多元经验模态分解_EMD原理及模态混叠处理

在处理非平稳、非线性的信号时，常用的方法是小波分解（wavelet decomposition）的方法。后来一种以数据驱动的经验模态分解(Empirical Mode Decompesotion, EMD)方法被提出，它能够将非平稳信号分解成不同的本征模函数(IMF)。相比于小波分解，它虽然不会受小波基函数的选择，分解等级等影响，但是它也存在很多问题。其中混叠模态就是其中之一。

混叠模态问题最先在对含有间断的信号分解中发现的。 间断信号可以理解为在某一时刻或者某一很小时间间隔内出现了小幅值的高频信号。当混叠模态出现时，得到的本征模函数（IMF）是没有意义的。在 ZHAOHUA WU and NORDEN E. HUANG 的文章中，混叠模态是这么定义的：

“Mode mixing” is defined as any IMF consisting of oscillations of dramatically disparate scales, often caused by intermittency of the driving mechanisms.

指的是在一个本征模函数(IMF)中包含差异极大的特征时间尺度，或者相近的特征时间尺度分布在不同的本征模函数（IMF）中。

在wu的文章中举了一个例子，输入信号是一个在连续低频正弦信号上叠加了间歇性高频震动的调制信号（the modeled data was a mixture of intermittent highfrequency oscillations riding on a continuous low-frequency sinusoidal signal）。下图直接出自原文。