EMD分解解析

EMD分解解析

希望能通过这篇文章，让你对EMD分解具有初步的了解。

一、 EMD初步介绍

1.什么是EMD?

经验模态分解（Empirical Mode Decomposition，简称EMD）方法被认为是2000年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。正是这样的特性，使EMD 方法在理论上可以应用于任何类型的信号的分解， 因而在处理非平稳及非线性数据上，具有非常明显的优势，适合于分析非线性、非平稳信号序列，具有很高的信噪比。
再通俗一点，EMD就像一台机器，把一堆混在一起的硬币扔进去，他会自动按照1元、5毛、1毛、5分、1分地分成几份。

2.EMD的工作原理是什么？

对数据信号进行EMD分解就是为了获得本征模函数。简单来说，信号是由若干个本征模函数所构成的，本征模函数之间相互重叠，便形成复合信号。而EMD分解的目的就是为了分解出其中本征模函数。

3.EMD的基本分解过程

**EMD分解方法是基于以下假设条件：

⑴数据至少有两个极值，一个最大值和一个最小值；

⑵数据的局部时域特性是由极值点间的时间尺度唯一确定；

⑶如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果。这种方法的本质是通过数据的特征时间尺度来获得本征波动模式，然后分解数据。这种分解过程可以形象地称之为“筛选（sifting）”过程。**

二、EMD的分解

先上一张EMD分解的图片：

具体图像的变化过程，参照：https://zhuanlan.zhihu.com/p/40005057，这篇文章，也许能让你有更深刻的理解。

三、EMD工具包的安装

建议参考这篇文章：https://blog.csdn.net/qrlhl/article/details/52213135#commentsedit

参考文献

1.维基百科：经验模态分解
2.这篇文章能让你明白经验模态分解（EMD）——基础理论篇