多元经验模态分解_模态分解相关算法介绍(三)——CEEMD互补集总经验模态分解...

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：

互补集总经验模态分解算法

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。