能比较好的进行消除。由此，CEEMD 的剩余噪声一直维持在一个较小的程度，不论集成平均次数多少。在一定程度上使用 CEEMD方法进行信号分解，可以减少计算量。