文章EMD经验模态分解介绍了EMD算法的流程,并分析了EMD算法存在的问题,即模式混叠,基于EMD存在的问题,文章EEMD集总经验模态分解介绍了在简单的EMD分解的基础上添加白噪声,从而使得分解的IMF是单一模式,优化了模式混叠,但是引入新的问题,即白噪声在集总平均之后不能完全抵消,而存在残留,导致重建之后的噪声不可忽略。因此互补集合经验模态CEEMD被提出。
CEEMD和EEMD流程相似,不同的是EEMD每次仅添加白噪声,CEEMD算法是将原信号加上白噪声和原信号减去白噪声两个信号同时经过EMD,求均值,用于抵消信号中加入的噪声。具体的算法流程如下所示:
s(t)为原始信号,加入不同的白噪声,共加入n次,也就是集总平均次数为n。分别对加噪声和减噪声的信号做EMD分解,将分解之后的两组IMF求均值,再将n组IMF求平均值,即可获得最终的IMF组分量。
CEEMD是对EEMD的优化,集总平均次数会减少,从EEMD的百量级减小到CEEMD的几十的量级,重建后的信号噪声明显减少。通常情况,集总平均次数越多,重构后的信号噪声越小。