多元经验模态分解_Emd经验模态分解

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。

EMD克服了基函数无自适应性的问题。小波分析是需要选定某一个小波基的，小波基的选择对整个小波分析的结果影响很大，一旦确定，在整个分析过程中将无法更换，即使该小波基在全局可能是最佳的，但在某些局部可能并不是，所以小波分析的基函数缺乏适应性。

用EMD有什么好处呢？对于一段未知信号，不需要做预先分析与研究，就可以直接开始分解。这个方法会自动按照一些固模式按层次分好，而不需要人为设置和干预。

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(IMF)。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。

经验模态分解的基本思想：将一个频率不规则的波化为多个单一频率的波+残波的形式。原波形 = ∑ IMFs + 余波。

EMD分解方法是基于以下