![ddd94a7dbb1b51090ae13d29001076ec.png](https://i-blog.csdnimg.cn/blog_migrate/5511e2d7d38b662f9491989ed9508859.jpeg)
在专栏之前的文章里对EMD进行了一系列的介绍。在实际中也见到不少同学将该方法应用于各个领域,除了博主研究的故障诊断方向,还有用作去噪、图像处理以及金融分析的。同时也不断有同学想了解诸如EEMD、VMD等类似于EMD分解方法的信号分解方法。所以从今天开始,准备梳理一下各种“类EMD”方法,帮助准备研究这个方向的同学们理一理头绪。
关于为何要进行信号分离研究,有一篇讲的很好的文章[1],不过我这里再赘述几句吧:
对于我们采集到的信号/数据,其中可能会蕴含着非常复杂的物理过程或经济过程,以及各种类型的干扰信息,而对于这些信息我们可能没有相关认知或者只有定性的了解。为了更清晰地分析对象的组成,我们要“把一个信号从一个整体,从它原始的采样表示变成在一组有意义的基上,或者是有特定意义的 '描述'上进行展开,而这种展开能够提供更加丰富的信号里面的信息和结构。这就是所谓信号的分离。”
也就是说,我们总是希望把一个信号写成一系列的子信号的组合,然后加上一个性质不同的信号,所谓的残差信号或者剩余信号。【1】
今天从EMD的最常见的一个衍生方法讲起:EEMD。
1. EEMD(集合经验模态分解)的概念
EEMD(Ensemble Empirical Mode Decompo