EMD的多种方法的介绍与优缺点总结

经验模态分解EMD

• 起源：

  • 1998年Huang等人提出了一种全新的信号时频分析方法——希尔伯特·黄变换(Hilbert-Huang Transform，HHT)。

  • 该方法首先采用(Empirical Mode Decom-position，EMD)算法将非平稳信号逐级分解为若干个(Intrinsic Mode Function，IMF)和一个残余量，然后再对各个IMF分量进行希尔伯特变换(Hilbert Transform，HT)得到能够准确反映信号能量在空间(或时间)各尺度上的分布规律的Hilbert谱。

  • 注：

    • IMF的定义：
      将待研究的信号分解为一个个单分量信号，每一个单分量信号只包含一种振荡模式（即单一的瞬时频率），这些分解后的分量称为固有模态函数。

    • IMF满足两点要求：
      1）极值点和过零点的数目应该相等，或者最多差一个。
      2）局部最大和局部最小的上下包络线均值为零。

• 优缺点：

  • 优点：

    • EMD具有数据驱动的自适应性，能分析非线性非平稳信号，不受Heisenberg测不准原理制约等优点。
    • EMD在非线性非平稳信号分析中具有显著优势。与传统时频分析技术相比，EMD无需选择基函数，其分解基于信号本身极值点的分布。

  • 缺点：

    • Huang提出的基于筛分(Sifting)算法的EMD得到的IMF分量存在模态混叠(Mode Mixing，MM)。模态混叠的出现不仅会导致错假的时频分布，也使IMF失去物理意义。
    • 算法本身缺少完整的理论基础，在实际计算与应用中还存在着许多不足，包括模态混叠、端点效应、筛分迭代停止标准等问题。
    • 一般情况下，每个固有模态函数只包含一种频率成分，不存在模态混叠的现象。但是，当信号中存在由异常事件(如间断信号、脉冲干扰和噪声等)引起的间歇(Intermittency)现象时，EMD的分解结果就会出现模态混叠。

  • 缺点总结：

    • 模式混合/模态混叠：

      1）一个单独的IMF信号中含有不同的时间尺度；
      2）相同时间尺度出现在不同的IMF中。

    • 时间尺度：

      1）信号中局部两个连续过零点之间的时间宽度；
      2）信号中两个连续峰值之间的时间宽度；
      3）曲率上两个连续峰值之间的时间宽度。

  如图所示：
  

• <