eemd的r语言序列_EEMD详解

经验模式分解(empirical mode decomposition, EMD)方法是Huang提出的,它是一种新的时频分析方法,而且是一种自适应的时频局部化分析方法:①IMF与采样频率相关;②它基于数据本身变化。这点是EMD优于傅立叶变换方法的地方,它摆脱了傅里叶变换的局限性。但EMD比较重要的缺点就是模态混叠,为了更好地解决这一问题,EEMD被Huang提出。

经验模态EMD分解方法的原理及特性

本征模态分量

Norden E. Huang为了得到瞬时频率,提出基本模态分量(Intrinsic Mode Fuction)一个本征模态分量(IMF)必须满足下面两个条件:

①在整个数据序列内,极值点的个数iV。,和过零点的个数iV,必须满足以下关系:

②在任一时间点,信号由局部极大值确定的上包络线人(r)和由局部极小值确定的下包络(/)的均值必须满足以下关系:

第一个限定条件很明显,与正态平稳过程的传统窄带的要求很相似;第二个是创新 方面,创新表现在把限制的范围做了改变,传统的全局限制转为局域性的,这种限定可以解决由于波形不对称而造成的瞬时频率的波动

经验模态分解的原理和算法

EMD是一种非平稳信号分析方法,但是它不同于FFT。EMD适合任意数据,基于数据本身来分解,不需要基函数。EMD分解基于这样的假设:①认为信号由不同的IMF组合而成;②IMF同时具备线性和非线性特点;由EMD方法分解信号可以得到一系列的本征模态分量(IMF),如下

式中imfi(t)是EMD分解得到的第i个IMF; rn(t)是分解筛除n个IMF后的信号残余分量,常常代表信号的直流分量或信号的趋势。

在满足模式分量的两个条件的情况下,不断迭代筛除得到模式分量:将所有极大值点和